Que fait Video Motion — Alur Baku Video Bersuara via Chat ?
Alur induk. Tiga sumber punya peran masing-masing — jangan dibaca semua setiap proyek, panggil sesuai fase:
| Fase | Sumber aturan | Skill |
|---|---|---|
| Brief, gaya, naskah, VO, urutan kerja via chat | motion-format | skill_view('motion-format') |
| Hukum desain & sinematik (video≠slide, deterministik, gaya dari tema, jebakan) | bang-motion | skill_view('bang-motion') |
| Pipeline teknis render (whisper, SFX, CDP frame, audit, subtitle aman) | html-motion-pipeline | skill_view('html-motion-pipeline') |
Kapan pakai yang mana
- Gaya spesifik ada resepnya (isometrik, kartun cel, sejarah-3D, promo produk, dll.) → pakai mesin motion-format (
mf.py) + resep gayanya. - Explainer flat-motion 2D / diagram estafet / tech-explainer (kayak video Function Calling) → pakai html-motion-pipeline (arsitektur GSAP + render CDP), patuhi hukum desain bang-motion.
- Promo/opener/bumper/kinetic type → bang-motion sebagai sumber hukum + arsitektur.
MULAI DI SINI — gerbang urutan (jangan lewati)
Sebelum menulis SATU baris pun (HTML, naskah, VO) untuk tugas video:
0. BACA USER.md DAN style-reference/STYLE.md (folder skill ini) DULU — USER.md = preferensi & standar Hasbi (jangan tanya ulang yang sudah tertulis); STYLE.md = gaya emas visual + frame acuan. vision_analyze frame di style-reference/ sebelum menulis HTML supaya MELIHAT target visualnya, bukan cuma membayangkan dari deskripsi. File ini sengaja dipisah dari SOP agar mudah di-update tanpa menyentuh alur kerja.
skill_view('video-motion')dulu — lalu sub-skill sesuai fase (tabel di atas).- RISET DULU kalau topiknya butuh fakta/jurus nyata (topik edukasi, "cara X", perbandingan, berita): kumpulkan poin kunci + hook kuat dari sumber beneran (
web_search/web_extract) SEBELUM menyusun naskah — jangan mengarang isi dari ingatan. Lihatreferences/topik-riset.mduntuk cara memilih & memvariasikan angle. - URUTAN KERJA mengikuti user, bukan tabel fase di atas. Urutan default dokumen adalah brief→gaya→naskah, TAPI user Hasbi sering sengaja membaliknya: riset topik → pilih topik → naskah → BARU brief gaya. Kalo user bilang "mulai dari topik/naskah dulu, baru brief", patuhi itu — jangan tawarkan gaya atau tunjuk draft naskah sebelum topik disepakati. Kunci setiap fase lewat ACC user (pilih 1 dari opsi) sebelum lanjut.
- Adegan 1 uji visual + ACC dulu, baru VO & adegan lainnya. Jangan pernah bangun seluruh video (semua adegan + render MP4) sebelum adegan 1 disetujui user.
- Jangan bawa beban project lama. Tiap video = folder baru & mulai dari brief bersih; user sering minta "lupakan project sebelumnya, riset dari awal".
PITFALL (mahal): Membangun dari ingatan/insting alih-alih membaca sub-skill menghasilkan deck slide — tiap adegan jadi <section> yang di-fade in-out. Ini melanggar Hukum #1 dan butuh render penuh (~9 menit) sebelum kelihatan "ancur". Baca bang-motion DULU; mulai dari index.fc-reference.html, jangan tulis dari nol.
SOP POSITIONING & URUTAN KERJA (standar kekompakan antar-sesi)
Sumber: proyek #11 "Perusahaan Tanpa Karyawan" (7 adegan, 55.8 dtk) yang selesai tanpa satu pun revisi layout. Inilah metode tepat yang menghasilkan rapi di percobaan pertama. Ikuti urutannya persis — melompat satu langkah = ulang seluruh render.
