svg-voiced-video-studio : Atelier de vidéos SVG sonores 60ips et livraison multiplateforme
Transformez un script, un storyboard ou un cas validé en doublage vocal local sans coupure + vidéo SVG géométrique native 4K 60ips + couvertures @2x quatre formats anti-rognetage + titres, descriptions et commentaire épinglé pour cinq plateformes.
Invariants clés
- Auditer d'abord le script et l'environnement de doublage, puis assembler par phrases avec cache. Basé sur la théorie du rythme dissyllabique du chinois, la théorie des bases communes de l'auditoire, les maximes de Grice et la construction idempotente par adressage de contenu. Avant la synthèse, exécuter impérativement lint_script.py : vérifier les mots isolés de type document officiel, les inversions binaires, les cinq types d'empreinte IA vocale (fausse empathie, fausse profondeur, auto-pondération, modèle universel, parallélisme ternaire), les annonces à froid, les parenthèses complémentaires, les souffles trop longs, le coefficient de variation de longueur de phrase (
≥ 0,25), la lecture des homophones et des chiffres/anglais ; pour les termes techniques, conserver l'unité de mesure commune (ex.token) et l'uniformiser sur toute la vidéo, nommer les objets et sources par leur vrai nom, ordonner les choix par chronologie ; les mots mal prononcés sont verrouillés par{prononciation=>sous-titre}outtsTextsur deux pistes. Le script de synthèse supporte--check-onlypour la pré-vérification etout/.tts_cache/pour la reprise par hachage de phrase, avec découpage physique aux;:——(souffle0,18s) et。!?(souffle0,30s) et sélection de la meilleure itération (seule référence paramétrique dans le manuel d'artisanat vocal et de script). - La durée réelle mesurée pilote la timeline
60ipsen sens inverse ; sortie rapide et image de révélation alignée sur le point de frappe. Basé sur la paramétrisation temporelle normalisée et la fenêtre de perception audiovisuelle synchrone. Le script de synthèse écritscenesData.json; les composants ne doivent jamais coder en dur de numéro d'image ; les ressorts utilisentSPRING_PRESETSen quatre niveaux unifiés pour les éléments similaires (mode C verrouillé sans rebond), sortie0,25splus rapide que l'entrée, transitions par masque avecrevealOn()pour aligner l'image de révélation sur le mot accentué ou le point de coupe, texte chinois à l'écran maintenuminReadHoldSec()(nombre de caractères÷4,5+1,5s, chiffres clés≥ 2,5s). - Extraire d'abord deux images clés statiques (état d'entrée et état texte plein) pour inspection visuelle, puis encoder la vidéo complète. Basé sur le déplacement précoce de la détection de défauts et la séparation fond/forme de la Gestalt. Pour chaque scène, extraire
25%(état entrée) et76%(état texte plein) ; pour les scènes avec fragments ou croisements de trajectoire, extraire en plus48%; vérifier que les lignes ne traversent pas le texte, que les chemins sont fermés, que la distance nette au cadre de texte est≥ 8px, et qu'il y a au plus 1 point focal de couleur d'accentuation par écran. - Les quatre formats de couverture sont produits en une fois, avec verrouillage strict de la zone de sécurité
3:4centrale pour le format9:16. Basé sur les normes de cadre de sécurité multi-viewport et de largeur visuelle des caractères pour le mixte chinois-occidental. Le titre principal de la couverture en pur chinois ne dépasse pas6caractères par ligne, en mixte chinois-occidental la largeur visuelle ne dépasse pas6,2 em(pour les noms propres longs et insécables, autorisation spéciale--allow-7jusqu'à7,2 emavec réduction automatique de la taille de police de8%), le format9:16nécessite des marges haut et bas≥ 240px. - Les textes de publication respectent les limites linguistiques et factuelles. Basé sur la vérification de violation d'attentes et la malédiction de la connaissance. Texte pur sans formatage, pas de guillemets, maximum
4hashtags sur Kuaishou, interdiction des phrases d'inversion binaire, interdiction d'écrire des hypothèses comme des faits avérés par l'auteur, conservation textuelle de la phrase de fin fixe du créateur — les détails sont unifiés dans la section 2, article 0 du Cahier des charges des textes cinq plateformes et couvertures quatre formats, applicable également à la narration et aux couvertures. - Les films philosophiques et humanistes conservent textuellement la phrase de fin fixe du créateur dans la dernière scène.
