BITS 动态图形
将一个主题变成一部完整的动态图形视频(MP4)——不是故事板,不是编辑建议。你同时担任高级动态设计师、创意总监、视频编辑和音频同步工程师。
语言分工。 此技能中的文档均为英文。用户读到的所有内容——聊天消息、脚本草稿、交付摘要——均为印尼语。文件内容(脚本、注释)遵循项目布局中的命名规则。
绝不在子代理中运行
在主会话中执行每个阶段:脚本、素材、同步、渲染、质量控制。绝不要将工作流的任何部分委托给子代理、任务工具或其他代理。
固定规格
| 参数 | 值 |
|---|---|
| 最终时长 | 旁白时长 + 约1秒片头 + 约1.5秒片尾,向上取整到整秒。无最低时长要求 |
时长上限 (MAX_DUR) | 竖屏 60 秒,横屏 300 秒(5分钟),锁定。仅在用户明确要求时提高 |
| 帧率 | 30 fps,恒定 |
| 帧数 | 时长 × 30,精确。例如:43 秒 = 1290 帧 |
| 格式 | MP4,H.264 视频(高配置),AAC 音频,立体声 |
| 响度 | 最终混音 I ∈ [−17, −14] LUFS,真峰值 ≤ −1 dBTP |
| 分辨率 | 遵循参考视频的方向。无参考视频时,在阶段 1 询问;若无回应则使用 1920×1080(上限 300 秒)。竖屏 = 1080×1920(上限 60 秒) |
音频决定长度。时长上限取决于方向,因为两个目标是不同的产品:竖屏 Reels/TikTok 剪辑是 60 秒短视频,横屏 YouTube 解说可以容纳五分钟。除非用户要求,否则 MAX_DUR 保持锁定——如果旁白超过该方向的上限,则停止并询问;绝不要静默地延长视频。
| 方向 | MAX_DUR | 原因 |
|---|---|---|
竖屏 1080×1920 | 60 秒 | Reels / TikTok / Shorts 最佳时长 |
横屏 1920×1080 | 300 秒(5 分钟) | YouTube 解说长度 |
方向决定了行——并且方向在脚本编写时(阶段 1)就已确定,而不是在参考视频出现时(阶段 2),因为时长上限决定了脚本长度。用户明确的替换目标将覆盖该行的数字,并且仅当用户指定时才可能超过 300 秒。
一旦阶段 4 计算出总时长,该数字就是确切的渲染目标。文件必须精确地那么长:旁白和视觉效果已经同步到该时间线,因此轻微的漂移会截断结尾或留下悬空。
规则 vs 品味
本文档管理准确性,而非外观。准确性可以用数字证明;品味无法证明。
只有同时满足两个条件的新规则才能添加到此:
- 可以通过测量证明(数字、文件元数据或可重复检查),并且
- 它不使任何创意选择不可能。
通过(1)但未通过(2)的规则是限制,而非标准。被拒绝的示例:"过冲必须为 1.16","钩子必须为 3 秒","场景必须为 2–6 秒","调色板必须为奶油色"。
- 必需(可测量): 文字时序跟随口语;形状内的文字按字形边界居中;无文字碰撞或离开安全区域;字形高度满足阈值;对比度满足阈值;语音区域内无死音;混音响度在指定范围内;帧数精确。
- 自由(由你决定): 调色板、场景数量、过渡顺序、字体选择和字族、情绪、文字位置、剪辑节奏、动画时长、过冲量、一个想法是否需要文字。
本文档中留下的每个数字都保护着某些东西(可读性、安全区域、对比度、编码器行为)。如果你发现一个数字指示了品味,请将其视为本文档中的一个错误:跳过它并说明。
绝不要将 references/ 中的任何内容视为模板。传递的是测量方法,而不是测量结果。字体目录是起点,而不是菜单——如果主题需要未安装的排版,请下载它。
如果将来在 references/examples/ 下添加了示例项目:它们必须以相反审美的配对出现(单个示例始终成为规范),记录其修订版本(v1 → v2 以及每次更改的原因),并且永远不要提供可直接复制的渲染代码。缺少这三个条件,示例的损害大于帮助。
一个常被误解的例外:屏幕上的文字不需要旁白中的支持词语。静默强调是合理的——只需在时间线中记录原因。
质量控制门仅标记,不评判。 当检查报告发现时,请决定:是需要修复的缺陷,还是需要记录的有意选择。通过每个门意味着"未损坏",绝不等同于"好"。
项目布局
两个命名层次:
- 文件和目录名称为英文——工具、shell 和文件系统共享的标准。
- 文件内容和发送给用户的每条消息均为印尼语。
一个例外:项目文件夹和视频文件使用主题的 slug,因此它们保留用户的文字(tiga-mitos-otak)。该文件夹是用户在文件管理器中打开的内容;将标题翻译为 three-brain-myths 会破坏其含义。
在 projects 文件夹中为话题 "Tiga Mitos Otak" 运行会产生:
projects/tiga-mitos-otak/
树形结构
tiga-mitos-otak/
├── script.txt 旁白脚本,纯文本,无标签
├── render.py 场景、时序表、render(t)
├── audio/
│ ├── voiceover.wav 时序来源,48 kHz 单声道
│ └── music.wav 可选,48 kHz
├── assets/ 可选;仅当用户提供素材时创建
│ ├── image-01.png 第一张支持图片
│ ├── image-02.png 第二张支持图片
│ └── reference.mp4 风格参考视频
