svg-voiced-video-studio:60fps SVG-Video-Studio mit mehrsprachiger Auslieferung
Verwandle Skripte, Storyboards oder überprüfte Fallbeispiele in lokales, personalisiertes Voice-Over ohne Wortverschlucken + 4K 60fps nativ-geometrisches SVG-Animation + @2x vierfache formatfüllende Cover + Titel/Beschreibungen und Pinned-Kommentare für fünf Plattformen.
Schlüssel-Invarianten
- Zuerst Text und Sprachumgebung prüfen, dann Satz-für-Satz cachen und synthetisieren. Basierend auf: Theorie der chinesischen Zweisilben-Rhythmuswörter, Common Ground Theorie, Grice'sche Konversationsmaximen und inhaltsadressierte idempotente Konstruktion. Vor der Synthese muss lint_script.py ausgeführt werden: Überprüfung auf einzelne Schriftzeichen in offiziellen Dokumenten, binäre Umkehrungen, fünf Arten von KI-Fingerabdrücken in der Sprechweise (falsche Empathie, falsche Tiefe, Selbstgewichtung, universelle Vorlagen, dreifache Parallelismen), kalte Eröffnungsankündigungen, Klammerergänzungen, zu lange Atempausen, Variationskoeffizient der Satzlänge (≥ 0.25), Aussprache von Homophonen und Zahlen/Englisch; bei tatsächlichen Aufschlüsselungen werden allgemeine Maßeinheiten des Publikums (wie
token) beibehalten und im gesamten Film vereinheitlicht, direkte Anreden und Quellennamen werden verwendet, und die Auswahl wird zeitlich geordnet abgeschlossen; falsch ausgesprochene Wörter werden mit{Aussprache=>Untertitel}oderttsTextzweigleisig fixiert. Das Syntheseskript unterstützt--check-onlyzur Vorprüfung undout/.tts_cache/für satzweises hashing-basiertes Fortsetzen der Synthese, mit physikalischer Satztrennung an;:—(Atempause0.18s) und。!?(Atempause0.30s) und Mehrfachdurchläufen zur Auswahl der besten Version (einzige Parameterquelle siehe Sprechtechnik-Handbuch). - Die gemessenen Sekunden treiben die 60fps-Zeitachse invers an, mit schnellem Abgang und Ausrichtungsframes, die den Treffpunkt erreichen. Basierend auf: normalisierte Zeitparametrisierung und audiovisuelle Synchronisationswahrnehmungsfenster. Das Syntheseskript schreibt
scenesData.json; Komponenten dürfen niemals Frame-Nummern fest codieren, Federn werden mitSPRING_PRESETSin vier Stufen für gleichartige Elemente vereinheitlicht (Modus C sperrt rückfederungsfreien Modus), Abgang0.25sschneller als Eingang, Maskenübergänge verwendenrevealOn(), um die Einblendframes auf Betonungswörter oder Schnittpunkte auszurichten, die chinesische Bildschirmzeichen halten für dieminReadHoldSec()(Zeichen÷4.5+1.5s, kritische Zahlen≥ 2.5s). - Zuerst zweistillige Standbilder visuell prüfen, dann den gesamten Film codieren. Basierend auf: Fehlererkennung vorverlagern und Gestalt-Grund-Trennung. Jede Szene extrahiert
25%(Eingangszustand) und76%(Volltext-Zustand), Szenen mit Fragmenten oder Pfadkreuzungen extrahieren zusätzlich48%; sicherstellen, dass Linien nicht durch Zeichen verlaufen, Pfade geschlossen sind, der Mindestabstand von Zeichen zu Rahmen≥ 8pxbeträgt und auf einem Bildschirm höchstens eine Akzentfarbe als Fokus vorhanden ist. - Vierfach-Cover auf einmal passend erstellen,
