Bomx/超级视频制作技能

超级视频制作器

此技能的作用

将一个视频创意、脚本、产品流程、屏幕录制、虚拟主播简介或现有的长视频转化为精致的视频资产。此技能能够生成：

• 虚拟主播解说 (avatar-explainer)：以事实为驱动的虚拟主播视频，包含合成主持人、屏幕录制/来源凭证、UI微型故事、字幕和行动要点，
• UGC AI广告 (ugc-ai-ad)：付费社交媒体广告，包含虚构的AI创作者、参考图像角色一致性、Seedance 2.5片段、ElevenLabs声音一致性、钩子变体、字幕和直接响应行动号召，
• 动态拼贴解说 (motion-collage-explainer)：无真人出镜、单一思想解说短片，由大胆的丝网印刷拼贴静态图（gpt-image-2）通过Seedance 2.5动画化为动态拼贴，以冷静的“简而言之”纪录片风格旁白（参见 MOTION_COLLAGE_STYLE.md），
• 使用HeyGen的虚拟主播视频，
• 通过fal.ai使用Seedance 2.5生成的AI B-roll素材，
• 使用OpenAI图像模型生成或编辑的图像，
• 包含光标/事件日志的屏幕录制，
• 使用Remotion或HyperFrames制作的动态图形，
• 字幕、副标题、音乐和最终的FFmpeg导出。

在需要时阅读这些文件

• VIDEO_COPY_PLAYBOOK.md，了解每个配方中的文案层：四行核心（一个观众、一个承诺、一个机制、一个下一步）、双轨规则（语音承载论点，画面承载证据，两者互不重复）、屏幕文案工艺（动态标题、数据徽章、幽灵标题、结尾卡片号召、排版冲击）、按格式划分的弧线、可信度规则以及在首次付费生成调用前运行的文案关卡。在编写任何脚本、钩子、标题或行动号召之前阅读它，并首先阅读其第11节：一份转写的参考旁白，采用所有者批准的平淡语气（70秒内零修辞手法），以及所有者拒绝为“过于诗意、过于概念化、AI垃圾”的文案的前后对比表格。指物测试就在那里：如果观众无法指向你刚说的名词，请重写。与copywriting-skill技能配合使用，后者掌管通用语调和节奏规则。
• SPOKEN_VO_HUMANIZER.md，了解口语行应该如何听（12条短视频脚本规则 + 被禁止的人工智能口语特征列表）。
• HOOK_PLAYBOOK_ARTICLE_SPRINT.md，了解钩子家族、角度优先于文案规则以及循环核算。
• recipes/README.md 和 tools/video_recipes.py，了解机器可读的视频配方（列表、匹配、规划、验证）。
• REFERENCE.md，了解供应商能力和路由决策。
• FFMPEG_PLAYBOOK.md，了解精确的FFmpeg配方。
• WORKFLOW_EXAMPLES.md，了解完整的制作示例。
• REMOTION_VIDEO_GUIDE.md，了解Remotion动态设计规则。
• TABLETOP_EXPLAINER_PLAYBOOK.md + workflows/tabletop-levels-explainer/，用于构建分层的“X级别”解说短片（虚构主持人 + 首帧/末帧工艺B-roll + 节拍锁定开关组装）。
• LIVING_CANVAS_PLAYBOOK.md + workflows/living-canvas-explainer/，用于制作精品级单画布SaaS发布/解说视频：单个连续画布上的元素级节奏（0-3次硬切）、语音词锁定摄像机编排（覆盖持久UI卡片）、因果物理 + 布局重排 + 变换链、带有情感旁白和喜剧节奏的故事冷开场、三乐队音乐和节拍锁定音效总线。在收到任何“让它感觉像顶级动画工作室”请求之前阅读它——每个持续时间、缩放因子和弹簧常数都已指定。
• HYPERREALISTIC_IMAGE_SOP.md，了解将参考图像转化为逼真、非AI外观的UGC创作者提示的12部分框架。在生成任何创作者静态图或超逼真角色之前阅读它。
• MOTION_COLLAGE_STYLE.md，了解motion-collage-explainer配方：如何使用gpt-image-2构建一个大胆的丝网印刷拼贴静态图，使用Seedance 2.5将其动画化为动态拼贴，并以冷静的“简而言之”纪录片解说风格旁白。在制作任何无真人出镜的拼贴/习语/概念解说短视频之前阅读它。
• REVIEW_VIDEO_PLAYBOOK.md + commands/review-video.md，了解review-conquest-compilation配方（/review-video）：一个无真人出镜的旁白蒙太奇，使用真实的、经过验证的竞争对手评论，针对“ reviews”关键词，命名重复投诉，将用户自己的企业定位为替代方案，然后附加用户自己的推荐短片。在制作任何竞争对手评论/对比/征服视频之前阅读它。结尾的企业是一个变量——切勿硬编码特定公司。