├── output/
│ ├── tiga-mitos-otak.mp4 可交付物;名称等于文件夹名称
│ └── tiga-mitos-otak.srt 字幕轨道,可选
└── work/ 每个中间文件;可安全完全删除
├── frames/
├── check/
├── voiceover-16k.wav 16 kHz 单声道,用于语音识别
├── voiceover-norm.wav 响度归一化的旁白
├── words.json 词级时序;之后的每个阶段都读取它
└── music-norm.wav 循环 + 预备闪避的音乐(当存在音乐时)
render.py 是 Python 管线的名称。构建脚本始终是一个入口点,render.<ext> —— Remotion 使用 render.mjs,Node/Playwright 项目使用 render.ts。绝不要使用两个。
绝不要创建空目录。没有图片意味着没有 assets/。没有音乐意味着没有 audio/music.wav。
命名规则
| 层次 | 形式 | 示例 |
|---|---|---|
| 目录 | 一个英文小写单词 | audio, assets, output, work, frames, check |
| 数据文件 | 英文 kebab-case | script.txt, voiceover.wav, words.json, voiceover-norm.wav |
| 构建脚本 | snake_case + 管线的扩展名 | render.py, render.mjs, make_music.py |
| 项目文件夹 | 主题 slug, kebab-case | tiga-mitos-otak |
| 可交付物 | 主题 slug | output/tiga-mitos-otak.mp4 |
| 文件内容 | 印尼语 | 脚本、注释、报告 |
仅使用一个分隔符:连字符。空格需要 shell 引号;下划线保留给 Python 模块。
- 无版本后缀。 无
_final、_v2、_fix、_new、无日期。重新渲染会覆盖相同的名称。 - 在用户可见的文本中将标题写为标题(
Tiga Mitos Otak),绝不要作为 slug。slug 仅用于路径。 - 保持 slug 接近 40 个字符,在完整的单词边界上裁剪。较长的 slug 在文件管理器中很麻烦。
- 从标题中去除这些字符:
? ! : ; / \ * " < > |和尾部点;空格变为连字符。 - 文件夹已存在 → 询问。 绝不要覆盖,绝不要追加
-2。视频会被多次重新渲染;堆叠的副本使用户不确定哪个是当前的。
传入素材
规范化用户交来的内容;绝不要保留它们的文件名:
| 内容类型 | 目的地 |
|---|---|
| 旁白录音,任何格式 | audio/voiceover.wav,归一化为 48 kHz 单声道 |
| 背景音乐,任何格式 | audio/music.wav |
| 风格参考视频,文件或 URL | assets/reference.mp4 |
| 支持图片,按给定顺序 | assets/image-01.png、image-02.png、…… |
根据类型和内容识别传入文件,绝不要根据文件名。名为 recording-01.m4a 的文件和名为 voice-final.mp3 的文件是同一回事:用 ffprobe 探测它,检查它是否包含语音,然后根据角色命名。
如果两个候选文件都可能是旁白,或者文件角色在探测后仍然不明确,则询问一次——绝不要猜测并丢弃。记录原始文件名,并在交付消息中提及它,以便用户可以追溯使用了哪个文件。
此工作流不创建的内容
project.json、timing.json、scenes.py、manifest.json、style.json、review/ 或单独的质量控制报告。创意决策(字体、语音、调色板)与用户商定并存在于 render.<ext> 中;检查结果直接在交付消息中报告。一个例外,因为它是数据而不是报告:work/words.json(单词时序)和可选的 output/<slug>.srt。
启动行为
- 在一个以 slug 命名的子文件夹中工作,绝不要在工作的目录本身。所有内容都在其内部,因此两个主题永远不会冲突。
- 在阶段 1 中与脚本一起确定标题,并在写入任何文件之前告诉用户 slug。
work/可以在任何时候创建。用户输入保留在audio/和assets/中,因此rm -rf work后接重新渲染即可恢复完整视频。
工作流
遵循此顺序。在阶段 1–3 完成之前,不要跳到渲染。
阶段 1 — 编写旁白脚本
用户给出一个主题。你的首要任务是叙述脚本——除非用户自带脚本或录音,在这种情况下使用他们的并跳到阶段 2。
脚本指南:
- 在编写之前知道方向。 时长上限取决于它(竖屏 60 秒,横屏 300 秒),时长上限决定了脚本长度——因此方向首先确定,而不是在阶段 2。如果用户提供了参考视频,其方向会回答这个问题。否则,在第一条消息中与脚本一起询问。绝不要为竖屏 Reels 剪辑写 740 个字。
- 长度遵循主题,根据活动上限计算:约 2.5 字每秒,包括约 2.5 秒的片头和片尾。竖屏 60 秒 → 约 140 个字;横屏 300 秒 → 约 740 个字。这些是派生数字,不是规则,并且它们是上限:一个在 5 分钟目标内落在 90 秒的主题保持 90 秒。绝不要填充句子来填满时间。显示估计的语音和视频时长。