9:16streng auf den zentralen3:4-Sicherheitsbereich begrenzt. Basierend auf: Mehransichts-Sicherheitsrahmen und visuelle Schriftbreiten-Norm für gemischte chinesisch-westliche Schrift. Der Haupttitel des Covers hat maximal≤ 6Zeichen pro Zeile für reine chinesische Zeichen, die visuelle Schriftbreite für gemischte Schriften beträgt≤ 6.2 em(unzerlegbare Eigennamen mit--allow-7auf7.2 emgenehmigt und Schriftgröße automatisch um8%reduziert), die9:16-Version hat oben und unten einen Abstand≥ 240px. - Die Veröffentlichungstexte halten die Sprach- und Faktengrenzen ein. Basierend auf: Erwartungsverletzungs-Check und Fluch des Wissens. Reiner Text ohne Formatierung, keine Anführungszeichen, maximal
4Hashtags auf Kuaishou, verbotene binäre Umkehrsätze, verboten, hypothetische Ableitungen als Tatsachen des Autors darzustellen, die festen Schlussworte des Erstellers bleiben im Original erhalten – die Details sind einheitlich in Spezifikation für fünf Plattformen und vier Coverformate Abschnitt 2, Punkt 0 festgelegt, und gelten gleichermaßen für Voice-Over und Cover. - Das letzte Bild eines philosophischen/humanistischen Films behält die festen Schlussworte des Erstellers im Original.
In unermüdlichem Fragen finden wir das lebendige Selbst; in der begrenzten Übereinkunft erreichen wir die unendlichen Möglichkeiten.Wenn im eingereichten Manuskript vorhanden, bleiben sie unverändert; wenn das Skript aus einem Thema generiert wird, werden sie standardmäßig als Abschluss des letzten Bildes verwendet, geteilt am Semikolon in zwei Sätze zur Synthese, mit einer Leerzeit am Satzende von4.5s~5.5s. Reine kommerzielle Schnellkommentare folgen den Arbeitsbereichsregeln oder Benutzeranweisungen. - Die Szenen teilen sich dynamisch entsprechend den Informationspunkten auf, visuelle Ästhetik, Datenmetrik und Schweizer Layout werden gemäß dem Handbuch ausgeführt. Basierend auf: Mayers Multimedia-Lernprinzipien, Tufte's grafischer Ehrlichkeit und dem Schweizer Modulraster. Es ist strengstens verboten, eine feste Anzahl von Szenen zu erzwingen oder aufzufüllen: Die Aufteilung erfolgt natürlich entsprechend der Komplexität des Inhalts nach dem Prinzip „eine Szene, ein Kerninformationspunkt“ (kurze Kommentare
3–5Szenen, normale Analysen5–9Szenen, tiefgehende Filme10–16+Szenen sind alle flexibel erweiterbar); Datenvisualisierungen (ungeprüfte Zahlen dürfen nicht auf den Bildschirm, zuerst die Achsen, dann die Daten, Balken beginnen bei 0, Überprüfungen der Multiplikatoren, Quellenangabe in kleiner Schrift), das horizontale 12-/vertikale 6-Spaltenraster und2–3Anti-Homogenisierungs-Stilsignale pro Ausgabe richten sich nach dem SVG-Bewegungsästhetik-Handbuch. - Das fertige Produkt wird erst nach einer technischen Endkontrolle mit
-14 LUFSund einer unabhängigen Blindprüfung ausgeliefert. Basierend auf: ITU-R BS.1770 Lautheitsstandard und unabhängiger Verifikation zur Vermeidung von Bestätigungsfehlern. Der finale Mix fügt passende Soundeffekte hinzu, die die Stimme nicht überdecken (sfx_synth.py) und gleicht sie auf-14.0 LUFSan (True Peak≤ -1.2 dBTP); nach dem Rendern muss inspect_video.py zur harten Überprüfung von Bildrate, schwarzen Frames, Lautheit und True Peak ausgeführt werden (ungeprüfte Spezifikationen gelten mitNOT_CHECKEDnicht als bestanden), und es wird eine unabhängige Blindprüfung durchgeführt.
