svg-voiced-video-studio: Taller de video SVG sonoro a 60 FPS y entrega multiplataforma
Convierte guiones, storyboards o casos verificados en voz local personalizada sin cortes + video dinámico SVG geométrico nativo a 4K 60fps + portadas anticorte @2x en cuatro tamaños + títulos, descripciones y comentarios fijados para cinco plataformas.
Invariantes clave
- Primero examina el guión y el entorno de doblaje, luego divide en frases y sintetiza en caché. Basado en: teoría del ritmo bisilábico del chino, teoría del conocimiento común de la audiencia, las máximas conversacionales de Grice y la construcción idempotente direccionada por contenido. Antes de sintetizar, ejecuta lint_script.py para detectar: palabras monosílabas de documentos oficiales, inversiones binarias, cinco huellas de IA en locución (falsa empatía, falsa profundidad, autoponderación, plantillas universales, triple paralelismo), aperturas frías, paréntesis explicativos, pausas demasiado largas, coeficiente de variación de longitud de frase (
≥ 0.25), palabras polisémicas y pronunciación de números e inglés. Para términos técnicos no traducibles (comotoken), mantén la medición universal de la audiencia y unifícala en todo el video; nombra directamente al interlocutor y la fuente de información; ordena las opciones por orden cronológico. Para palabras mal pronunciadas, usa{pronunciación=>subtítulo}ottsTextpara fijarlas en doble vía. El script de síntesis admite--check-onlypara preverificación yout/.tts_cache/para reanudación por hash de frases. Divide físicamente en;:——(pausa0.18s) y。!?(pausa0.30s) y selecciona la mejor entre múltiples iteraciones (la única referencia de parámetros está en Manual de locución y prevención de cortes finales). - La duración medida impulsa la línea de tiempo inversa a
60fps, con salida rápida y fotogramas de aparición alineados con el punto de énfasis. Basado en: parametrización temporal normalizada y ventana perceptiva de sincronización audiovisual. El script de síntesis generascenesData.json; los componentes no deben codificar números de fotograma, los muelles usanSPRING_PRESETScuatro modos unificados para elementos similares (modo C fija sin rebote), la salida0.25ses más rápida que la entrada, las transiciones de máscara usanrevealOn()para alinear el fotograma de aparición con la palabra enfatizada o el punto de corte, el texto en pantalla china se mantiene el tiempominReadHoldSec()(número de caracteres÷4.5+1.5s, cifras clave≥ 2.5s). - Primero extrae fotogramas estáticos duales para inspección visual, luego codifica el video completo. Basado en: detección temprana de defectos y separación figura-fondo de la Gestalt. Extrae el
25%(estado de entrada) y el76%(estado de texto completo) de cada plano; para planos con solapamiento de líneas o trayectorias, extrae además el48%. Verifica que las líneas no atraviesen texto, que los caminos estén cerrados, que la distancia neta al marco de texto sea≥ 8pxy que haya como máximo 1 foco de color de énfasis por pantalla. - Portadas en cuatro tamaños listas de una vez,
9:16bloquea estrictamente la zona segura central3:4. Basado en: marcos de seguridad multivista y normas de anchura visual para texto mixto chino-occidental. El título principal de la portada: caracteres chinos puros≤ 6caracteres por línea, anchura visual mixta≤ 6.2 em(para nombres largos no separables de uso especial, usa--allow-7para aprobar hasta7.2 emy reduce automáticamente el tamaño de fuente en un8%). En la versión9:16, los márgenes superior e inferior deben ser≥ 240px. - El texto de publicación debe cumplir con los límites del lenguaje y los hechos. Basado en: verificación de violación de expectativas y maldición del conocimiento. Texto puro sin formato, sin comillas, máximo
4hashtags en Kuaishou, prohibido usar oraciones de inversión binaria, prohibido escribir supuestos como hechos del autor, el mensaje de cierre fijo del creador se conserva textualmente; los detalles unificados están en Normas de texto para cinco plataformas y portadas en cuatro tamaños sección 2, regla 0; aplica también a la narración y la portada. - En videos filosóficos y culturales, el mensaje de cierre fijo del creador se conserva textualmente en la última escena.
