video-craft：口播剪出网感
目标：学生拿一条真人口播，按这份规则剪成「有节奏、有画面、字不越界」的竖屏短视频。 规则来自：70 条剪映口播工程的统计 + 维护者的多条实战成片的踩坑。每条规则标了来源；没验证过的写明了。
先看
references/里的细节；挑版式时打开 library 网页（docs/library.html），每款都有预览。 想要抖音精剪那种（素材密、画面每 1.5–3 秒变一次）→ 读references/douyin-jingjian.md。 抠像 · 字在人后 · 玻璃字 →references/text-behind-glass.md。 不同行业怎么配（4 个风格家族 + 3 个主题预设）→references/industry-styles.md；音效的精确时间 / 音量 / 动画配对表 →references/sfx-timing.md。 字怎么搭配（字体 / 颜色 / 大小比 / 位置、版式家族）→references/typography-pairing.md；字怎么动（38 种入场动画、18 个预设）→references/motion-vocabulary.md。 edit.json 每个版式要写哪些属性 →references/edit-json.md。 一条片的骨架（钩子 → 内容套路 → 呼吸 → 结尾行动，64 条成片共同的排法）→references/essence.md，排片前先读。 用户说什么语言就用什么语言回答。English: seeSKILL.en.md.
0. 开剪前先确认（缺一就问，别猜）
没法提问时（自动化 / 用户说别问）的默认值：视频按合格处理、平台抖音、有转写就当稿用、脸不大、不用抠像；结尾行动：口播里本来就有行动话术（点左下角、找我聊聊）就用原话，没有就不放结尾胶囊，不编账号。把这些默认值写在汇报里。
- 视频：1080×1920、有人声的口播？没有就先别剪。
- 平台：抖音 / Reels / Shorts（决定安全区，默认按下面这组）。
- 有没有稿？有 → 用来校对错字；没有 → 先转写。
- 脸是不是很大（特写）？是 → 画面要先上移+放大，见 §3.2。
- 能不能用抠像？抠像只有 macOS（Apple Vision）能跑；不能就别选「记者出镜」。
1. 工作流（按顺序，别跳）
- 转写 + 逐字时间：mlx-whisper（Mac）或任一 whisper，要
word_timestamps。中英混说、马来/粤语口音会听错字（例：「网感」→「玩感」「删停顿」→「三停顿」）→ 字幕必须人工/对稿校对，时间用转写的，字用校对后的。 - 分节拍：按意思切 8–12 段：钩子（0–5s）→ 故事/问题 → 转折 → 方法 → 金句 → 签名。每段决定「这一段用哪个版式或换场」。排法先读
references/essence.md：第 1 秒就要有 2–4 个字的巨字钩子、选一个内容套路套全片、结尾一定给行动。 - 补停顿：很多人念稿一口气不换气。在句间插 0.2–0.45 秒：定帧 + 静音，下一句配一次景别切换（推近/拉远），读起来像换气不像卡住。剪点要吸到画格（不然累积漂音画）。示例脚本
tools/build_master.py。 - 分配版式 / 换场：套 §4 的节奏规则（每 5–10 秒换一次画面）和 §5 的选用表。
- 钉时间：每个字/画面的出现时间 = 他讲那个字的开始时间（词级时间戳），不是估的。重剪后不会错位。
- 配音效：一个动画一个不同的音，见 §6。
- 渲染 + 检查：先渲带安全区红框的静帧逐款目视，再渲全片，量响度。见 §7。
- BGM 默认不加。 学生要加：
tools/mix_bgm.py（淡入/金句压低/淡出，−15 LUFS）。
2. 硬规则（违反就返工）
| 规则 | 说明 | 来源 |
|---|---|---|
| 安全区 | 所有字整个落在 x 60–1010、y 250–1250；y>900 时右边收到 950 | 维护者两次实战纠正；下 35% 被文案+按钮盖住 |
| 字幕最多两行、每行 ≤12 字 | 超出就在标点处断行；底边贴 y≤1230 | 维护者反复纠正「字幕太长」 |
| 字不盖脸 | 脸大时字只放「胸口带」y≈880–1250；卡片在场就把脸推上去/换人像窗 | 实战成片 |
| 一段只留一个巨字 | 其他用小字幕；每块都上色 = 重点被稀释 | 评审反馈 |
| 两层节奏 | 换场（整屏构图换）每 5–10 秒；视觉变化（字块弹出/推近/素材/小窗）每 1.5–3 秒。约 1/3 时间不是正脸全屏 | 评审反馈 + 维护者「5–10 秒换一下」；参考片「每 1.5–3 秒一个视觉变化」。两层是整理时对齐两条规则的写法，不是参考片原话 |
