Communitygithub.com

svg-voiced-video-studio

Convierte guiones, storyboards o temas seleccionados en videos dinámicos SVG geométricos nativos a 60 FPS con voz local personalizada, portadas nítidas anticorte en cuatro tamaños, subtítulos SRT sincronizados y títulos, descripciones y comentarios fijados optimizados para cinco plataformas (Bilibili, Xiaohongshu, Douyin, WeChat Channels, Kuaishou).

¿Qué es svg-voiced-video-studio?

Esta habilidad está diseñada para creadores de contenido y agentes de IA que necesitan producir videos explicativos de alta calidad con voz sintetizada local y estética visual programática. Acepta guiones de locución, storyboards o temas seleccionados y los transforma en videos SVG dinámicos a 60 FPS (4K) con doblaje personalizado (a través de GPT-SoVITS), subtítulos SRT y un conjunto completo de portadas en cuatro tamaños (9:16, 16:9, 1:1, 4:5) listas para ser publicadas en las principales plataformas chinas. El flujo de trabajo es altamente riguroso: primero analiza y corrige el guión para eliminar marcas de IA y errores de pronunciación, luego genera y almacena en caché el doblaje frase por frase para evitar cortes (con soporte para reanudar en caso de interrupción), y finalmente orquesta la sincronización visual con la duración medida del audio. La salida incluye un video mudo de referencia SVG, archivos de audio por separado, un JSON de tiempo de escenas y un informe de garantía de calidad. Su punto fuerte es la prevención de problemas comunes como palabras cortadas en la síntesis de voz, errores en la animación de fotogramas clave o violaciones de las reglas de seguridad específicas de la plataforma (por ejemplo, texto superpuesto con elementos clave). También proporciona un proceso de revisión independiente para verificar la calidad del audio y el video. Es compatible con plataformas de agentes como Claude Code, Cursor y Codex, y se basa en un manual de referencia detallado (disponible en `references/`) que define la estética visual, las reglas de composición tipográfica y las pautas de redacción para cada plataforma.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/zou172866/svg-voiced-video-studio/tree/main/skills/svg-voiced-video-studio

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

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

  1. 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 (como token), 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} o ttsText para fijarlas en doble vía. El script de síntesis admite --check-only para preverificación y out/.tts_cache/ para reanudación por hash de frases. Divide físicamente en ;:—— (pausa 0.18s) y 。!? (pausa 0.30s) y selecciona la mejor entre múltiples iteraciones (la única referencia de parámetros está en Manual de locución y prevención de cortes finales).
  2. 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 genera scenesData.json; los componentes no deben codificar números de fotograma, los muelles usan SPRING_PRESETS cuatro modos unificados para elementos similares (modo C fija sin rebote), la salida 0.25s es más rápida que la entrada, las transiciones de máscara usan revealOn() para alinear el fotograma de aparición con la palabra enfatizada o el punto de corte, el texto en pantalla china se mantiene el tiempo minReadHoldSec() (número de caracteres÷4.5+1.5s, cifras clave ≥ 2.5s).
  3. 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 el 76% (estado de texto completo) de cada plano; para planos con solapamiento de líneas o trayectorias, extrae además el 48%. Verifica que las líneas no atraviesen texto, que los caminos estén cerrados, que la distancia neta al marco de texto sea ≥ 8px y que haya como máximo 1 foco de color de énfasis por pantalla.
  4. Portadas en cuatro tamaños listas de una vez, 9:16 bloquea estrictamente la zona segura central 3:4. 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 ≤ 6 caracteres por línea, anchura visual mixta ≤ 6.2 em (para nombres largos no separables de uso especial, usa --allow-7 para aprobar hasta 7.2 em y reduce automáticamente el tamaño de fuente en un 8%). En la versión 9:16, los márgenes superior e inferior deben ser ≥ 240px.
  5. 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 4 hashtags 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.
  6. 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 de 4.5s~5.5s. Para explicaciones puramente comerciales y rápidas, se ejecuta según las reglas del espacio de trabajo o las instrucciones del usuario.
  7. 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 3-5 escenas, desgloses regulares 5-9 escenas, piezas largas profundas 10-16+ 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 las 2-3 señales de estilo antialienación por episodio, se rigen por Manual de estética de movimiento SVG.
  8. El video terminado pasa la verificación técnica -14 LUFS y 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 como NOT_CHECKED no 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):

