/explainer
┌──────────────────────┐
│ 偷学能用的东西 │ 标题,一个词用强调色
│ [之前] ⟶ [之后] │ 对比:卡片、手绘箭头、揭示 (或编号列表)
│ ╭──头部──╮ │ 头部从面板上方探出
│ ╭────┴────────┴────╮ │
│ │ 说话者,字幕 │ │ 圆角面板,眼睛水平线 = 面板顶部边缘
│ ╰──────────────────╯ │
└──────────────────────┘
首次使用
本技能的文件夹就是 Claude Code 加载时显示的“基础目录”。从该目录解析工具包(支持符号链接),并进行一次性设置:
SKILL_DIR="<本技能的基础目录>" # Claude Code 显示的“本技能的基础目录”路径
KIT=$(python3 -c 'import os,sys;print(os.path.realpath(os.path.join(sys.argv[1],"..","..","kit")))' "$SKILL_DIR")
PY="$KIT/.venv/bin/python"; [ -x "$PY" ] || bash "$KIT/setup.sh" --cutout
必须设置 GROQ_API_KEY 以进行语音转写(在 console.groq.com 免费获取)。需要 ffmpeg 和 Node.js。
格式
每个规格都接受 "format":"vertical"(1080x1920:Reels、Shorts、垂直长视频)、"horizontal"(1920x1080:YouTube 和其他长视频)或 "auto"(默认:跟随原始视频的形状)。运行 "$PY" "$KIT/reel.py" probe <video> 查看 auto 选择的结果。纸张上红色区域表示平台覆盖的部分:垂直视频上的 Instagram/TikTok UI,水平视频上的 YouTube 播放器控件。对于完整长度的视频,请将此技能作为 /long-form 内部的瞬间使用,而不是手动剪辑片段。
步骤
- 剪辑。 使用用户提供的视频片段(任意尺寸;会将其裁剪为 1080x1920 或 1920x1080,参见格式)。如果未提供则询问。
- 文字。
"$PY" "$KIT/reel.py" words <video>输出每个单词及其时间(首次使用时进行语音转写)。每行输出一个句子,末尾带有[结束 …]和该句最后一个单词的结束时间。选取一段 3 到 8 秒的、表达一个观点的完整句子段落:start为第一个单词的时间,end为最后一个句子的[结束 …](原始视频秒数)。 - 眼睛水平线。
"$PY" "$KIT/reel.py" frame <video> <段落中的某个时间点> frame.jpg,然后查看图像。标尺以画布像素为单位;读取眼睛的 y 坐标。即eye_y(垂直视频:正常构图约 700 到 800;水平视频:约 350 到 450)。对于水平视频,还要读取面部中心的 x 坐标:即face_x。 - 规格。 在视频片段旁边写入
<片段名称>.explainer.json(以下字段)。规格中的路径相对于规格文件。每个时间既可以是相对于start的秒数,也可以是锚定在某个口语单词上的方式("viral"、"viral#2"表示第二次出现、"viral+0.2")。建议使用单词锚定:即使移动start,它们也能保持正确。 - 构建。
"$PY" "$SKILL_DIR/build.py" <spec.json>。它会裁剪段落、扣除说话者背景(约每帧 0.1 秒)、使用 HyperFrames 渲染并写入<输出>.sheet.jpg。 - 检查。 查看效果图。红色区域是平台覆盖的区域。如果出现以下情况,请修正规格并重新构建:
- 标题或视觉元素位于红色区域内
- 字幕遮挡了嘴巴,或位于红色底部区域 80 像素以内(移动
caption_top) - 字幕显示了段落之外的单词(将
start或end移动到句子边界) - 头部未从面板上方探出(移动
eye_y) - 图像缺失或变形
- 交付 mp4 路径,并用一行说明每个视觉元素展示的内容。
规格
{
"video": "my-clip.mp4", "start": 21.4, "end": 25.66, "out": "my-clip.speaker.mp4",
"title": "偷学能用的*东西*",
"eye_y": 750,
"visual": {
"type": "compare",
"left": {"label": "另一个领域", "images": ["theirs-1.jpg", "theirs-2.jpg", "theirs-3.jpg"], "at": 0.3,
"chip": "14× 爆火", "chip_at": "viral", "swipe_at": ["carousel", 2.3]},
"right": {"label": "你的领域", "at": "outside", "reveal_at": "recreate",
"image": "my-photo.jpg", "text": "最好的 *AI 工具*\n当你\n又*年轻又穷*时使用"},
"arrow_at": "and"
},
"keys": ["viral", "outside", "recreate"],
"caption_top": 1420
}
title:1 到 4 个词。将一个词包裹在*...*中表示强调色。visual.type: "compare"表示前后对比:- 左侧卡片显示 1 到 3 张图片,并在
swipe_at时切换。 - 右侧卡片开始时为一个虚线“?”。箭头在
arrow_at时绘制,然后卡片在reveal_at时揭示。 - 右侧卡片可以是纯
image,或由image加text组成的轮播封面(*word*放在强调色药丸上,\n换行)。
- 左侧卡片显示 1 到 3 张图片,并在
- 任一侧卡片可以是文字卡片而非图片:
"big": "*专业*\n工具", "small": "专业人士所用"。当用户没有图片时使用。适用于说话者指向的左右对比场景。 visual.type: "list":{"type": "list", "items": [{"text": "找到一篇*爆火*帖子", "at": "find"}, ...]}。最多 4 行编号列表,每行在说出时出现。keys:放置在强调色药丸上的字幕词。选择 2 到 4 个能承载核心含义的词。每次该词被说出时,都会高亮显示。- 水平视频专用:
face_x(使面部居中的 x 坐标)、side("right"默认,或"left")、scale(0.9:说话者绘制大小)。 caption_top:字幕顶部的 y 坐标:垂直视频 1420(保持底部在 1500 以上),水平视频 850(位于面板上;保持底部在 960 以上)。
审美准则
- 每个片段只传达一个观点。如果所选段落包含两个观点,请制作两个讲解视频。
- 让每个视觉元素在其被提到的单词时刻出现。任何元素都不应在被提及之前出现。标题是例外:它从第一帧就出现。
- 垂直视频:保持顶部视觉元素在 y 330 到 760 之间(标题位于其上方,约 210 处)。水平视频:标题位于 y 110 处,视觉元素在 y 270 到 830 之间,位于面板旁边。文字和图形应避开红色区域;说话者面板可以进入红色区域。
- 如果说话者左右指点,使用
compare。其卡片位于他们所指的位置。 - 使用用户自己的图片。切勿编造关于他人帖子的数字或结果。像 "14× 爆火" 这样的标签必须是用户说过或提供的内容。