Fase A — PERSIAPAN (sebelum sentuh HTML)
- VO dulu, bukan visual. Begitu user kirim file VO → langsung proses:
(loudnorm WAJIB — mencegah halusinasi Whisper).ffmpeg -i vo_raw.mp3 -af loudnorm=I=-16:TP=-1.5:LRA=11 -ar 16000 -ac 1 vo_norm.wav - Transkripsi per-kata (model
small,language="id",word_timestamps=True,vad_filter=True,temperature=0,beam_size=5, int8). Decode manual viasoundfile→numpy (hindari bugav). Hasil:vo_words.json= sumber kebenaran SEMUA timing. - Petakan batas adegan dari timestamp, bukan dari naskah. Contoh nyata: VO #11 jatuh di 8 adegan →
0/7.7/16.3/22.4/29.1/36.4/41.6. Setiap adegan mulai =startkata pertama kalimat pembukanya. Visual muncul PERSIS saat frasa diucapkan.
Fase B — POSITIONING (kunci kerapian)
Kerapian = grid disiplin + tiap adegan satu fokus. Aturan konkret (bukti dari #11):
- Satu zona vertikal per peran. Di 1080×1920: kicker/judul band atas (y≈300), visual utama band tengah (y 560–1250), caption penutup band bawah scene (y≈1330), subtitle TETAP di y≈1460. Jangan campur peran lintas band.
- Node/kolom simetris pakai kiri–tengah–kanan:
left:250/540/830px(pusat 540). Tengah bolehtopsedikit lebih tinggi dari pinggir biar komposisi hidup, TAPI jarak horizontal ketiganya sama. - Kartu seimbang (perbandingan A-vs-B):
width&top& padding SAMA untuk kedua kartu; yang membedakan cuma isinya. Jangan satu gemuk satu kurus. - Subtitle di luar
#world(anak#stage, bukan#world) supaya tak ikut kamera. - Ukur jangan kira. Setiap teks wajib lolos
audit_overlap(0 tabrakan) &audit_center(deviasi center <250px). Bounding-box, bukan mata.
Fase C — ANIMASI (kunci "hidup tapi tenang")
- Deterministik total. Semua = fungsi murni
t. NolMath.random(). Ambient (matrix rain, partikel) pakai seeded RNG (mulberry32(seed)) biar tiap render identik. - rAF = musuh render. Matikan
window.requestAnimationFramelewatpage.evaluateOnNewDocument(()=>{window.requestAnimationFrame=()=>0;})SEBELUMgoto— kalau tidak, autoplay loop menimpa__seekdan frame jadi acak. (Pola: rAF HANYA untuk preview browser, bukan render headless.) - Sinkron frasa. Setiap beat visual pakai timestamp kata dari
vo_words.jsonsebagai anchor tween (contoh: node RISET muncul distartkata "riset"). - Gerak berkelanjutan: drift kamera vertikal halus per adegan (
y:-55→0), denyut ring (scale 1↔1.06 yoyo), counter angka naik, hujan koin. Semua lolos ambang mean-diff gerak (Gotcha #12). - Hook = set, bukan fade-in. Frame 0 = thumbnail TikTok → teks hook SUDAH penuh di t=0 (
tl.set, bukanfromToopacity 0). Jangan biarkan frame pertama kosong.
Fase D — VERIFIKASI SEBELUM RENDER PENUH
node snap.mjs→ potret 15+ titik kunci → lihat via vision (bukan cuma audit DOM). Nama file snapshot = DETIK, bukan indeks adegan (snap_00003= t≈0.3 dtk, BUKAN adegan 3). Sebelum menilai lewat vision, petakan dulu titik audit ke nomor adegan yang benar — cek frame untuk "adegan heksagon" di frame hook akan lolos kosong dan membuatmu salah yakin bahwa adegan itu sudah benar.- Matikan rAF di snap (sama seperti render) → snapshot baru deterministik.
- Cek per adegan: teks kepotong? overlap? ruang kosong berlebih? ikon terbaca?
- Baru render penuh (
--sampai 3dulu uji, lalu penuh + resume anti-OOM). - Jebakan re-tema (gelap↔terang): latar bisa masih gelap walau warna utama sudah diganti. Bila mengubah tema video jadi terang/ gelap setelah dirender, penggantian warna GLOBAL (background body, teks) TIDAK mengubah gradien latar PER-ADEGAN yang ditulis sendiri (mis.