Auswahl des visuellen Masters und der Leinwandmodi
Auswahl basierend auf der Stimmung des Skripts und der primären Veröffentlichungsplattform (Farben aus der AGENTS.md des Arbeitsbereichs oder vom Benutzer angegeben haben Vorrang):
| Modus | Logische Leinwand → 4K-Ausgabe (--scale=2) | Kernpalette (null Verlauf, 0px rechte Winkel) | Synthese-Voreinstellung | Cover-Thema | Geeignete Themen |
|---|---|---|---|---|---|
| A. Dunkles Kohlenacht-Philosophie | 1920×1080 → 3840×2160 | Grund #111110 · Haupttinte #F2EFE9 · Fokus #D94E28 | --preset long --speed 1.00 | --theme dark | Innenschau, existenzialistische Langfilme |
| B. Schweizer Pergament-Warmton | 1920×1080 → 3840×2160 | Grund #F5F0E6 · Papier #FAF7F1 · Tusche #191715 · Siegel #C83E2B | --preset long --speed 1.00 | --theme vellum | Zeit- und Geld-Bilanzen, klassische philosophische Langfilme |
| C. Schweizer Warmes Papier (Hochformat) | 1080×1920 → 2160×3840 | Grund #F5F1EA · Papier #FAF8F3 · Tinte #1A1A18 · Zinnoberrot #D93B22 | --preset short --speed 1.07 | --theme editorial | Hochformat-Wirtschaftsanalysen, Produktvergleiche, kurze Datenvideos (Szenenanzahl flexibel je nach Informationsdichte) |
Zahlen verwenden einheitlich font-variant-numeric: lining-nums tabular-nums, alte Ziffernschriftarten (wie Georgia) sind verboten.
Zusätzliche Hinweise für Modus C: Das Shell-Element übergibt theme={EDITORIAL_PAPER_THEME}; die Hochformat-Leinwand wechselt automatisch auf den plattformspezifischen Sicherheitsbereich (oben ≥ 200px, unten ≥ 400px, rechts ≥ 140px, Untertitel maximal ≤ 16 Zeichen pro Zeile); Grafiken werden nur innerhalb des safe-Rechtecks gezeichnet und mit swissGrid(safe) auf ein 6-Spalten-Raster ausgerichtet; die Liste der Zahlenaussprachen aus der Lint-Ausgabe wird Punkt für Punkt überprüft.
Standard-Fünf-Schritte-Workflow
Wenn die AGENTS.md des Arbeitsbereichs manuelle Review-Gates (Themenauswahl, finale Skriptprüfung) vorsieht, muss an diesen Gates gestoppt werden. Es ist strengstens verboten, ohne Freigabe vorzeitig zu rendern:
- Interne Blindprüfung vor der Finalisierung und Entscheidungsdokumentation: Vor dem Einreichen des finalen Skriptpakets, falls der Host Sub-Agenten unterstützt, wird ein Sub-Agent, der nicht am Schreiben des Skripts beteiligt war, mit der Überprüfung und Bereinigung der fünf KI-Artefakte und der faktischen Grenzen beauftragt. Das Finalisierungspaket enthält nummerierte Punkte: „Kernaussage in einem Satz, Modus und die ausgewählten 2–3 Stilsignale (mindestens 1, das die klischeehafteste Variante vermeidet), Stimmfarbe und Sprechgeschwindigkeit, szenenweise Sprechtexte mit markierten
*Schlüsselwörtern*und neun-Spalten-Storyboard-Selbstprüfung, vierfache Cover-Überschrift, fünf Plattform-Titel“; nach der Entscheidung des Benutzers wird es sofort in das Projektverzeichnisout/定稿决策.mdgeschrieben, und alle nachfolgenden Rendervorgänge und Sitzungsübergänge verwenden diese Datei als einzige Quelle der Wahrheit.
