Communitygithub.com

svg-voiced-video-studio

Transforma scripts, storyboards ou pautas em vídeos SVG animados 60fps com narração personalizada (voz local), legendas SRT, capas em 4 tamanhos sem corte e textos para 5 plataformas (Bilibili, Xiaohongshu, Douyin, WeChat Video, Kuaishou). Ideal para vídeos filosóficos ou de negócios, com verificação de engolimento de caracteres no GPT-SoVITS e geração em lote.

O que é svg-voiced-video-studio?

svg-voiced-video-studio é uma skill especializada para agentes de IA (como Claude Code, Cursor, Codex) que permite transformar textos narrativos, storyboards ou pautas em vídeos SVG animados de alta qualidade (4K 60fps) com narração gerada por voz local personalizada (GPT-SoVITS) sem engolimento de caracteres. Ela suporta múltiplas plataformas (Bilibili, Xiaohongshu, Douyin, WeChat Video, Kuaishou) gerando legendas SRT sincronizadas, capas em 4 tamanhos (com área de segurança antirrecorte) e textos prontos para publicação (título, descrição, comentário fixado). A skill segue um fluxo de trabalho rigoroso em 5 etapas: inspeção e limpeza do roteiro, síntese de voz com cache e verificação de pronúncia, construção do projeto Remotion 60fps com SVG nativo (usando temas como 'dark philosophy', 'Swiss warm paper' ou 'editorial vertical'), extração de quadros-chave para inspeção visual, codificação final com verificação técnica (-14 LUFS, 4K, 60fps) e auditoria cega independente, e por fim renderização das capas e geração dos textos de publicação. Ela também inclui verificações contra vícios de IA narrativa (falsa empatia, falsa profundidade, auto-ponderação, templates genéricos e paralelismos triplos) e regras de design visual (grade modular suíça, tipografia segura, foco de cor único).

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

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

svg-voiced-video-studio: 60 fps Vídeo SVG Sonoro e Workshop de Entrega Multiplataforma

Converta roteiros, storyboards ou estudos de caso verificados em narração zero-engolimento com timbre pessoal local + vídeo SVG geométrico nativo 4K 60fps + capa anti-corte 4 tamanhos @2x + título, descrição e comentário fixado para 5 plataformas.