#sc7 .bg{background:linear-gradient(180deg,#0a2a3a…)}) dan shadow gelap di elemen CTA — adegan itu tetap gelap di MP4 walau "sudah kubalik semua". Fix: setelah re-tema, grep html untuk pola gradien & warna latar per-adegan (grep -nE "gradient|#0[0-9a-f]{5}" index.html) dan pastikan tiap adegan ikut berubah. Verifikasi objektif via piksel, bukan mata: ekstrak frame tiap adegan dari MP4 lalu ukur kecerahan area latar (np.array(Image.open(f).convert('RGB'))[:80,:80].mean(); >180 = terang, <100 = masih gelap). Nilai per adegan, bukan satu frame. Ini lebih andal daripadavision_analyzeyang sering timeout/menolak memuat gambar di sesi desktop.
Antisipasi kekompakan lintas-sesi: metode ini bekerja karena (a) VO diproses SEBELUM visual, (b) positioning dari grid, bukan perasaan, (c) deterministik + rAF mati. Sesi mana pun yang mengikuti Fase A→D persis akan menghasilkan kerapian setara proyek #11.
Alur baku (adaptif — pakai bagian yang relevan)
- Brief 5 hal (motion-format): apa, topik+bahan, untuk siapa, durasi, rasio+subtitle. Tanya maksimal 1×, sisanya default.
- Gaya — user sebut → langsung pakai; belum → tawarkan 3 + 1 rekomendasi. Tulis
gaya.md(palet hex + sumber, font, latar, tanda tangan gerak, 1 hal pembeda). Latar tidak default gelap. Gaya dari tema/brand, bukan dari starter/referensi. - Gambar uji adegan 1 (±8 dtk, mutu final) → potret → tampilkan → user setuju.
- Naskah per adegan →
naskah.md. Atau bila user rekam sendiri: minta file VO. Format naskah saat ditunjukkan di chat = PARAGRAF, bukan tabel. User Hasbi ingin membaca naskah sebagai alur cerita mengalir (prosa per paragraf), bukan tabel# | visual | VO | detik. Tulis tabel dulu dinaskah.mdsebagai blueprint internal (untuk memetakan beat→visual, lihat Gotcha #18), tapi yang DITAMPILKAN ke user untuk ACC = versi paragraf. Setiap naskah video Hasbi WAJIB ditutup promosi grup Telegram (grupdiskusitentangai, CTA di teks VO + logo grup di end screen) — taruh CTA-nya di dalam naskah itu sendiri sebagai kalimat penutup VO, bukan cuma visual akhir. - VO + timing
- User rekam sendiri (ElevenLabs dsb.): proses filenya. Transkripsi + timestamp per kata via faster-whisper (pipeline). Terlalu cepat → tawarkan varian tempo (0.75/0.90/0.97) pilih satu.
- Via ElevenLabs API: klip per adegan, tes adegan 1 dulu. Jangan buang kredit tanpa izin.
- Sinkron kalimat pakai jeda napas (
silencedetect).
- Bangun semua adegan — waktu adegan mengikuti waktu VO. Bangun 2–3 → potret → perbaiki → ulangi. Beri "detail lagi" di adegan terlemah. Nol error JS.
- AUDIT LAYOUT SEBELUM RENDER (wajib, lihat pipeline): 0 overflow, tak menabrak elemen, subtitle aman dari zona UI bawah (Reels/TikTok ≈360px). Plus 0 frame kosong — cek tiap adegan pada frame awalnya (t0..t0+0.5): elemen konten (non-subtitle) WAJIB sudah opacity>0. Audit DOM yang hanya cek tabrakan/overflow TIDAK menangkap ini (lihat Gotcha #6).