Schritt 1: Skriptprüfung und Cache-basierte Sprachsynthese ohne Wortverschlucken
- Führe
python scripts/lint_script.py <Skriptpfad>aus, bereinige Satzstrukturen, die fünf Arten von KI-Stimmen und einzelne Zeichen aus offiziellen Dokumenten; überprüfe die Liste der Aussprachen für Homophone und Zahlen/Englisch, schreibe falsche Aussprachen als{Aussprache=>Original}. - Lokalisiere
gpt-sovits-studio/voice_profile.json(vorzugsweise mit der dedizierten Umgebung in.venv\Scripts\python.exeausführen, beim ersten Mal--check-onlyfür eine schnelle Vorprüfung der Gewichte, CUDA undffmpeg). Für das Training neuer Stimmen oder bei Windows-Speicherfehlern zuerst das GPT-SoVITS Windows Einzel-GPU Fehlerbehebungs-Handbuch lesen. - Führe synth_voiceover_template.py aus (wähle
--preset,--speed,--sfx auto, bei englischen Eigennamen oder Fachbegriffen--asr-verifyhinzufügen; bereits synthetisierte Sätze werden automatisch ausout/.tts_cache/wiederverwendet, für eine vollständige Neuberechnung--force-resynthhinzufügen). Ausgabe:public/audio/S01..SXX.mp3(reine Stimme zur Qualitätskontrolle),ambient_pad.mp3,sfx_bus.mp3,mixed_master_ducked.mp3(48kHz, -14.0 LUFS, Stimme + zurückhaltende Musik + ausweichende Soundeffekte, die einzige Audiospur des fertigen Films),src/data/scenesData.json,.srtinout/,chapters.txtundsfx_cues.json. - Für 1–2 Highlights können
"fx": "canyon" | "tape" | "water"hinzugefügt werden (siehe voice_fx.py); vor dem Codieren des Videos musspublic/audio/S01..SXX.mp3mit multimodalemread_fileSzene für Szene gehört werden (besonders auf englische Eigennamen und Homophone achten, dass sie klar und ohne Sprünge sind; bei rein chinesischen Feintuning-Stimmen fürtoken{偷肯=>token}und fürPDF{P D F=>PDF}zur zweigleisigen Fixierung verwenden).
Schritt 2: Aufbau der entkoppelten Remotion 60fps nativ SVG-Projektstruktur
- Wenn ein wiederverwendbares
node_modulesvorhanden ist, mit einem Windows Directory Junction einbinden. - Kopiere motion_60fps.ts und SceneFrameShell_60fps.tsx, halte dich an die Projektkonventionen:
- Kompositions-ID:
MainEssayfür den gesamten Film, Szenen alsScene-S01...Scene-SXX;toShellTimeline()zur Konvertierung der Zeitachse verwenden; - Audiospur:
audio/mixed_master_ducked.mp3nur einmal in der Root-KompositionMainEssayanhängen, das Shell-ElementplaySceneAudiobleibt ausgeschaltet; - Alle
interpolate()-Aufrufe explizitclamp; einheitlichSPRING_PRESETS,EASE_SNAP / EASE_GLIDE / EASE_WHIP, Standard-Abgang0.25s,revealOn()für Ausrichtung der Einblendung,minReadHoldSec()für Verweildauer undswissGrid(safe)für das Modulraster verwenden; - Ästhetik und Datenimplementierung mit
accentAt()+mixHex()(Rot folgt der Stimme),cameraAt()(einfaches Leinwand-Scrollen),taperStroke()/inkJitter()(Mode A, B Tuschelinien). Kommerzielle Diagramme halten sich streng an die Datenmetrik in Abschnitt 2 des Ästhetik-Handbuchs.