ModoLienzo lógico → salida 4K (--scale=2)Paleta central (sin degradados, esquinas 0px)Preajuste de síntesisTema de portadaTemática aplicable
A. Estilo filosófico nocturno carbón oscuro1920×1080 → 3840×2160Fondo #111110 · Tinta principal #F2EFE9 · Foco #D94E28--preset long --speed 1.00--theme darkAnálisis introspectivo, piezas existencialistas largas
B. Estilo cálido de archivo suizo1920×1080 → 3840×2160Fondo #F5F0E6 · Superficie papel #FAF7F1 · Carbón #191715 · Sello de lacre #C83E2B--preset long --speed 1.00--theme vellumCuentas de tiempo y dinero, filosofía clásica larga
C. Explicación rápida vertical estilo editorial suizo cálido1080×1920 → 2160×3840Fondo #F5F1EA · Página #FAF8F3 · Negro tinta #1A1A18 · Rojo bermellón #D93B22--preset short --speed 1.07--theme editorialDesgloses 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 en out/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

  1. 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}.
  2. Localiza gpt-sovits-studio/voice_profile.json (si existe un entorno dedicado con .venv\Scripts\python.exe, úsalo preferentemente; la primera vez añade --check-only para preverificación rápida de pesos, CUDA y ffmpeg). 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.
  3. 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 desde out/.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 en out/: .srt, chapters.txt, sfx_cues.json.
  4. Para 1-2 frases destacadas, se puede añadir "fx": "canyon" | "tape" | "water" (ver voice_fx.py); antes de codificar el video, debes escuchar atentamente public/audio/S01..SXX.mp3 escena por escena usando read_file multimodal (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 aparece token usa {tou ken=>token}, y para PDF usa {P D F=>PDF} para fijar en doble vía).

Paso 2: Construcción del proyecto Remotion desacoplado con SVG nativo a 60fps

  1. Si hay un node_modules reutilizable, móntalo usando un enlace de directorio Junction de Windows.
  2. Copia motion_60fps.ts y SceneFrameShell_60fps.tsx, cumpliendo las convenciones del proyecto:
    • ID de composición: MainEssay para todo el video, Scene-S01…Scene-SXX para cada escena; usa toShellTimeline() para convertir la línea de tiempo;
    • Pista de audio: solo monta audio/mixed_master_ducked.mp3 una vez en la composición raíz MainEssay; el shell playSceneAudio debe permanecer desactivado;
    • Todos los interpolate() deben tener clamp explícito; usa uniformemente SPRING_PRESETS, EASE_SNAP / EASE_GLIDE / EASE_WHIP, salida rápida por defecto 0.25s, revealOn() para alinear la aparición, minReadHoldSec() para el tiempo de permanencia y swissGrid(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).

Paso 3: Inspección de fotogramas duales, verificación programática -14 LUFS y revisión ciega independiente

  1. npx tsc --noEmit sin errores de tipo.
  2. Ejecuta extract_keyframes_template.mjs para exportar fotogramas clave (usa el puerto 18123 por defecto para evitar el rango de puertos reservados 3000-3100 de 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.
  3. Ejecuta npx remotion render … --scale=2 --codec=h264 --crf=16 --pixel-format=yuv420p --port=18123 para renderizar directamente el video final vectorial nativo en 4K 60fps (vertical 2160×3840, horizontal 3840×2160, eliminando por completo el desenfoque de bordes del rojo bermellón causado por el submuestreo de croma yuv420p 4:2:0; la vista previa studio también usa --port=18123 para evitar No available ports found).
  4. Ejecuta obligatoriamente inspect_video.py (pasa todos los parámetros: --expect-size 2160x3840 [para horizontal 3840x2160], --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 LUFS y el pico verdadero ≤ -1.0 dBTP sean todos PASS.
  5. Si el host lo permite, entrega qa_sheet.png, qa_phone.png generados y «la única frase que la audiencia debe recordar» a un subagente revisor independiente que no vea el código, y que devuelva los ≤ 3 problemas 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

  1. 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.
  2. Ejecuta render_4covers_template.py (elige --theme según la tabla de modos) para generar cuatro .png. Verifica una por una que no haya caracteres solitarios o líneas huérfanas, y que el texto en 9:16 esté completamente dentro del marco de seguridad central 3:4.

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.py deben ser PASS (sin FAIL ni NOT_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.

Skills relacionados