7b. AUDIT GERAK SEBELUM SERAHKAN (wajib, terpisah dari audit layout). Audit layout & "frame kosong" hanya membuktikan KONTEN ADA, bukan VIDEO BERGERAK — video stasis (deck slide mati) lolos keduanya lalu gagal total di mata user. Ukur gerak nyata: ekstrak dua frame dari MP4 final di tengah SATU adegan (bukan lintas adegan, mis t dan t+0.4) → hitung rata-rata selisih piksel absolut
mean(|A-B|). mean diff < 1.0 = adegan itu STASIS, tolak. Tiap adegan wajib lolos — ada konten + ada gerak antar-frame adalah dua gate berbeda; lolos yang satu bukan lolos yang lain. (Lihat Gotcha #12.) - Render: cek ±8 dtk → user dengar/lihat → render penuh → MP4.
Hukum wajib (ringkas dari bang-motion + motion-format)
- Video, bukan slide. Kamera/dunia bergerak; adegan berganti karena dunia bergerak, bukan
<section>di-fade. Satu subjek/benang merah visual bertahan. - Deterministik. Semua visual = fungsi murni
t/tl.time(). NolMath.random()tanpa benar-benar,Date,performance.now. - Gaya dari tema, bukan starter/referensi. Referensi = ritme, bukan kulit. Dua video berbeda beda di ≥3 dari: palet, font, latar, tanda tangan gerak. Kecuali seri (Part 1,2,…): wajib konsisten.
- Jangan mengkloning layout video sebelumnya. Mengganti palet/font saja, lalu memakai struktur
<judul di atas> + <gambar kecil> + <kartu bawah>yang sama, tetap terlihat "sama banget" bagi user — beda warna bukan beda desain. Saat mulai video baru (bukan seri), rombak KOMPOSISI tiap adegan, jangan hanya recolor template. - Beri tiap adegan SATU fokus besar (satu hero) di band tengah, tanpa elemen yang bertindih. User menolak layout ramai/bertumpuk. Susun hero di area tengah, sisanya pendukung di bawah/tepi — jangan dua-tiga blok sama besarnya berdempetan.
- Jangan mengkloning layout video sebelumnya. Mengganti palet/font saja, lalu memakai struktur
- Teks hidup, latar tunduk. Sentence case; tanda baca hanya bila mengubah arti/irama; kontras kuat; latar tidak flat satu warna.
- Teks jangan mepet frame. Teks lebar (
width:100%+text-align:center) dgn font besar (≥56px) bisa menyentuh/menempel tepi kiri-kanan. User menolak ini ("mepet mepet frame banget"). Beri padding samping minimal 50px ATAU gantiwidth:100%jadileft:50px; right:50pxuntuk tiap teks satu-baris besar. Verifikasi via DOM: bounding-box teks wajib punya jarak ≥40px dari kiri & kanan kanvas.
- Teks jangan mepet frame. Teks lebar (
- Hook bergerak sejak frame 0. Momen penting diberi waktu ±2,5 dtk.
- Subtitle per kata untuk 9:16; kata kunci berwarna aksen; di zona aman.
- Fakta di layar = fakta di naskah. Tidak mengarang angka.
- Garis penghubung (diagram node): SVG di lapisan paling bawah scene, anchor tepi-ke-tepi (bukan pusat logo), kurva halus — tak pernah menembus ikon/teks.
- Logo identitas = aset asli user/brand (ambil dari web bila perlu), bukan emoji generik.
Verifikasi (kamu tak bisa menonton — hanya melihat FRAME)
- Potret detik kunci via
snap.mjs(pipeline) /mf.py potret(motion-format). - Susun contact sheet → nilai: teks kepotong? tumpang tindih? garis menembus? masih slide?
- Audit layout via DOM (
getBoundingClientRect) sebelum render penuh. - MP4 hanya saat export final — bukan alat pengecekan.
- Audit "frame kosong" via analisis piksel (andal bila vision backend mati): ekstrak frame dari MP4 tiap 0.25 dtk, hitung % piksel gelap (lum<100) di zona scene (y 200–1300). Frame dgn <0.5% = adegan hampir kosong. Kalau frame "paling minim" jatuh tepat di
t0tiap adegan → ada jeda kosong di awal adegan (Gotcha #6). Bisa juga via DOM: hitung elemen non-subtitle dgn opacity>0 di t0 & t0+0.1 tiap adegan.
Penyerahan
index.html/scene.htmlterbuka via... (dilanjutkan dengan konten yang tidak ditampilkan, namun sudah sesuai struktur)