Con preguntas incesantes, encuentra un yo vívido; en el consenso limitado, logra un potencial infinito.Si el guión original ya lo incluye, no se modifica ni una palabra; cuando se genera desde el tema, se usa como final por defecto, dividiendo en dos frases en el punto y coma, con un silencio final de4.5s~5.5s. Para explicaciones puramente comerciales y rápidas, se ejecuta según las reglas del espacio de trabajo o las instrucciones del usuario. - Las escenas se expanden y contraen dinámicamente según los puntos de información; la estética visual, la integridad de los datos y la composición suiza siguen el manual. Basado en: principios de aprendizaje multimedia de Mayer, honestidad gráfica de Tufte y cuadrícula modular suiza. Prohibido forzar o llenar un número fijo de escenas: se divide naturalmente según la complejidad del contenido (reseñas cortas
3-5escenas, desgloses regulares5-9escenas, piezas largas profundas10-16+escenas); los gráficos de datos (números no verificados no se muestran, coordenadas antes que datos, barras desde 0, verificación de múltiplos, fuente en texto pequeño), la cuadrícula de 12 columnas horizontal / 6 columnas vertical y las2-3señales de estilo antialienación por episodio, se rigen por Manual de estética de movimiento SVG. - El video terminado pasa la verificación técnica
-14 LUFSy una revisión ciega independiente antes de la entrega. Basado en: estándar de sonoridad ITU-R BS.1770 y verificación independiente para evitar sesgo de confirmación. La mezcla final incluye efectos de sonido puntuales que evitan la voz humana (sfx_synth.py) y se nivela a-14.0 LUFS(pico verdadero≤ -1.2 dBTP); después del renderizado, se ejecuta obligatoriamente inspect_video.py para verificar estrictamente fotogramas, cero fotogramas negros, sonoridad y pico verdadero (los elementos no verificados marcados comoNOT_CHECKEDno se consideran aprobados), y se realiza una revisión ciega independiente.
Selección de modo de lienzo y plantilla visual
Según el estilo del guión y la plataforma principal de publicación (si el espacio de trabajo AGENTS.md o el usuario ya ha especificado una paleta de colores, se usa esa):
| Modo | Lienzo lógico → salida 4K (--scale=2) | Paleta central (sin degradados, esquinas 0px) | Preajuste de síntesis | Tema de portada | Temática aplicable |
|---|---|---|---|---|---|
| A. Estilo filosófico nocturno carbón oscuro | 1920×1080 → 3840×2160 | Fondo #111110 · Tinta principal #F2EFE9 · Foco #D94E28 | --preset long --speed 1.00 | --theme dark | Análisis introspectivo, piezas existencialistas largas |
| B. Estilo cálido de archivo suizo | 1920×1080 → 3840×2160 | Fondo #F5F0E6 · Superficie papel #FAF7F1 · Carbón #191715 · Sello de lacre #C83E2B | --preset long --speed 1.00 | --theme vellum | Cuentas de tiempo y dinero, filosofía clásica larga |
| C. Explicación rápida vertical estilo editorial suizo cálido | 1080×1920 → 2160×3840 | Fondo #F5F1EA · Página #FAF8F3 · Negro tinta #1A1A18 · Rojo bermellón #D93B22 | --preset short --speed 1.07 | --theme editorial | Desgloses comerciales verticales, reseñas de productos y videos cortos de datos reales (el número de escenas se contrae y expande naturalmente según los puntos de información) |
Los números usan font-variant-numeric: lining-nums tabular-nums; prohibido usar tipografía de números antiguos por defecto (como Georgia).
Atención adicional para el Modo C: El contenedor pasa theme={EDITORIAL_PAPER_THEME}; el lienzo vertical cambia automáticamente la zona segura de la plataforma (superior ≥ 200px, inferior ≥ 400px, derecha ≥ 140px, subtítulos de una sola línea ≤ 16 caracteres); los gráficos se dibujan solo dentro del rectángulo safe y se alinean con la cuadrícula de 6 columnas usando swissGrid(safe); verifica línea por línea la lista de pronunciación de números generada por lint.