Invariantes-Chave

  1. Examine o roteiro e o ambiente de narração primeiro, depois sintetize por frase com cache múltiplo. Base: teoria do ritmo dissilábico do mandarim, teoria do conhecimento comum compartilhado, máximas de Grice e construção idempotente por endereçamento de conteúdo. Antes da síntese, execute lint_script.py para inspecionar: palavras isoladas de documentos oficiais, inversão binária, 5 tipos de impressão digital de IA narrativa (falsa empatia, falsa profundidade, auto-ponderação, template universal, paralelismo triplo), abertura fria, parênteses de suplemento, pausas respiratórias muito longas, coeficiente de variação de comprimento de frase (≥ 0.25), heterografias e pronúncia de números/inglês; para termos técnicos, mantenha unidades de medida comuns do público (ex.: token) e padronize em todo o vídeo, nomeie objetos e fontes verdadeiras, feche a seleção em ordem cronológica; palavras lidas incorretamente usem {leitura=>legenda} ou faixa dupla ttsText. O script de síntese suporta pré-verificação com --check-only e continuação por hash no cache out/.tts_cache/, com quebra de frase física em ;:—— (pausa 0.18s) e 。!? (pausa 0.30s) para otimização por múltiplas tentativas (única referência de parâmetros no Manual de Arte de Voz Humana e Prevenção de Corte Final).
  2. Duração real medida em segundos aciona a linha do tempo 60fps, com saída rápida e quadro de exibição alinhado ao ponto de impacto. Base: parametrização de tempo normalizado e janela de percepção audiovisual síncrona. O script de síntese gera scenesData.json; componentes jamais devem definir números de quadro fixos, molas usam SPRING_PRESETS (4 modos) para elementos similares (modo C trava sem retorno), saída 0.25s mais rápida que entrada, transições de máscara usam revealOn() para alinhar o quadro de exibição à palavra enfatizada ou ponto de corte, caracteres chineses na tela mantêm minReadHoldSec() (nº de caracteres ÷ 4.5 + 1.5s, números críticos ≥ 2.5s).
  3. Extraia quadros estáticos binários para inspeção visual antes de codificar o vídeo completo. Base: detecção de defeitos antecipada e separação figura-fundo da Gestalt. Extraia 25% (estado de entrada) e 76% (estado de texto cheio) de cada cena, cenas com estilhaços ou interseções de trajetória adicionam 48%; confirme que linhas não cruzam texto, caminhos estão fechados, espaçamento de borda de texto ≥ 8px, no máximo 1 foco de cor de destaque por tela.
  4. Capas 4 tamanhos preparadas de uma vez, 9:16 trava na zona segura central 3:4. Base: molduras de segurança multiviewport e norma de largura visual para texto misto chinês-ocidental. O título principal em puro chinês não excede 6 caracteres por linha, largura visual mista ≤ 6.2 em (nomes próprios longos indivisíveis usam --allow-7 até 7.2 em com redução automática de 8% no tamanho da fonte), versão 9:16 com margens superior e inferior ≥ 240px.
  5. Texto de publicação mantém limites de linguagem e factualidade. Base: verificação de violação de expectativa e maldição do conhecimento. Texto puro sem formatação, remova aspas, no máximo 4 tópicos no Kuaishou, proíba frases de inversão binária, proíba que suposições ou deduções sejam escritas como fatos consumados do autor, criador preserva frase de encerramento fixa — detalhes unificados na Especificação de Texto para 5 Plataformas e Capas 4 Tamanhos, seção 2, item 0. Aplica-se também a narração e capas.
  6. Cena final de vídeo filosófico/humanístico preserva a frase de encerramento fixa do criador. Com perguntas incessantes, encontre um eu vivo; em consensos limitados, alcance infinitas possibilidades. Se o roteiro de entrada já a contiver, mantenha-a inalterada; ao gerar script a partir de pauta, use-a como encerramento padrão, quebre em duas sentenças no ponto-e-vírgula, espaço em branco final 4.5s~5.5s. Comentário rápido puramente comercial segue regras do workspace ou instruções do usuário.
  7. Cenas se expandem e contraem dinamicamente com pontos de informação; estética visual, precisão de dados e layout suíço seguem o manual. Base: princípios de aprendizagem multimídia de Mayer, honestidade gráfica de Tufte e grade modular suíça. Proibido forçar ou preencher número fixo de cenas: siga "uma cena = um ponto de informação central", dividindo naturalmente pela complexidade do conteúdo (curta 3-5 cenas, regular 5-9, longa 10-16+); gráficos de dados (números não verificados não aparecem; primeiro coordenadas, depois dados; barras começam em 0; verifique multiplicadores; fonte em letras pequenas), grade de 12 colunas horizontais / 6 colunas verticais e 2-3 sinais de estilo antialinhamento por período, todos seguem Manual de Estética Visual de Movimento SVG.
  8. Vídeo finalizado passa por verificação técnica final -14 LUFS e auditoria cega independente antes da entrega. Base: padrão de loudness ITU-R BS.1770 e verificação independente contra viés de confirmação. A mixagem final incorpora efeitos sonoros sincronizados que evitam a narração (sfx_synth.py) e nivela a -14.0 LUFS (pico verdadeiro ≤ -1.2 dBTP); após renderização, execute inspect_video.py para verificar quadro, zero quadro preto, loudness e pico verdadeiro (itens não verificados marcados NOT_CHECKED não contam como aprovados) e realize auditoria cega independente.

Seleção de Modelo Visual e Modo de Tela

Escolha com base no tom do roteiro e na plataforma principal de publicação (se o AGENTS.md do workspace ou o usuário já especificou cores, use essas):

ModoTela lógica → Saída 4K (--scale=2)Paleta de cores principal (sem gradiente, 0px ângulos retos)Preset de sínteseTema da capaTemas adequados
A. Estilo Filosófico Noturno Preto Carvão1920×1080 → 3840×2160Fundo #111110 · Tinta principal #F2EFE9 · Destaque #D94E28--preset long --speed 1.00--theme darkAnálise introspectiva, longa-metragem existencialista
B. Estilo Suíço Clássico em Papel Manteiga Quente1920×1080 → 3840×2160Fundo #F5F0E6 · Superfície de papel #FAF7F1 · Tinta carvão #191715 · Selo de lacre #C83E2B--preset long --speed 1.00--theme vellumContas de tempo e dinheiro, longa-metragem de filosofia clássica
C. Estilo Suíço Quente em Papel, Vertical para Explicação Rápida1080×1920 → 2160×3840Fundo #F5F1EA · Página #FAF8F3 · Preto tinta #1A1A18 · Vermelho cinábrio #D93B22--preset short --speed 1.07--theme editorialExplicação comercial vertical, análise de produtos e dados reais (cenas se ajustam naturalmente)

Números uniformes: font-variant-numeric: lining-nums tabular-nums, proibido estilo de número antigo (ex.: Georgia).