À travers des questions incessantes, trouver un soi vivant ; dans un consensus limité, atteindre des possibilités infinies.Si le script original la contient, la garder inchangée ; si elle est générée à partir du sujet, l'utiliser comme fin de la dernière scène par défaut, la couper en deux phrases au point-virgule, et laisser un blanc de4,5s~5,5sen fin de phrase. Les commentaires rapides purement commerciaux suivent les règles de l'espace de travail ou les instructions de l'utilisateur. - Le nombre de scènes s'adapte dynamiquement en fonction des points d'information ; l'esthétique visuelle, la précision des données et la mise en page suisse suivent le manuel. Basé sur les principes d'apprentissage multimédia de Mayer, l'honnêteté graphique de Tufte et la grille modulaire suisse. Interdiction de caler ou de remplir un nombre fixe de scènes : découpage naturel selon « une scène = un point d'information central » (commentaire court
3~5scènes, analyse standard5~9scènes, long métrage10~16+scènes) ; les graphiques de données (interdiction d'afficher des chiffres non vérifiés, d'abord les axes puis les données, barres à partir de 0, vérification des ratios, source en petit texte), la grille 12 colonnes horizontal / 6 colonnes vertical, et les2~3signaux de style anti-homogénéisation par projet suivent le Manuel d'esthétique du mouvement SVG. - La vidéo finale est livrée après un contrôle technique
-14 LUFSet une double validation aveugle indépendante. Basé sur la norme de loudness ITU-R BS.1770 et la vérification indépendante pour éviter le biais de confirmation. Le mixage final intègre des effets sonores évitant la voix (via sfx_synth.py) et normalise à-14,0 LUFS(pic réel≤ -1,2 dBTP) ; après rendu, exécuter impérativement inspect_video.py pour vérifier le nombre d'images, l'absence d'images noires, la loudness et le pic réel (un élément marquéNOT_CHECKEDn'est pas considéré comme conforme), et effectuer une validation aveugle indépendante.
Choix du mode visuel et du canevas
En fonction du ton du script et de la plateforme de publication principale (si l'espace de travail AGENTS.md ou l'utilisateur a spécifié une palette, s'y conformer) :
| Mode | Canevas logique → Sortie 4K (--scale=2) | Palette de couleurs (zéro dégradé, angles droits 0px) | Préréglage de synthèse | Thème de couverture | Sujets adaptés |
|---|---|---|---|---|---|
| A. Style philosophique nuit profonde charbon | 1920×1080 → 3840×2160 | Fond #111110 · Encre principale #F2EFE9 · Accent #D94E28 | --preset long --speed 1.00 | --theme dark | Introspection, longs métrages existentiels |
| B. Style suisse classique registre chaud | 1920×1080 → 3840×2160 | Fond #F5F0E6 · Papier #FAF7F1 · Encre charbon #191715 · Cachet cire #C83E2B | --preset long --speed 1.00 | --theme vellum | Registres de temps et d'argent, philosophie classique |
| C. Style suisse papier chaud vertical rapide | 1080×1920 → 2160×3840 | Fond #F5F1EA · Pages #FAF8F3 · Noir encre #1A1A18 · Rouge vermillon #D93B22 | --preset short --speed 1.07 | --theme editorial | Analyses commerciales verticales, comparatifs produits, données financières (nombre de scènes variable) |
Uniformiser les chiffres avec font-variant-numeric: lining-nums tabular-nums, interdiction des polices de chiffres old-style (ex. Georgia).
Attention particulière pour le mode C : le shell transmet theme={EDITORIAL_PAPER_THEME} ; le canevas vertical bascule automatiquement les zones de sécurité des plateformes (haut ≥ 200px, bas ≥ 400px, droite ≥ 140px, sous-titres ≤ 16 caractères par ligne) ; les graphiques ne sont dessinés que dans le rectangle safe et s'alignent sur la grille swissGrid(safe) à 6 colonnes ; vérifier une par une la liste de lecture des chiffres issue de lint.