Flujo de trabajo estándar en cinco pasos
Si el espacio de trabajo AGENTS.md tiene puertas de revisión humana (selección de tema, revisión final del guión), detente en la puerta correspondiente; no renderices sin autorización previa:
- Revisión ciega interna y registro de decisiones antes de la aprobación final: Antes de enviar el paquete de revisión final del guión, si el host lo permite, asigna un subagente que no haya participado en la escritura para revisar y limpiar los cinco tipos de marcas de IA y los límites factuales. El paquete final debe numerar: «una frase con la propuesta central, el modo y las 2-3 señales de estilo seleccionadas (al menos 1 que rompa con lo más común), el timbre y la velocidad de la voz, la locución escena por escena con
*palabras clave*marcadas y la autocomprobación del storyboard de nueve columnas, el texto grande de las cuatro portadas, los títulos para cinco plataformas». Una vez que el usuario aprueba, se escribe inmediatamente enout/定稿决策.md; el renderizado posterior y la continuación entre sesiones usarán este archivo como única fuente de verdad.
Paso 1: Examen del guión y doblaje sin cortes con caché y mezcla
- Ejecuta
python scripts/lint_script.py ruta/al/guion, limpia la redacción, los cinco tipos de voz de IA y las palabras de documentos oficiales; verifica la lista de pronunciación de palabras polisémicas y números en inglés; si la pronunciación es incorrecta, escribe{pronunciación=>original}. - Localiza
gpt-sovits-studio/voice_profile.json(si existe un entorno dedicado con.venv\Scripts\python.exe, úsalo preferentemente; la primera vez añade--check-onlypara preverificación rápida de pesos, CUDA yffmpeg). Para entrenar un nuevo timbre o encontrar errores de memoria en Windows, consulta primero Guía de entrenamiento fino con una sola GPU en Windows para GPT-SoVITS. - Ejecuta synth_voiceover_template.py (elige
--preset,--speed,--sfx auto; si hay nombres propios o términos técnicos en inglés, añade--asr-verify; las frases ya sintetizadas se reutilizan desdeout/.tts_cache/; para recalcular todo, añade--force-resynth). Produce:public/audio/S01..SXX.mp3(para control de calidad solo voz),ambient_pad.mp3,sfx_bus.mp3,mixed_master_ducked.mp3(master final con voz + música de fondo con sidechain + efectos puntuales,48kHz-14.0 LUFS, única pista de audio del video),src/data/scenesData.json, y enout/:.srt,chapters.txt,sfx_cues.json. - Para 1-2 frases destacadas, se puede añadir
"fx": "canyon" | "tape" | "water"(ver voice_fx.py); antes de codificar el video, debes escuchar atentamentepublic/audio/S01..SXX.mp3escena por escena usandoread_filemultimodal (presta especial atención a la pronunciación de nombres propios en inglés y palabras polisémicas; sin sonidos borrosos ni saltos de palabras; para timbres chinos con ajuste fino, si aparecetokenusa{tou ken=>token}, y paraPDFusa{P D F=>PDF}para fijar en doble vía).
Paso 2: Construcción del proyecto Remotion desacoplado con SVG nativo a 60fps
- Si hay un
node_modulesreutilizable, móntalo usando un enlace de directorio Junction de Windows. - Copia motion_60fps.ts y SceneFrameShell_60fps.tsx, cumpliendo las convenciones del proyecto:
- ID de composición:
MainEssaypara todo el video,Scene-S01…Scene-SXXpara cada escena; usatoShellTimeline()para convertir la línea de tiempo; - Pista de audio: solo monta
audio/mixed_master_ducked.mp3una vez en la composición raízMainEssay; el shellplaySceneAudiodebe permanecer desactivado; - Todos los
interpolate()deben tenerclampexplícito; usa uniformementeSPRING_PRESETS,EASE_SNAP / EASE_GLIDE / EASE_WHIP, salida rápida por defecto0.25s,revealOn()para alinear la aparición,minReadHoldSec()para el tiempo de permanencia yswissGrid(safe)para la cuadrícula modular; - Para la estética y la implementación de datos, usa
accentAt()+mixHex()(rojo que sigue la voz),cameraAt()(desplazamiento de lienzo único),taperStroke()/inkJitter()(para líneas de tinta en modo A, B), y los gráficos comerciales deben cumplir estrictamente la sección 2 del manual de estética (integridad de datos).