Modo C - Atenção extra: O shell passa theme={EDITORIAL_PAPER_THEME}; a tela vertical alterna automaticamente a zona segura de cobertura da plataforma (superior ≥ 200px, inferior ≥ 400px, direita ≥ 140px, legendas em linha única ≤ 16 caracteres); gráficos desenhados apenas dentro do retângulo safe, usando swissGrid(safe) para grade de 6 colunas; verifique item a item a lista de pronúncia de números gerada pelo lint.


Fluxo de Trabalho Padrão em 5 Etapas

Se o AGENTS.md do workspace definir portões de revisão humana (pauta, aprovação final de roteiro), pare nesses portões; não renderize sem autorização:

  • Revisão interna cega e registro de decisão antes da aprovação final: Antes de enviar o pacote de aprovação final do roteiro, se o host suportar subagentes, designe um subagente que não participou da redação para revisar contra os 5 tipos de IA e limites factuais, limpando-os. O pacote final inclui: "frase de impacto central", modo e 2-3 sinais de estilo escolhidos (pelo menos 1 fuja do mais clichê), timbre e velocidade da fala, narração cena por cena com *palavras-chave* e autoinspeção de nove colunas, texto grande das capas 4 tamanhos, título para 5 plataformas" — numerado item a item; após aprovação do usuário, escreva imediatamente em out/定稿决策.md; renderização subsequente e retomada entre sessões usam este arquivo como única fonte de verdade.

Etapa 1: Exame do Roteiro e Cache de Narração Zero-Engolimento com Mixagem

  1. Execute python scripts/lint_script.py caminho_do_roteiro; limpe frases, 5 tipos de voz AI e palavras isoladas de documentos oficiais; verifique heterografias e pronúncia de números/inglês; se pronúncia errada, escreva {leitura=>texto original}.
  2. Localize gpt-sovits-studio/voice_profile.json (se existir ambiente dedicado com .venv\Scripts\python.exe, use-o prioritariamente; na primeira vez adicione --check-only para pré-verificação de pesos, CUDA e ffmpeg). Para treinar novo tom ou encontrar erro de memória no Windows, leia primeiro Manual de Resolução de Problemas de Fine-Tuning com Placa Única no Windows para GPT-SoVITS.
  3. Execute synth_voiceover_template.py (escolha --preset, --speed, --sfx auto; adicione --asr-verify se houver nomes próprios em inglês ou termos técnicos; frases já sintetizadas automaticamente usam cache out/.tts_cache/; recalculo completo use --force-resynth). Saídas: public/audio/S01..SXX.mp3 (para verificação pura de voz), ambient_pad.mp3, sfx_bus.mp3, mixed_master_ducked.mp3 (48kHz -14.0 LUFS mix principal com voz + fundo com duck + efeitos sonoros evitando voz — trilha única final), src/data/scenesData.json, out/ com .srt, chapters.txt e sfx_cues.json.
  4. Para 1-2 frases de destaque, adicione "fx": "canyon" | "tape" | "water" (veja voice_fx.py); antes de codificar o vídeo, use read_file multimodal para ouvir cada public/audio/S01..SXX.mp3 com ouvido humano (foco especial em nomes próprios em inglês e heterografias sem som abafado ou salto de palavras; para ajuste fino de tom completamente em chinês com token, use {tou ken=>token} e para PDF use {P D F=>PDF} para trava dupla).