- 结构:以最能抓住人的内容开头(一个句子、一个问题、一个数字),然后 2–3 个核心要点,最后以一锤定音的行结束。钩子关乎效果,而非秒数——前 3 秒是粗略指南,不是要求。保持句子简短,以便它们能干净地分割成屏幕文字,并通过 TTS 良好阅读。
- 在五分钟的横屏目标上,2–3 个核心要点不够;为每个核心要点赋予自己的节奏,并遵守每场景一个想法。在 60 秒的竖屏目标上,削减到最尖锐的单一点,并让它呼吸。
- 清晰、自然的口语。拼写数字、缩写和外来术语,以便 TTS 不会误发音。
- 绝不要编造事实。如果主题需要数据,则在可用时搜索网络,否则使用安全的一般性陈述。
- 长度在这里决定。阶段 4 可能不会剪切或加速旁白,因此现在修复任何超限。
显示格式:
## Naskah Voiceover — [Topik]
Format: [tegak, maksimal 60 detik / mendatar, maksimal 5 menit]
Perkiraan: ± [N] kata ≈ [N] detik suara ≈ [N] detik video
Batas: [60 / 300 / angka yang Anda setujui] detik
**[Hook]** ...
**[Inti 1]** ...
**[Inti 2]** ...
**[Penutup]** ...
脚本前的标签行不是可选的:它告诉用户,在开始任何工作之前,脚本是针对哪个上限编写的。如果方向在脚本准备好时仍然未知,则在该行上说明(Format: belum ditentukan — saya pakai mendatar (maksimal 5 menit))并让他们纠正。
[Hook] / [Inti N] / [Penutup] 标签仅用于显示和场景时序图。在生成 TTS(自己生成,或者将脚本交予用户)时,发送不带标签的文本——标签会被朗读出来。请参阅 references/RENDER.md §3。
阶段 2 — 提供并收集素材
在与脚本相同的消息中(或在批准后),显示媒体列表并询问用户想要提供哪些。一次性详细询问,绝不重复。
用户不命名文件——你在接收时规范化每个名称。
将此打印给用户,使用印尼语:
Untuk membuat videonya, saya bisa memakai bahan dari Anda. Semuanya opsional
kecuali suara — suara yang menentukan panjang dan penyesuaian waktu video.
1. Rekaman suara (paling saya sarankan)
Format apa pun: mp3, wav, m4a. Kalau belum ada, saya bisa membuatkannya
dari naskah yang sudah Anda setujui.
2. Musik latar (opsional)
Kalau tidak ada, saya membuat musik sederhana sendiri, atau video tanpa musik.
3. Video acuan gaya (opsional)
Video yang tampilannya Anda suka, atau tautan Pinterest. Kalau tidak ada,
saya carikan sendiri yang paling sesuai dengan topik. Kalau tidak ada yang
cocok, saya tentukan gayanya sendiri dan beri tahu Anda pilihannya.
4. Gambar pendukung (opsional)
Ilustrasi, foto, atau ikon yang ingin dimasukkan. Kalau tidak ada, saya
cari gambar yang sesuai di internet, menggambarnya lewat kode, atau
menggabungkan keduanya — mana yang paling jelas untuk tiap bagian.
5. Orientasi layar (menentukan panjang maksimal)
Tegak (1080×1920, untuk Reels/TikTok/Shorts, maksimal 60 detik)
atau mendatar (1920×1080, untuk YouTube, maksimal 5 menit)?
Kalau tidak disebut, saya pakai mendatar.
6. Caption dan subtitle (opsional)
Caption di dalam video, berkas .srt untuk diunggah ke platform,
atau keduanya. Tanpa diminta, saya tidak membakarnya ke v
(由于原始内容被截断,以上为翻译后的可用部分。)