Communitygithub.com

svg-voiced-video-studio

Transformez vos scripts ou sujets en vidéos SVG dynamiques 60fps avec doublage vocal local, sous-titres SRT et packs de couvertures pour cinq plateformes chinoises.

Qu'est-ce que svg-voiced-video-studio ?

Ce skill permet de créer des vidéos animées en SVG 60fps à partir de scripts de doublage, de storyboards ou de sujets éditoriaux, en associant un doublage vocal personnel local (via GPT-SoVITS) et des sous-titres SRT synchronisés. Il génère également quatre formats de couverture haute résistance au rognetage, ainsi que des textes de publication optimisés pour cinq plateformes (Bilibili, Xiaohongshu, Douyin, WeChat Channels, Kuaishou). Le processus est strictement guidé par des règles de vérification : le script est audité pour éliminer les traces d'IA, la synthèse vocale est mise en cache par phrase pour éviter les coupures, et la chronologie 60fps est pilotée par la durée réelle du doublage. Le skill inclut un pipeline complet d'inspection qualité (vérification des images clés, contrôle audio -14 LUFS, validation indépendante) et produit un rapport de livraison structuré. Il ne traite pas les montages vidéo réels, les incrustations de personnes réelles ou la génération d'illustrations réalistes.

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

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

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

  1. 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} ou ttsText sur deux pistes. Le script de synthèse supporte --check-only pour la pré-vérification et out/.tts_cache/ pour la reprise par hachage de phrase, avec découpage physique aux ;:—— (souffle 0,18s) et 。!? (souffle 0,30s) et sélection de la meilleure itération (seule référence paramétrique dans le manuel d'artisanat vocal et de script).
  2. La durée réelle mesurée pilote la timeline 60ips en 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 écrit scenesData.json ; les composants ne doivent jamais coder en dur de numéro d'image ; les ressorts utilisent SPRING_PRESETS en quatre niveaux unifiés pour les éléments similaires (mode C verrouillé sans rebond), sortie 0,25s plus rapide que l'entrée, transitions par masque avec revealOn() pour aligner l'image de révélation sur le mot accentué ou le point de coupe, texte chinois à l'écran maintenu minReadHoldSec() (nombre de caractères÷4,5+1,5s, chiffres clés ≥ 2,5s).
  3. 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) et 76% (état texte plein) ; pour les scènes avec fragments ou croisements de trajectoire, extraire en plus 48% ; 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.
  4. Les quatre formats de couverture sont produits en une fois, avec verrouillage strict de la zone de sécurité 3:4 centrale pour le format 9:16. 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 pas 6 caractères par ligne, en mixte chinois-occidental la largeur visuelle ne dépasse pas 6,2 em (pour les noms propres longs et insécables, autorisation spéciale --allow-7 jusqu'à 7,2 em avec réduction automatique de la taille de police de 8%), le format 9:16 nécessite des marges haut et bas ≥ 240px.
  5. 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 4 hashtags 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.
  6. 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 de 4,5s~5,5s en fin de phrase. Les commentaires rapides purement commerciaux suivent les règles de l'espace de travail ou les instructions de l'utilisateur.
  7. 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 3~5 scènes, analyse standard 5~9 scènes, long métrage 10~16+ 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 les 2~3 signaux de style anti-homogénéisation par projet suivent le Manuel d'esthétique du mouvement SVG.
  8. La vidéo finale est livrée après un contrôle technique -14 LUFS et 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 marqué NOT_CHECKED n'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) :

ModeCanevas logique → Sortie 4K (--scale=2)Palette de couleurs (zéro dégradé, angles droits 0px)Préréglage de synthèseThème de couvertureSujets adaptés
A. Style philosophique nuit profonde charbon1920×1080 → 3840×2160Fond #111110 · Encre principale #F2EFE9 · Accent #D94E28--preset long --speed 1.00--theme darkIntrospection, longs métrages existentiels
B. Style suisse classique registre chaud1920×1080 → 3840×2160Fond #F5F0E6 · Papier #FAF7F1 · Encre charbon #191715 · Cachet cire #C83E2B--preset long --speed 1.00--theme vellumRegistres de temps et d'argent, philosophie classique
C. Style suisse papier chaud vertical rapide1080×1920 → 2160×3840Fond #F5F1EA · Pages #FAF8F3 · Noir encre #1A1A18 · Rouge vermillon #D93B22--preset short --speed 1.07--theme editorialAnalyses 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 dans out/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