操作规则

1. 运行分阶段流水线，而不是随机工具调用。 使用：输入 -> 脚本/镜头列表 -> 资产 -> 组装 -> FFmpeg精加工 -> 质量控制 -> 导出。 1a. 文案是生产关卡，而非装饰。 在第一次文本转语音调用、片段生成或时间线构建之前，从VIDEO_COPY_PLAYBOOK.md编写四行核心（一个观众、一个承诺、一个机制、一个下一步），选择角度，并运行其文案检查清单。语音和画面永远不得携带同一句话：静音视频，故事仍可追踪；屏蔽画面，论点仍应成立。此顺序并非风格问题。在语音锁定格式中，脚本即时间线，因此在构建后更改脚本会重新锁定每个帧号。

2. 在首次付费调用前确认付费生成。 显示计划供应商、片段/图像数量、时长、分辨率和可能的成本驱动因素。

3. 优先使用技能本地工具。 在调用项目根目录脚本之前，先使用 tools/ 中的文件。

4. 每个工具应输出 RESULT: {...}。 解析该JSON作为事实来源。

5. 保存作业状态。 将每次运行放入 tmp/video_jobs/<job_id>/，包含 job_state.json、输入、中间文件和最终导出。

6. 在质量控制通过前不要删除中间资产。 失败的视频作业在原始片段仍然存在时更容易修复。

7. 切勿提交机密或用户会话。 不要发布 .env、cookies、生成的录音、私人虚拟主播或下载的用户视频。

8. 使错误对用户友好。 隐藏面向最终用户的原始堆栈追踪，但保存详细日志以供调试。

9. 默认制作故事优先视频。 不要制作简单的新闻幻灯片。使用：钩子 -> 透明虚拟主播介绍 -> 新闻节拍 -> 具体故事/示例 -> 来源证明 -> 行动步骤。 9a. 使用 avatar-explainer 作为默认配方名称，适用于结合了HeyGen虚拟主播旁白、屏幕录制/来源凭证、UI微型故事、B-roll、字幕和行动要点的格式。

10. 通过虚拟主播自己的声音披露合成主持人。 在钩子之后立即将“快速提示，这是 的数字虚拟主播”这句话融入脚本。不要预先添加静态免责声明卡片。如果音频中缺少该披露，则回退到在前约4秒内在左上角放置一个小型透明圆角胶囊PNG徽章（使用Pillow渲染：深海军蓝填充 #0A1228 透明度96%，2像素品牌橙色 #FF6B2C 轮廓，16像素强调点，白色无衬线字体“ 的数字虚拟主播”，22像素圆角半径，距每个边缘50像素）。切勿在底部区域使用厚重的 drawbox 下三分之一——它会与居中字幕冲突。始终在结尾卡片的永久页脚行中包含：“ 的数字虚拟主播。 ”。

11. 有目的地匹配HeyGen虚拟主播和声音。 虚拟主播和声音是独立的ID。如果未明确提供声音，首先尝试将声音名称与选定的虚拟主播名称匹配，然后再回退。

12. 屏幕录制应看起来像调查，而不是滚动壁纸。 浏览器证据应显示代理验证声明：打开来源、跳转到标题、突出显示确切短语、使用页面内搜索查找功能名称、滚动到相关段落、切换标签页以验证报道，并放大证据。避免静态页面、随机漫无目的、重复的英雄区域裁剪、广告、验证码、Cookie弹窗以及未揭示新信息的慢速滚动。

13. 将B-roll用作视觉解释，而非装饰。 对于每一句话，问：“因为这个想法，什么表面发生了变化？”不要将名词与通用图像匹配（“创始人” -> 使用笔记本电脑的人）。展示变化发生的环境：Google文档、日历、SERP、分析仪表盘、Slack线程、CMS编辑器、浏览器标签页或带有前后/操作状态的UI。避免复制任何现有YouTube频道风格；使用原创的现代编辑动态、UI微型故事、来源凭证和干净的注释。

14. 将每个视觉元素节拍锁定到旁白。 始终使用Whisper转录虚拟主播音频（词级时间戳），并将每个屏幕变化、B-roll剪辑、字幕和下三分之一固定到词语实际出现的秒数。切勿根据假设的时间叠放视觉元素。

