Que fait 卡字 ?
卡点视频卡鼓点，讲解视频卡字。写动画代码的 AI 听不到声音，只能猜这一秒观众该看哪里。 卡字把顺序反过来：先有声音，再有画面，画面始终追随声音。每个字是第几秒念的，先算出来；动作落在哪一帧，从表里查。
这份说明给你（AI）看。每一步的细节在 docs/ 里，用到哪步读哪步，不用一次读完。
下文的 tools/、starter/、docs/ 都在这个 skill 自己的目录里（和本文件同一层），用的时候换成完整路径。
六步，四个停顿
| 步 | 做什么 | 产出 | 细节 |
|---|---|---|---|
| 1 写稿 | 照说话写，每句一个关键词，配音版和字幕版分开 | script.txt | docs/01_写稿.md |
| ⏸ 停一 | 把稿子给用户看，等他点头 | ||
| 2 配音 | 每句生成几遍，另一个 AI 回听打分，留最好的 | vo/lines/ | docs/02_配音.md |
| ⏸ 停二 | 让用户试听整条配音 | ||
| 3 对时间 | 对齐模型给每个字标起止时间 | timeline.json | docs/03_对时间.md |
| 4 画面 | 画动词；动作落在关键词首字前 3 帧 | 代码 + 渲染 | docs/04_画面.md |
| ⏸ 停三 | 先做 20 到 30 秒样片给用户看 | out/sample.mp4 | |
| 5 声音 | 配乐让位旁白；音效从动画打点里读出来 | 混好的音轨 | docs/05_声音.md |
| 6 检查和发布 | 逐帧量卡字率、黑帧、闪帧、响度；准备标题封面简介 | out/final.mp4 和检查报告 | docs/06_检查和发布.md |
| ⏸ 停四 | 成片和检查报告一起交给用户 |
用户明确说"不用停、直接做完"时可以跳过停顿，但第 6 步的检查一定要跑，结果要写进最后的回复。
用户已经有录好的旁白，就跳过第 2 步，直接从第 3 步开始（timeline.py --whole）。
开工前
- 跑
python tools/doctor.py，看缺什么。配音和对齐目前只在苹果芯片的 Mac 上实测过；别的平台按它给的替代办法走，并告诉用户。 - 问清楚（用户没说的才问）：讲什么、给谁看、多长、横屏还是竖屏、有没有自己的声音样本（十秒左右的干净录音加逐字稿）。
- 建项目目录，结构见下面。所有中间文件都留着，每一版样片单独存，别覆盖。
项目/
script.txt 稿子（格式见 docs/01）
vo/ 配音：lines/ 每句一个 wav，takes/ 所有遍
timeline.json 每句、每个字的起止时间
film/ 画面工程（默认用 starter/ 里的 Remotion 模板）
audio/ 配乐、音效、混音
out/ 样片、成片、检查报告
每一步最要紧的规矩
写稿（为什么都在 docs/01）
- 照说话写。两个标点之间不超过 22 个字，长短句穿插。耳朵只能听一遍。
- 每句只标一个关键词：
*关键词*。后面的画面就落在这个词上。一条字幕里最多一个关键词。 - 念法和字幕不一样时写成
{念法=>字幕}，比如{F F M peg=>FFmpeg}。 - 句子说完整：主语、宾语、量词别省；动词以两个字以上为主，单字和多字交替；关键词不用单字。停顿按意思定，见 docs/01 的停顿表。
- 容易读错的多音字写稿时就换掉（docs/02 有替代表）。
- 写完跑
python tools/lint_script.py script.txt，它会查一口气太长、字幕超长、一句多个关键词，还会估算时长。
配音
python tools/voice.py script.txt vo --ref 声音样本.wav：每句生成 4 遍，语音识别转回文字和原稿比对，念错的扔掉，留最好的一遍。- 多音字、听起来像别的意思，识别结果里会露出来；对不上的句子改写或者改念法，别硬留。
- 想整体快一点用
tools/tempo.py（变速不变调），别重新生成。 python tools/pace.py vo_fast vo_paced：规整停顿。句首句尾的静音、句内标点处的静音都量出来，补短剪长，只动静音不动声音。tools/polyphone.py挑出可能读错的多音字拼成试听音频；它会误报也会漏，最后靠人听。