| 钩子要有「东西」 | 开头 3 秒给一个画面（卡片/曲线/手机），不能只有字幕 | 评审反馈 |
| 音效贴字 | 字出现的同一帧响（88% 的音效和字同帧）；约 1/3 的字块安静（留呼吸） | 70 口播统计（见 §6） |
3. 画面框架（真人口播）
3.1 镜头
- 手持晃动：几条不同频率的正弦叠加，开头 1 秒手没拿稳（幅度 ≈ ±7px / ±0.2°）。
- 跳切：每个句子在两档缩放之间交替硬切，以脸为圆心推近。实战成片用 1.15× / 1.20×；剪映数据的中位是 1.1×。起步项目
Edit默认zoom:[1.0,1.12]，要实战值就在 edit.json 写"zoom":[1.15,1.2]。 - 强调拍：说到重点词那一瞬间推近 +0.09，0.18 秒衰减回来。
数据对照（73 个剪映口播工程的视频轨，
template.json.bak）：人像片段的缩放中位 1.1×（p10 0.8 / p90 1.4），1614 个视频片段里 54% 被重新缩放（= 推近跳切）；64/73 的工程用了遮罩——圆形 131、矩形 120、线性 33、镜面 11、钢笔 3（人像窗以圆窗和圆角矩形为主）；0.9× 慢放用了 27 次（做戏剧停顿）；人像上用了大量美颜类特效（约 270 处，本库没有）。
3.2 脸很大时（特写口播，下巴约 y860–940）
整个画面上移 120px 并放大 ≥1.12 倍（不放大底边会露），文字压进下巴到 y1250 之间那 ~370px 的「胸口带」。版式坐标按 y≈1050 起排，用 <Zone> 整体上移 150px。
3.3 结尾
人缩小到 0.56 倍放中央，头顶放巨字（y≥250），下面放签名卡（≤y1240）。
4. 节奏数字（70 条剪映口播工程，66 个行业成片，中位时长 23.5 秒）
| 指标 | 中位数 |
|---|---|
| 文字片段 / 分钟 | ~69 |
| 音效 / 分钟 | ~39 |
| 单个文字片段时长 | 1.22 秒（p25 0.88 / p75 1.72） |
| 音效相对文字起点 | 0.00 秒（同一帧） |
| 有音效跟随的文字比例 | 66% |
⚠ 这是 15–60 秒短片的密度。本 skill 的 66 秒 sample 用了约 44 个音效/分钟（接近）。更长的片不要照搬 69 个字块/分钟（会累）；重击点（钩子/转折/金句/签名）用高密度，其余降到约 40/分钟——这条是经验判断，没有数据验证。
5. 版式 / 换场选用表（预览见 library）
文字版式（叠在人脸视频上，放胸口带）：
| id | 图鉴# | 什么时候用 |
|---|---|---|
chest-big | 23 | 一句铺垫 + 一个要点词（最常用，每支至少 3 次） |
strike-swap | 24 | 纠正误区：旧说法被划掉，新说法砸出来 |
left-stair | 53 | 递进：原因 → 过程 → 结果 |
a-to-b | 41 | 因果 / 「越 A 越 B」 |
two-column | 17 | 两个方案对照（A｜B） |
bars | 9 | 两个并列要点（荧光条） |
vertical-wall | 35 | 2–4 字重点词，竖贴右墙 |
dark-question | 27 | 低声、反问、悬念（一支最多 1–2 次） |
chapter | — | 讲步骤：01/02 + 打勾卡片 |
giant-fill | 25 | 落点金句（全片最多 1 次，留给最后一句） |
typed-quote | 38 | 引用 / 金句：黑底圆窗 + 逐字打出 |
signature | — | 片尾签名卡 |
top-title | 骨架 | 整片挂顶部的两行栏目名（头顶要有空间） |
stack-list | 骨架 | 累加清单，新条出现旧条变暗（≤3 条+金句） |
end-cta | 骨架 | 结尾蓝色胶囊 + 指向左下角的箭头（文案由用户给） |
| 换场（把整个画面换掉，用来打破「同一个正脸」）： | ||
| id | 什么时候用 | |
| --- | --- | |
split-retention | 钩子 / 讲「没人看完」：上留存曲线卡 + 下人像窗 | |
split-compare | 「乱 vs 齐」：上对比图 + 下人像窗 | |
phone-swipe | 讲「划走」：手机放口播，说到关键句往上划走 | |