Flux de travail standard en cinq étapes
Si l'espace de travail AGENTS.md définit des points de validation humaine (sujet, script final), s'arrêter à ces points ; ne jamais lancer le rendu sans validation :
- Validation interne et décision avant finalisation : avant de soumettre le pack de script final, si l'hôte supporte les sous-agents, envoyer d'abord un sous-agent n'ayant pas participé à la rédaction pour vérifier et nettoyer les cinq types d'IA et les limites factuelles. Le pack final doit lister numérotés : « la phrase centrale, le mode et les 2-3 signaux de style choisis (au moins 1 sortant du lot), le timbre vocal et la vitesse, le script de doublage scène par scène avec mots-clés
*mot-clé*et auto-vérification du storyboard neuf colonnes, les grands titres des couvertures quatre formats, les titres cinq plateformes » ; après validation par l'utilisateur, écrire immédiatement dansout/décision_finalisation.md, ce fichier servira de seule source de vérité pour le rendu ultérieur et la reprise entre sessions.
Étape 1 : Audit du script et doublage vocal en cache zéro coupure
- Exécuter
python scripts/lint_script.py chemin/du/script, nettoyer les structures de phrases, les cinq types d'IA et les mots isolés ; vérifier la liste de lecture des homophones et des chiffres/anglais, si incorrect écrire{prononciation=>texte original}. - Localiser
gpt-sovits-studio/voice_profile.json(si l'environnement.venv\Scripts\python.exedédié existe, l'utiliser en priorité ; ajouter--check-onlypour une pré-vérification rapide des poids, CUDA etffmpeg). Pour entraîner un nouveau timbre ou en cas d'erreur mémoire sous Windows, lire d'abord le Manuel de résolution des problèmes de finetune GPT-SoVITS sur carte unique Windows. - Exécuter synth_voiceover_template.py (choisir
--preset,--speed,--sfx auto; ajouter--asr-verifysi le script contient des noms propres anglais ou termes techniques ; les phrases déjà synthétisées sont automatiquement réutilisées depuisout/.tts_cache/; ajouter--force-resynthpour tout recalculer). Produits :public/audio/S01..SXX.mp3(pour contrôle qualité vocal),ambient_pad.mp3,sfx_bus.mp3,mixed_master_ducked.mp3(master48kHz-14,0 LUFSvoix + musique de fond en ducking + effets sonores, seule piste audio de la vidéo finale),src/data/scenesData.json,out/avec.srt,chapters.txtetsfx_cues.json. - Pour 1 à 2 phrases clés, on peut ajouter
"fx": "canyon" | "tape" | "water"(voir voice_fx.py) ; avant d'encoder la vidéo, écouter impérativementpublic/audio/S01..SXX.mp3scène par scène viaread_filemultimodal (vérifier notamment la prononciation des noms propres anglais et homophones, absence de mots sautés ; pour les timbres finement ajustés en chinois pur, verrouillertokenavec{tou ken=>token},PDFavec{P D F=>PDF}sur deux pistes).
Étape 2 : Construction du projet Remotion découplé en SVG natif 60ips
- Si un
node_modulesréutilisable existe, utiliser une jonction de répertoire Windows. - Copier motion_60fps.ts et SceneFrameShell_60fps.tsx, respecter les conventions du projet :
- ID de composition :
MainEssaypour l'ensemble,Scene-S01…Scene-SXXpour les scènes ; utilisertoShellTimeline()pour convertir la timeline ; - Piste audio : ne monter
audio/mixed_master_ducked.mp3que sur la composition racineMainEssay, garderplaySceneAudiodésactivé ; - Tous les
interpolate()doivent être explicitementclamp; utiliserSPRING_PRESETS,EASE_SNAP / EASE_GLIDE / EASE_WHIP, sortie rapide par défaut0,25s,revealOn()pour l'alignement,minReadHoldSec()pour la durée d'affichage etswissGrid(safe)pour la grille modulaire ; - Pour l'esthétique et les données, utiliser
accentAt()+mixHex()(rouge suivant la voix),cameraAt()(déplacement de canevas unique),taperStroke()/inkJitter()(mode A, B pour lignes d'encre), les graphiques commerciaux respectent scrupuleusement la section 2 du manuel d'esthétique.