对时间
python tools/timeline.py script.txt vo_paced timeline.json --wav vo_paced/narration.wav --speech-gap，得到每句和每个字的起止时间，还有关键词列表。--speech-gap让稿子里的停顿等于听到的空白。- 画面里所有和旁白有关的时刻都从这张表里查，不许按字数估。按字数估，十句以后就能差出三秒多。
画面
- 先定画风。拿不准就去翻代码画风图鉴 https://github.com/syydaniel/awesome-code-animation ，先挑画风，再挑工具。没有特别理由就用
starter/（Remotion）。 - 画动词，别画名词。"体积变大"要画的是变大这个动作，不是一块冰的插图。常用动词怎么画，见 docs/04 的表。
- 时间常数（60 帧下）：动作到位的那一帧，放在关键词首字开始前 3 帧（
hit()）；允许提前 6 帧到推后 1 帧。新出现的东西，第一帧至少比关键词早 12 帧。 - 关键词那一下，画面要明显多动一下：比前一秒动得多。整段一直在动、或者一句话只在开头动一次，都卡不上。
- 一屏新增信息不超过 4 块；旁白已经说了的整句不要再上屏，只放关键词。
- 找一个贯穿全片的东西（一个小人、一种颜色、一个形状）；镜头会推拉、跟着重点走；两个画面之间尽量用画面里的东西接过去。
- 字幕：每条不超过 16 个字，去掉逗号句号；字按真实念到的时间由浅变深，关键词变色。
- 每做完一段，渲染一小段，用
tools/kazi_check.py量一下再往下做。
声音
- 配乐在旁白下面 12 到 18 LU；按逐字时间做让位：句子开始前 0.2 秒压下去，句间空当超过 1.2 秒才浮上来。
- 全片停乐 2 到 4 次，留给最重要的几句。
- 音效从画面的打点（cue）里导出，分四层：落点、过渡、氛围、拟音。声音的质感跟画面走。
- 成片响度 -14 LUFS，真峰值不超过 -1 dBTP，48 kHz。
检查
python tools/kazi_check.py out/final.mp4 --timeline timeline.json：卡字率、随机基线、黑帧、一闪而过的帧、长时间不动、响度、音轨、片长。- 不通过就回去改，改完再量。全部通过才叫用户，并把报告里的数字原样告诉用户，没量过的不要说"已完成"。
- 用户要 4K 或 HDR 时，检查通过以后再出：
tools/master.sh渲 4K 母版，tools/hdr/hdr_encode.sh出杜比视界 8.4 和 HLG。换了配色要把新的底色、发光色告诉hdr_mask.py，见 docs/06_检查和发布.md。
工具一览
| 工具 | 用途 |
|---|---|
tools/doctor.py | 查环境，缺什么、怎么装 |
tools/lint_script.py | 查稿子 |
tools/voice.py | 克隆声音逐句配音，多遍挑一 |
tools/tempo.py | 整体变速不变调 |
tools/pace.py | 规整停顿：句首句尾和句内标点处的静音 |
tools/polyphone.py | 挑出可能读错的多音字，拼成试听音频 |
tools/timeline.py | 逐字对齐，生成 timeline.json；--whole 用于一整条现成录音 |
tools/kazi_check.py | 量卡字率和各种硬伤 |
tools/caption_check.py | 量字幕出现、消失、逐字变亮和配音对不对得上 |
tools/mix.py | 旁白、配乐、音效混音，按逐字时间让位，统一响度 |
tools/thin_cues.py | 音效打点太多时按优先级筛一遍 |
tools/master.sh | 分段渲染 4K 母版，中断可续 |
tools/hdr/ | SDR 母版转 HDR：杜比视界 8.4（HLG 基础层）和 HLG |
starter/ | Remotion 模板：time.ts 查时间，anim.ts 曲线和弹簧，字幕组件 |
交付时告诉用户
- 成片路径、时长、分辨率。
- 卡字率、随机基线、高出随机多少；没卡上的关键词是哪几个、为什么。
- 检查出的问题和处理结果；还没解决的直接说。