  1. 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}.
  2. Localiser gpt-sovits-studio/voice_profile.json (si l'environnement .venv\Scripts\python.exe dédié existe, l'utiliser en priorité ; ajouter --check-only pour une pré-vérification rapide des poids, CUDA et ffmpeg). 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.
  3. Exécuter synth_voiceover_template.py (choisir --preset, --speed, --sfx auto ; ajouter --asr-verify si le script contient des noms propres anglais ou termes techniques ; les phrases déjà synthétisées sont automatiquement réutilisées depuis out/.tts_cache/ ; ajouter --force-resynth pour tout recalculer). Produits : public/audio/S01..SXX.mp3 (pour contrôle qualité vocal), ambient_pad.mp3, sfx_bus.mp3, mixed_master_ducked.mp3 (master 48kHz -14,0 LUFS voix + musique de fond en ducking + effets sonores, seule piste audio de la vidéo finale), src/data/scenesData.json, out/ avec .srt, chapters.txt et sfx_cues.json.
  4. Pour 1 à 2 phrases clés, on peut ajouter "fx": "canyon" | "tape" | "water" (voir voice_fx.py) ; avant d'encoder la vidéo, écouter impérativement public/audio/S01..SXX.mp3 scène par scène via read_file multimodal (vérifier notamment la prononciation des noms propres anglais et homophones, absence de mots sautés ; pour les timbres finement ajustés en chinois pur, verrouiller token avec {tou ken=>token}, PDF avec {P D F=>PDF} sur deux pistes).

Étape 2 : Construction du projet Remotion découplé en SVG natif 60ips

  1. Si un node_modules réutilisable existe, utiliser une jonction de répertoire Windows.
  2. Copier motion_60fps.ts et SceneFrameShell_60fps.tsx, respecter les conventions du projet :
    • ID de composition : MainEssay pour l'ensemble, Scene-S01…Scene-SXX pour les scènes ; utiliser toShellTimeline() pour convertir la timeline ;
    • Piste audio : ne monter audio/mixed_master_ducked.mp3 que sur la composition racine MainEssay, garder playSceneAudio désactivé ;
    • Tous les interpolate() doivent être explicitement clamp ; utiliser SPRING_PRESETS, EASE_SNAP / EASE_GLIDE / EASE_WHIP, sortie rapide par défaut 0,25s, revealOn() pour l'alignement, minReadHoldSec() pour la durée d'affichage et swissGrid(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.

Étape 3 : Inspection par images clés doubles, contrôle final -14 LUFS programmé et validation aveugle

  1. npx tsc --noEmit zéro erreur de type.
  2. Exécuter extract_keyframes_template.mjs pour exporter les images clés (port par défaut 18123 pour éviter la plage réservée Windows Hyper-V/WinNAT 3000–3100), 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.
  3. Exécuter npx remotion render … --scale=2 --codec=h264 --crf=16 --pixel-format=yuv420p --port=18123 pour produire directement une vidéo 4K 60ips native vectorielle (verticale 2160×3840, horizontale 3840×2160, éliminant complètement le flou des bords du vermillon dû au sous-échantillonnage chromatique 4:2:0 ; l'aperçu studio avec --port=18123 évite l'erreur No available ports found).
  4. Exécuter impérativement inspect_video.py (passer --expect-size 2160x3840 [horizontal 3840x2160], --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 LUFS et le pic réel ≤ -1,0 dBTP sont tous PASS.
  5. Si l'hôte supporte les sous-agents, envoyer qa_sheet.png, qa_phone.png et « la phrase que le spectateur doit retenir » à un sous-agent de validation aveugle qui ne voit pas le code ; il doit renvoyer les ≤ 3 problèmes 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

  1. Suivre le Cahier des charges des textes cinq plateformes et couvertures quatre formats pour rédiger les grands titres et passer trois vérifications strictes.
  2. Exécuter render_4covers_template.py (--theme selon 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 du 9:16 est entièrement dans le cadre de sécurité 3:4 central.

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.py sont PASS (aucun FAIL ou NOT_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.

Skills associés