- ID de composition :
Étape 3 : Inspection par images clés doubles, contrôle final -14 LUFS programmé et validation aveugle
npx tsc --noEmitzéro erreur de type.- Exécuter extract_keyframes_template.mjs pour exporter les images clés (port par défaut
18123pour éviter la plage réservée Windows Hyper-V/WinNAT3000–3100), inspecter visuellement les traversées de texte, les lacunes, les lignes isolées et les obstructions de plateforme, puis exécuter audit_aesthetics.py pour vérifier les points rouges, le nombre d'éléments, les lignes de cadre, la hauteur du protagoniste, la densité et la taille de police. - Exécuter
npx remotion render … --scale=2 --codec=h264 --crf=16 --pixel-format=yuv420p --port=18123pour produire directement une vidéo 4K60ipsnative vectorielle (verticale2160×3840, horizontale3840×2160, éliminant complètement le flou des bords du vermillon dû au sous-échantillonnage chromatique 4:2:0 ; l'aperçustudioavec--port=18123évite l'erreurNo available ports found). - Exécuter impérativement inspect_video.py (passer
--expect-size 2160x3840[horizontal3840x2160],--expect-fps 60,--scenes-json src/data/scenesData.json), vérifier que la résolution 4K, le nombre d'images, l'absence d'images noires, la loudness-14,0 ± 1,5 LUFSet le pic réel≤ -1,0 dBTPsont tousPASS. - Si l'hôte supporte les sous-agents, envoyer
qa_sheet.png,qa_phone.pnget « la phrase que le spectateur doit retenir » à un sous-agent de validation aveugle qui ne voit pas le code ; il doit renvoyer les≤ 3problèmes les plus graves avec timestamp ; ne passer à l'étape suivante qu'après correction et re-vérification.
Étape 4 : Rendu des couvertures @2x quatre formats anti-rognetage
- Suivre le Cahier des charges des textes cinq plateformes et couvertures quatre formats pour rédiger les grands titres et passer trois vérifications strictes.
- Exécuter render_4covers_template.py (
--themeselon le tableau du mode) pour produire quatre.png, vérifier un par un qu'il n'y a pas de mot isolé sur une ligne et que le texte du9:16est entièrement dans le cadre de sécurité3:4central.
Étape 5 : Livraison des textes cinq plateformes en texte pur et rapport de validation structuré
Produire les textes en texte pur sans formatage selon la section 2 du cahier des charges (la timeline Bilibili utilise directement out/chapters.txt ; les traces du projet restent dans out/, ne pas les mélanger au dossier de livraison). La réponse finale doit contenir les liens cliquables vers .mp4, .srt, quatre .png, le .md des textes, la commande de prévisualisation npm run studio et de re-rendu, et joindre un rapport de validation de livraison concis (éléments vérifiés, non vérifiés, exceptions de conception justifiées).
Limites, autorisations et conditions d'arrêt
- Limites d'application : pour les besoins de montage réel, d'incrustation de personnes réelles ou de rendu 3D réaliste, indiquer clairement que ce Skill se concentre sur les vidéos SVG dynamiques sonores programmées et le packaging multiplateforme, sans forcer l'utilisation d'un modèle.
- Autorisations d'actions externes : par défaut, ne générer que des fichiers en local ; sans instruction explicite de l'utilisateur, ne pas appeler de navigateur ou d'API pour télécharger ou publier automatiquement.
- Critères de validation finale : tous les éléments de contrôle strict de
inspect_video.pysontPASS(aucunFAILouNOT_CHECKED), les quatre couvertures et les textes cinq plateformes en texte pur sont complets, le rapport de validation mentionne honnêtement le périmètre vérifié et les exceptions.