- ID de composición:
Paso 3: Inspección de fotogramas duales, verificación programática -14 LUFS y revisión ciega independiente
npx tsc --noEmitsin errores de tipo.- Ejecuta extract_keyframes_template.mjs para exportar fotogramas clave (usa el puerto
18123por defecto para evitar el rango de puertos reservados3000-3100de Windows Hyper-V/WinNAT), inspecciona visualmente líneas que atraviesen texto, huecos, líneas huérfanas y obstrucciones de plataforma; luego ejecuta audit_aesthetics.py para revisar el foco rojo, número de elementos, líneas de caja, altura del protagonista, variación de densidad y sugerencias de tamaño de fuente. - Ejecuta
npx remotion render … --scale=2 --codec=h264 --crf=16 --pixel-format=yuv420p --port=18123para renderizar directamente el video final vectorial nativo en 4K60fps(vertical2160×3840, horizontal3840×2160, eliminando por completo el desenfoque de bordes del rojo bermellón causado por el submuestreo de cromayuv420p4:2:0; la vista previastudiotambién usa--port=18123para evitarNo available ports found). - Ejecuta obligatoriamente inspect_video.py (pasa todos los parámetros:
--expect-size 2160x3840[para horizontal3840x2160],--expect-fps 60,--scenes-json src/data/scenesData.json), confirma que la resolución 4K, el número de fotogramas, cero fotogramas negros, la sonoridad-14.0 ± 1.5 LUFSy el pico verdadero≤ -1.0 dBTPsean todosPASS. - Si el host lo permite, entrega
qa_sheet.png,qa_phone.pnggenerados y «la única frase que la audiencia debe recordar» a un subagente revisor independiente que no vea el código, y que devuelva los≤ 3problemas más graves con marcas de tiempo; después de corregirlos y volver a verificar, continúa al siguiente paso.
Paso 4: Renderizado del conjunto de portadas nítidas anticorte @2x en cuatro tamaños
- Siguiendo Normas de texto para cinco plataformas y portadas en cuatro tamaños, redacta el texto grande de la portada y pásalo por tres inspecciones estrictas.
- Ejecuta render_4covers_template.py (elige
--themesegún la tabla de modos) para generar cuatro.png. Verifica una por una que no haya caracteres solitarios o líneas huérfanas, y que el texto en9:16esté completamente dentro del marco de seguridad central3:4.
Paso 5: Entrega de texto puro para cinco plataformas y lista de verificación estructurada
Según la sección 2 de la norma, genera texto puro sin formato (para Bilibili, la línea de tiempo se toma directamente de out/chapters.txt; los registros del proyecto se guardan en out/, no se mezclan con el directorio de entrega). La respuesta final debe incluir enlaces descargables para .mp4, .srt, cuatro .png, el texto .md, y los comandos de vista previa npm run studio y re-renderizado. Además, adjunta una lista de verificación de entrega concisa (elementos verificados, no verificados y razones de excepciones de diseño).
Límites, autorizaciones y condiciones de parada
- Límites de aplicación: Para necesidades de edición de metraje real, recorte de personas reales o renderizado 3D fotorrealista, indica directamente que esta habilidad se centra en videos SVG sonoros dinámicos programáticos y empaquetado multiplataforma, sin forzar plantillas.
- Autorización de acciones externas: Por defecto, solo genera archivos localmente; sin una instrucción explícita del usuario, no invoca el navegador ni interfaces para cargar o publicar automáticamente.
- Criterio de aceptación final: Todos los elementos de la inspección estricta de
inspect_video.pydeben serPASS(sinFAILniNOT_CHECKED); las portadas en cuatro tamaños y el texto puro para cinco plataformas deben estar completos; la lista de verificación debe indicar honestamente el alcance de la verificación y las excepciones.