HyperFrames 媒体预处理
三个 CLI 命令,用于生成合成所需的素材:tts(语音)、transcribe(时间戳)和 remove-background(透明视频)。每个命令在首次运行时下载模型,并缓存于 ~/.cache/hyperframes/。将输出文件放入项目,然后在合成 HTML 中引用它——有关音频/视频元素的约定,请参阅 hyperframes 技能。
文本转语音(tts)
使用 Kokoro-82M 在本地生成语音音频。无需 API 密钥。
npx hyperframes tts "这里是文本" --voice af_nova --output narration.wav
npx hyperframes tts script.txt --voice bf_emma --output narration.wav
npx hyperframes tts --list # 列出所有 54 种声音
声音选择
根据内容匹配声音。默认是 af_heart。
| 内容类型 | 声音 | 原因 |
|---|---|---|
| 产品演示 | af_heart/af_nova | 温暖、专业 |
| 教程 / 操作指南 | am_adam/bf_emma | 中性、易于理解 |
| 营销 / 宣传 | af_sky/am_michael | 充满活力或权威 |
| 文档 | bf_emma/bm_george | 清晰的英式英语、正式 |
| 休闲 / 社交 | af_heart/af_sky | 平易近人、自然 |
多语言
声音 ID 通过首字母编码语言:a=美式英语,b=英式英语,e=西班牙语,f=法语,h=印地语,i=意大利语,j=日语,p=巴西葡萄牙语,z=普通话。CLI 会根据前缀自动检测音素化器的区域设置——当声音与文本匹配时,无需 --lang 参数。
npx hyperframes tts "La reunión empieza a las nueve" --voice ef_dora --output es.wav
npx hyperframes tts "今日はいい天気ですね" --voice jf_alpha --output ja.wav
仅在需要覆盖自动检测时使用 --lang(例如,为了带有特定口音的华丽风格)。有效代码:en-us,en-gb,es,fr-fr,hi,it,pt-br,ja,zh。非英语音素化需要系统范围内安装 espeak-ng(brew install espeak-ng / apt-get install espeak-ng)。
语速
0.7-0.8— 教程、复杂内容、无障碍1.0— 自然语速(默认)1.1-1.2— 介绍、过渡、活泼内容1.5+— 很少适用;请仔细测试
长脚本
对于超过几个段落的输入,请写入 .txt 文件并传递文件路径。超过约 5 分钟的语音输入可能更适合分割成多个片段。
要求
Python 3.8+,并安装 kokoro-onnx 和 soundfile(pip install kokoro-onnx soundfile)。模型在首次使用时下载(约 311 MB + 约 27 MB 声音,缓存于 ~/.cache/hyperframes/tts/)。
转写(transcribe)
生成带有单词级时间戳的标准 transcript.json 文件。
npx hyperframes transcribe audio.mp3
npx hyperframes transcribe video.mp4 --model small --language es
npx hyperframes transcribe subtitles.srt # 导入现有字幕
npx hyperframes transcribe subtitles.vtt
npx hyperframes transcribe openai-response.json
语言规则(不可协商)
切勿使用 .en 模型,除非用户明确说明音频是英语。 .en 模型(small.en、medium.en)会将非英语音频翻译成英语,而不是进行转写。这会静默地破坏原始语言。
- 语言已知且非英语 →
--model small --language <code>(不带.en后缀) - 语言已知且为英语 →
--model small.en - 语言未知 →
--model small(不带.en,也不带--language)——Whisper 自动检测
默认模型是 small,而不是 small.en。
模型尺寸
| 模型 | 大小 | 速度 | 适用场景 |
|---|---|---|---|
tiny | 75 MB | 最快 | 快速预览、测试流程 |
base | 142 MB | 快 | 短片段、清晰音频 |
small | 466 MB | 中等 | 默认 — 适用于大多数内容 |
medium | 1.5 GB | 慢 | 重要内容、嘈杂音频、音乐 |
large-v3 | 3.1 GB | 最慢 | 最终制作质量 |
带人声的音乐:至少从 medium 开始;已制作好的音轨通常需要手动导入 SRT/VTT 格式。关于字幕质量检查(每次转写后必须执行)、清理 JS、重试规则以及 OpenAI/Groq API 导入路径,请参阅 hyperframes/references/transcript-guide.md。
输出格式
合成使用一个扁平化的单词对象数组。id 字段(w0、w1、...)在标准化过程中添加,以确保字幕覆盖的引用稳定;为了向后兼容,该字段是可选的。
[
{ "id": "w0", "text": "Hello", "start": 0.0, "end": 0.5 },
{ "id": "w1", "text": "world.", "start": 0.6, "end": 1.2 }
]
背景去除(remove-background)
去除视频或图像的背景,使主体(通常是人物——头像、演示者、说话者头部)在合成中作为透明叠加层显示。
npx hyperframes remove-background subject.mp4 -o transparent.webm # 默认:VP9 alpha WebM
npx hyperframes remove-background subject.mp4 -o transparent.mov # ProRes 4444(编辑用)
px hyperframes remove-background portrait.jpg -o cutout.png # 单张图片抠图
npx hyperframes remove-background subject.mp4 -o subject.webm \
--background-output plate.webm # 一次处理生成两个图层
npx hyperframes remove-background subject.mp4 -o transparent.webm --device cpu
npx hyperframes remove-background --info # 检测到的提供者
使用 u2net_human_seg(MIT 许可证)。首次运行时下载约 168 MB 的权重到 ~/.cache/hyperframes/background-removal/models/。
图层分离(--background-output)
传递 --background-output(或 -b)以在抠图之外再生成一个透明视频:RGB 相同,但 Alpha 是 255 − mask 而非 mask。抠图是带有透明背景的主体;底板是原始环境,主体位置被透明镂空。
| 文件 | Alpha 是… | 用途 |
|---|---|---|
-o subject.webm | 遮罩 — 主体不透明,背景透明 | 前景层,放置在最上层 |
--background-output plate.webm | 反转 — 环境不透明,主体区域透明 | 底层;在此层与主体之间放置文字或图形 |
两个输出共享相同的 --quality 预设,并基于单次推理生成——编码成本大约翻倍,但分割成本保持不变。仅适用于视频输入和 .webm/.mov 输出。
这是镂空底板,而非经过补绘的纯净底板。 plate.webm 中的主体区域是完全透明的——在其下方合成一个不透明的内容来填充这个洞。判断 --background-output 是否合适的唯一测试:主体轮廓中,原本主体所在的位置,是否会有任何内容可见?