- Kompositions-ID:
Schritt 3: Zweistillige Extraktion, programmgesteuerte -14 LUFS-Endkontrolle und unabhängige Blindprüfung
npx tsc --noEmitohne Typfehler.- Führe extract_keyframes_template.mjs aus, um Schlüsselbilder zu exportieren (standardmäßig an Port
18123gebunden, um den Windows Hyper-V/WinNAT reservierten Portbereich3000–3100zu vermeiden), visuelle Prüfung auf Linien, die Zeichen schneiden, Lücken, einzelne Zeilen und Plattformabdeckung; führe dann audit_aesthetics.py aus, um rote Fokuspunkte, Elementanzahl, Rahmenlinien, Hauptzeichenhöhe, Dichteschwankungen und Schriftgrößenhinweise zu verarbeiten. - Führe
npx remotion render … --scale=2 --codec=h264 --crf=16 --pixel-format=yuv420p --port=18123aus, um das native, echte Vektor-4K-60fps-Video direkt auszugeben (Hochformat2160×3840, Querformat3840×2160, wodurch die durch dieyuv420p4:2:0-Farbunterabtastung verursachte Unschärfe an Zinnoberrot-Kanten vollständig beseitigt wird; diestudio-Vorschau verwendet ebenfalls--port=18123, umNo available ports foundzu vermeiden). - Führe unbedingt inspect_video.py aus (mit
--expect-size 2160x3840(Querformat3840x2160),--expect-fps 60,--scenes-json src/data/scenesData.json), um sicherzustellen, dass 4K-Auflösung, Bildrate, keine schwarzen Frames, Lautheit von-14.0 ± 1.5 LUFSund True Peak von≤ -1.0 dBTPallePASSsind. - Wenn der Host Sub-Agenten unterstützt, übergib das generierte
qa_sheet.png,qa_phone.pngund „den einen Satz, den sich das Publikum merken soll“ an einen unabhängigen, code-fremden Prüf-Sub-Agenten; dieser gibt die schwerwiegendsten≤ 3Probleme mit Zeitcode zurück; erst nach der Bereinigung und erneuten Überprüfung wird mit dem nächsten Schritt fortgefahren.
Schritt 4: Rendern des @2x-Vierfach-Cover-Sets ohne Formatbeschneidung
- Erstelle die Cover-Überschrift gemäß Spezifikation für fünf Plattformen und vier Coverformate und führe drei harte Prüfungen durch.
- Führe render_4covers_template.py aus (wähle
--themegemäß der Tabelle), um die vier.png-Formate auszugeben; überprüfe jedes Bild darauf, dass es keine einzelnen Zeichen am Zeilenende gibt und dass der9:16-Text vollständig innerhalb des zentralen3:4-Sicherheitsrahmens liegt.
Schritt 5: Auslieferung des reinen Textes für fünf Plattformen und der strukturierten Abnahmeliste
Gib gemäß Abschnitt 2 der Spezifikation den reinen Text ohne Formatierung aus (die Bilibili-Zeitachse wird direkt aus out/chapters.txt entnommen; Projektaufzeichnungen verbleiben in out/ und werden nicht in das Auslieferungsverzeichnis gemischt). Die endgültige Antwort enthält klickbare Links zu .mp4, .srt, den vier .png-Dateien und der Text-.md-Datei sowie den npm run studio-Befehl zur Vorschau und zum erneuten Rendern. Füge außerdem eine prägnante Abnahmeliste (geprüfte Elemente, ungeprüfte Elemente, Begründung für Design-Ausnahmen) bei.
Grenzen, Autorisierung und Abbruchbedingungen
- Anwendungsbereich: Für Anforderungen wie Realschnitt, Realfilm-Freisteller oder 3D-Real-Rendering erkläre direkt, dass sich dieser Skill auf die Erstellung programmatischer, nativ-geometrischer SVG-Animationen mit Sprachausgabe und plattformspezifischer Verpackung konzentriert, und keine Vorlagen zwangsweise anwendet.
- Externe Aktionsautorisierung: Standardmäßig werden nur Dateien lokal generiert; ohne ausdrückliche Anweisung des Benutzers werden keine Browser oder Schnittstellen zum automatischen Hochladen und Veröffentlichen aufgerufen.
- Abschlusskriterien: Alle harten Prüfpunkte von
inspect_video.pysindPASS(keinFAILoderNOT_CHECKED), die vierfach-Cover und der reine Text für fünf Plattformen sind vollständig, und die Abnahmeliste gibt den geprüften Umfang und die Ausnahmeerklärungen wahrheitsgemäß an.