Etapa 2: Construir Projeto Remotion 60fps SVG Nativo Desacoplado

  1. Se houver node_modules reutilizável, monte por junction de diretório do Windows.
  2. Copie motion_60fps.ts e SceneFrameShell_60fps.tsx; siga as convenções do projeto:
    • ID de composição: todo o vídeo MainEssay, cenas Scene-S01…Scene-SXX; use toShellTimeline() para converter linha do tempo;
    • Trilha de áudio: apenas uma vez na composição raiz MainEssay com audio/mixed_master_ducked.mp3; playSceneAudio no shell permanece desligado;
    • Todos interpolate() com clamp explícito; use SPRING_PRESETS, EASE_SNAP / EASE_GLIDE / EASE_WHIP, saída rápida padrão 0.25s, revealOn() para alinhamento, minReadHoldSec() para tempo de permanência e swissGrid(safe) para grade modular;
    • Implementação estética e de dados com accentAt() + mixHex() (vermelho segue a fala), cameraAt() (deslocamento de tela única), taperStroke() / inkJitter() (modos A, B para tinta), gráficos comerciais seguem a seção 2 do manual de estética.

Etapa 3: Inspeção Binária, Verificação Técnica -14 LUFS e Auditoria Cega

  1. npx tsc --noEmit zero erros de tipo.
  2. Execute extract_keyframes_template.mjs para exportar quadros-chave (padrão vinculado à porta 18123 para evitar conflito com Hyper-V/WinNAT 3000-3100); inspecione visualmente texto cortado, lacunas, linhas solitárias e cobertura de plataforma; depois execute audit_aesthetics.py para verificar foco vermelho, número de elementos, linhas de caixa, altura do protagonista, densidade e dicas de tamanho de fonte.
  3. Execute npx remotion render … --scale=2 --codec=h264 --crf=16 --pixel-format=yuv420p --port=18123 para renderizar diretamente 4K 60fps nativo (vertical 2160×3840, horizontal 3840×2160, eliminando o desfoque de borda do vermelho cinábrio causado pela redução de cromaticidade 4:2:0; visualização studio também use --port=18123 para evitar No available ports found).
  4. Execute inspect_video.py (passe --expect-size 2160x3840 [horizontal 3840x2160], --expect-fps 60, --scenes-json src/data/scenesData.json); confirme que resolução 4K, quadro, zero quadro preto, loudness -14.0 ± 1.5 LUFS e pico verdadeiro ≤ -1.0 dBTP estão todos PASS.
  5. Se o host suportar subagentes, envie o qa_sheet.png, qa_phone.png e "a frase que o espectador deve lembrar" para um subagente de auditoria independente que não vê o código; ele retornará ≤ 3 problemas mais graves com código de tempo; após correção e reexame, prossiga para a próxima etapa.

Etapa 4: Renderizar Conjunto de Capas @2x 4 Tamanhos Anticorte HD

  1. Conforme Especificação de Cópias para 5 Plataformas e Capas 4 Tamanhos, elabore o texto grande das capas e passe por 3 inspeções rigorosas.
  2. Execute render_4covers_template.py (--theme conforme tabela de modo) para gerar quatro .png; verifique um a um se não há caractere isolado em linha solitária e que o texto 9:16 está totalmente dentro do quadro de segurança central 3:4.

Etapa 5: Entregar Cópias de Texto Puro para 5 Plataformas e Checklist de Aceitação Estruturado

Conforme seção 2 da especificação, produza cópias de texto puro sem formatação (linha do tempo Bilibili: use out/chapters.txt; registros do projeto mantidos em out/, não misturados ao diretório de entrega). A resposta final fornece links clicáveis para .mp4, .srt, quatro .png, cópia .md, comando de visualização npm run studio e rerenderização, e anexa um Checklist de Entrega resumido (itens verificados, itens não verificados, razões para exceções de design).


Limites, Autorizações e Condições de Parada

  • Limites de Aplicação: Para edição de cenas reais, captura de pessoas reais, renderização realista 3D, explique diretamente que esta Skill se concentra em vídeos dinâmicos SVG nativos programáticos com narração e embalagem multiplataforma, sem forçar um template.
  • Autorização de Ações Externas: Padrão: gera arquivos apenas localmente; sem instrução explícita do usuário, não chame navegador ou API para upload automático.
  • Critério de Conclusão e Aceitação: Todos os itens de verificação técnica em inspect_video.py são PASS (sem FAIL ou NOT_CHECKED); capas 4 tamanhos e cópias de texto puro para 5 plataformas estão completas; o checklist de aceitação descreve honestamente o escopo verificado e exceções.

Habilidades Relacionadas