reporter | 讲步骤：卡片 + 抠像站前面（需要抠像，仅 macOS） | |
抖音精剪 · 素材类（讲到什么名词就切什么素材；素材不附带，作为 broll 传入）： | ||
| id | 什么时候用 | |
| --- | --- | |
pip-broll | 讲具体名词：素材全屏 + 你缩成白边小圆窗（位置 右上/左上/底中 轮换） | |
split-broll | 一边讲一边给看：上你、下素材 + 黄色标签牌命名 | |
broll-bottom | 最轻的素材插入：素材从底部滑上来盖下半屏（字幕要让开） | |
poster-hero | 关键名词/痛点词：整屏海报压暗 40% + 金（利益）/红（痛点）大字，慢慢长大 | |
每款的参数、避免场景：references/layouts.md；精剪配方全文：references/douyin-jingjian.md。 |
字怎么搭配（5 个排版搭配，叠在人脸视频上，放胸口带）：
| id | 什么时候用 |
|---|---|
label-hero | 小标 + 大字叠搭（数字、关键词一眼看清） |
spread-hero | 拉开字距的大字（1–3 字，最狠的一句） |
ghost-word | 背景巨字（半透明）+ 一句小字点题 |
quote-card | 引用卡：背景压暗虚化 + 编号小标 + 关键词黄 + 出处 |
chapter-tag | 章节标签：「01 ▶ 标题」黄色块 + 虚线框 |
搭配公式（来自 81–88 个版式的统计，完整解析版，细节见 typography-pairing.md）：①白色打底 + 一种强调色（黄 = 利益 / 红 = 痛点；80% 的版式只用 1–2 种颜色）②字体 ≤2 种：主角衬线粗体、配角无衬线 ③配角 : 主角 ≈ 1 : 2，≥4× 的巨字全片 1–2 个 ④≤3 行 ⑤全部压进安全区。排版四原则（对齐 / 对比 / 亲密 / 重复）：一支片一种对齐；主角词一眼是主角；相关的行靠近；并列内容用同一个样式。 |
字在人后 / 玻璃字（TextBehind / GlassWord）：text-behind 字在人后（背景 → 字 → 抠像 PNG 盖在最上面）· glass-hero 玻璃字（半透明渐层，背后纹理透进字里）· glass-behind 两者结合。三条硬规则：玻璃字不能被带 transform / opacity / filter 的外层包住（不能放进 Zone / FitBox）；字要和视频在同一个镜头容器里；背景要有明暗起伏。🔴 字必须一眼看得清，人只能遮住一点点（平均 8–20%、最多 ≤30%）：先用 Headroom 给字腾出头顶空间，再用 tools/check_text_visible.py 量；没抠像的帧不画字。抠像仅 macOS（tools/mk_matte.py 抠人、tools/mk_subject_matte.py 抠任意主体）。
情绪字（一个词就是一个情绪，EmotionWord）：emo-cry 哭泣（红色从下往上灌满）· emo-surprise 惊讶（两字一上一下摆动）· emo-joy 开心（放射光芒脉动）· emo-shout 喊话（向外倾斜 + 回声）。全片 1–2 次；放胸口带（原包放人头上方，本库的画面里没有空间）。⚠ 只做了文字；原包的眼泪 / 真香光晕翅膀是剪映的人脸特效，没有做。
字怎么动（18 个入场动画预设，MotionText 的 preset）：fade slide-up reveal-up curtain roll-in leap grow grow-soft shrink slam glow-blur blur-left rise-random wave-bounce typewriter develop tracking-in echo。
规则（70 个工程的统计）：入场 0.4 秒（0.3–0.5；模糊/光效类 0.7）；52% 的字完全没有动画、45% 只有入场、2% 有出场——动画留给重点，不要每个字都动；每句换一个入场；重击词配 slam/shrink/echo + 重音效。按功能选动画：references/motion-vocabulary.md §三。
6. 音效
原则：一个动画一个不同的音；不要全片只用 10 种。峰值调到 −11 ~ −20 dBFS；转场类更低（≈−22 ~ −26）。 配对（来自 70 口播统计 + 实战；id 是语义，文件自己准备）：
| 动画/时刻 | 音效语义 id |
|---|---|
| 打字光标 / 逐字打出 | type typing |