| 使用场景 | 正确工具 |
|---|---|
| 在抠图与底板之间放置文字/图形(此命令的存在理由) | 镂空(--background-output) |
| 将主体置于不相关的场景之上 | 只需 subject.webm;忽略底板 |
| 展示没有人的房间,单独显示,其上无其他内容 | 纯净底板 — 需要补绘工具(LaMa, ProPainter, E2FGVI)。不是这个命令。 |
| 用一个不同的主体替换现有主体 | 纯净底板 — 同上 |
如果用户要求“去除人物后的房间”并打算单独展示它,请不要使用 --background-output。告诉他们需要一个补绘工具。
典型的层级合成(规范的镂空用例):
<!-- z=1 反转 Alpha 的底板填充除主体区域外的所有内容 -->
<video
src="plate.webm"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<!-- z=2 图形/文字位于两层之间 -->
<h1 id="headline" style="z-index:2; ...">用 HYPERFRAMES 实现</h1>
<!-- z=3 抠图将主体浮在标题之上 -->
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3">
<video
src="subject.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
这在下方的“文字置于主体之后”模式中功能上是等效的,但您不需要在项目中保留原始的 presenter.mp4——底板替代了它。当您只想交付两个透明图层,并允许用户在它们之间放置任意内容时,这非常有用。
输出格式
| 格式 | 适用场景 |
|---|---|
.webm(VP9 + alpha) | 默认。合成通过 <video> 直接播放。 |
.mov(ProRes 4444) | 在 DaVinci/Premiere/FCP 中编辑。文件较大。 |
.png | 单张图片抠图(静止主体,叠加在背景上)。 |
Chrome 原生解码 VP9 alpha,因此 .webm 可以像其他静音自动播放视频一样直接用于合成——请参阅 hyperframes 技能以了解 <video> 轨道的约定。
质量预设
--quality fast|balanced|best 仅控制 VP9 编码器的 CRF——分割质量是固定的。
| 预设 | CRF | 适用场景 |
|---|---|---|
fast | 30 | 迭代中,文件较小,颜色匹配较宽松 |
balanced | 18 | 默认。大多数用途视觉上相同 |
best | 12 | 母版/最终交付。文件最大,匹配最紧密 |
合成模式 — 选择正确的方式
抠图的 WebM 是源 MP4 RGB 的重新编码副本。这个选择会对您放在其后的内容产生影响:
| 模式 | 抠图背后是什么 | 结果 |
|---|---|---|
| 抠图置于不同场景之上(最常见) | 静态图像、渐变或不相关的视频 | 效果很好。抠图的 RGB 是主体的唯一来源——没有重影,没有边缘光晕。这就是 remove-background 的用途。 |
| 抠图置于其自身源MP4之上(文字置于主体之后) | 生成抠图所用的同一 MP4 | 同一个人有两个 RGB 源。在默认的 --quality balanced(crf 18)下,重影几乎不可见;在 --quality fast(crf 30)下,您会看到轻微的颜色偏移/边缘光晕。对于母版,请使用 --quality best(crf 12)。 |
| 抠图置于同一人物的_不同_拍摄片段之上 | 同一主体的不同素材 | 看起来像是两个独立的人重叠在一起。不要这样做。 |
文字置于主体之后(标题置于演示者身后):
<video
src="presenter.mp4"
id="bg"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<h1 id="headline" style="z-index:2; ...">用 HYPERFRAMES 实现</h1>
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3;opacity:0">
<video
src="presenter.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
两个关键规则:
- 将抠图视频包装在一个没有时间属性的
<div>中,并动画化包装器的不透明度,而不是视频元素本身。框架会强制激活的片段(任何具有data-start/data-duration的元素)不透明度为 1,因此直接动画化视频的不透明度会被静默覆盖。包装器没有data-*属性,因此由您的 CSS/GSAP 控制。 - 两个视频都使用
data-start="0"和data-media-start="0",这样框架从 t=0 开始同步解码它们。延迟挂载抠图(data-start=3.3)会导致一次 seek 和预热,使其与基础 MP4 错开一帧——在切点处可见为一帧未对齐。
然后使用 GSAP 在切点翻转包装器的不透明度:tl.set(cutoutWrap, { opacity: 1 }, 3.3)。
TTS → 转写 → 字幕
当没有预先录制的画外音时,生成一个然后转写回文本,以获取用于字幕的单词级时间戳:
npx hyperframes tts script.txt --voice af_heart --output narration.wav
npx hyperframes transcribe narration.wav # → transcript.j