| 模糊发光、柔、情感 | drip bowl |
| 随机上升 / 开幕（知识） | paper |
| 缩小 / 重击 / 强调 | peng stamp dong fist clang heavy filmdong |
| 放大 / 数字 / 要点 | click ding ding3 tishi |
| 滚入 / 讲钱 | cash gold |
| 转场 / 换话题 | sou sou2 hu shua wind zoom page whoosh |
| 失落 / 划走 / 反问 | sigh huh sus eerie |
| 对（✓） / 确认 | correct bowl |
| 魔法 / 揭晓 | magic fairy chime |
完整 57 个 id 和语义：references/sfx-pairing.md。 | |
⚠ 本仓库不附带音效文件（来源是剪映库/付费素材包，不能再发布）。请自备可商用音效，按 id 命名成 lg-<id>.mp3。 |
7. 检查清单（出片前逐条过）
- 起步项目：edit.json 设
"guides": true，npx remotion still …每款版式抽一帧（旧的预览合成才叫*-guides）。出片前必须改回false，用npm run final（先跑scripts/check-edit.mjs，红框没关会拒绝出片）：所有字都在红框内（x60–1010，y250–1250，y>900 右 950） - 字幕 ≤2 行、每行 ≤12 字
- 钩子（前 3 秒）有画面，不只有字幕
- 每 5–10 秒有一次换场；约 1/3 时间不是正脸全屏
- 一段只有一个巨字
- 每个动画的音效不重复；约 1/3 字块安静
- 响度 −15 LUFS、真峰值 ≤ −2 dBFS
- 听一遍、看一遍动态（静帧看不出手感，下面「已知限制」）
8. 已知限制（别假装没有）
- 没有自动越界检测：靠
Txt/FitBox渲染时量宽→缩小→推回 + 红框目视。逐字打出和嵌套文字仍可能差几像素。 - 动态手感只能人看：静帧检查不出砸字力度、淡出时机。
- 抠像仅 macOS（Apple Vision）。
- 音效/BGM 不附带（版权）。
- 字搭配 / 动画还没做完：白底小块列表、白边抠像贴纸、取景框 / REC / 扫描线、散布错落、情绪字的人脸特效类、聊天气泡 CTA、拼音标注；粒子类 / 3D 类 / 光效转场动画、出场动画、循环动画（见两份 reference 的「还没做」）。
- 动画只验证了静帧（动到一半的时刻），没有逐帧核对速度曲线；动画倍数是从帧里估的。
- 钩子目前是「卡片」；电视彩条+「嘟」那类钩子还没做。
- 素材（B-roll）本身不附带：精剪组件里是占位画面，真用时传入实拍 / stock / AI 图；撕纸/运动模糊转场、黑场聚光灯、方窗 PIP、素材自动挑点还没做（见
douyin-jingjian.md）。 - 「精剪区每分钟 21–47 个切点」是 8 月的实测，这次没有重新量。
- 真人实拍的素材收尾（真实画面 + 抠像 + 签名）组件待补。
9. 代码在哪
可运行的起步项目：remotion/（npm install → 放视频 → 写 edit.json → npm run check → npm run final（出片前自动拦「红框没关」），细节读 remotion/README.md）。别在别处重写一套，用它。
先复制再用：装成 plugin 后这些文件在 Claude 的缓存目录里，更新时会被清掉，不要在原地 npm install 或放视频。先把 remotion/ 整个复制到用户的工作文件夹（cp -R <你读到本 SKILL.md 的目录>/remotion ./my-video），之后所有操作都在那份副本里做；references/ 和 tools/ 留在原地只读即可。
remotion/craft/：kit.tsx（SAFE、Zone、Txt/FitBox、主题）· layouts.tsx（12 款版式）· scenes.tsx（4 个换场 + 4 个精剪素材类 + LabelTag）· typo.tsx（5 个排版搭配）· motion.tsx（18 个入场动画预设 MotionText）· emotion.tsx（4 个情绪字）· glass.tsx（玻璃字 GlassWord + 字在人后 TextBehind）· gallery.tsx（预览合成 + 注册表）。
工具：tools/（补停顿、混 BGM、BGM 分析、音效库构建）。