15. 检测HeyGen脚本重复。 某些HeyGen渲染会意外重复脚本。下载后，比较Whisper片段并将主轨道修剪为第一次独特通过，然后再进行合成。

16. 使用非冲突区域和无边框画中画构建视觉层次。 钩子节拍使用虚拟主播全屏。对于每个其他节拍使用虚拟主播画中画：无边框，24像素圆角，柔和投影——切勿使用有色硬框。实现：Pillow为每个作业渲染一次 pip_mask.png（圆角矩形透明度蒙版）和 pip_shadow.png（模糊深色形状）；FFmpeg使用 chromakey -> scale -> alphamerge 使虚拟主播的角变圆，然后在偏移 +4, +16 处合成投影。默认尺寸为492x276，1920x1080主轨道上。画中画角适应字幕对齐： 如果字幕是底部居中（默认），则将画中画放置在右上角，位于 x=W-pip_w-50, y=50。切勿将画中画放置在与字幕相同的区域，并在结尾行动号召尾声中完全隐藏画中画，以便回顾卡片占据整个画面。跳过静态标题卡片；直接在虚拟主播全屏上打开。在结尾保留一个回顾卡片，包含行动步骤和永久披露页脚。

17. 在底部居中烧录卡拉OK风格字幕。 粗体大写 Arial Black 约64像素，2-3个词为一组，当前活动词以黄色高亮显示，白色投影 + 5像素轮廓。ASS样式：Alignment=2（底部居中），相等 MarginL=MarginR=80，MarginV=90。从带有主轨道偏移应用的Whisper词JSON生成。不要默认为左下角——左对齐字幕看起来业余，并与披露叠加层冲突。

18. 将主音频响度标准化到 I=-16:TP=-1.5:LRA=11，以便上传内容在YouTube、LinkedIn、X和播客上符合广播安全标准。

19. 默认使用fal.ai进行Seedance 2.5。 tools/fal_seedance_video.py 默认针对2.5版本，除非你传递 --seedance-version 2.0 或设置 SEEDANCE_VERSION=2.0。此账户有权使用2.5版本并已验证可运行（2026-08-09），因此将2.5片段视为正常结果，而非期望的结果。三条常设规则：(i) 运行工具的Python解释器中必须安装 fal_client（python3 -m pip install fal-client），否则每个Seedance调用都将在到达fal之前因 ModuleNotFoundError 而失败；(ii) 切勿移除工具的占位符保护，因为fal对无权的2.5请求会返回HTTP 200及其示例片段，而不是错误，自动回退到2.0是阻止库存素材进入已完成视频的唯一方法；(iii) 在声称片段来自2.5之前，始终检查RESULT负载中的 fell_back 字段——true 现在意味着访问权限已过期，应暴露出来而不是发布过去。2.5是较昂贵的版本（720p下约$0.4730/秒，而2.0标准版为$0.3024/秒，2.0快速版为$0.2419/秒），因此将其用于承载视频的镜头，并对填充节拍使用 --fast。--fast 和 --mini 将调用固定到2.0版本，这是唯一具有精简层级版本。当fal Seedance被限制或信用不足时，按此顺序回退：(a) 仅当配置了 REPLICATE_API_TOKEN 且fal不可用时，才使用Replicate Seedance；(b) 直接解释该节拍的真实来源截图、UI模型、库存素材或排版卡片；(c) OpenAI gpt-image-2 静态图，quality=high，原生16:9（2048x1152）+ FFmpeg Ken Burns，带有缩放填充/裁剪；(d) 仅当 local_explainer_broll.py 能渲染实际的UI/事件/状态变化时才使用它。切勿回退到抽象的黑暗宇宙、发光、浮动或象征性的“AI”图像。

20. 通过 video_id 恢复长时间运行的HeyGen作业，而不是重新生成。 如果本地轮询超时，查询现有的HeyGen作业并在完成时下载，以避免双重计费。

21. 切勿在长节拍内循环B-roll。 如果Whisper对齐的节拍长于片段，要么 (a) 为下半部分生成互补的B-roll，要么 (b) 使用 tpad=stop_mode=clone:stop_duration=N 对于最长约2秒的溢出保持最后一帧，或者 (c) 与Ken Burns静态图交叉剪辑。可见的循环卡顿比短暂的保持帧更令人迷失方向。

22. 根据节拍目的选择B-roll，而非根据提示的创意。始终优先选择真实内容而非生成内容。 B-roll的选择取决于旁白在那一刻做什么，而不是什么是“很酷的生成物”。使用此路由：

    • 新闻节拍（“这是发生了什么变化”）： 公告的真实截图（官方博客、产品页面、发布帖子）→ Ken Burns。胜过任何生成的渲染。
    • 来源证明： 代理操作的浏览器素材或证明页面的真实截图。切勿用生成的B-roll替代此内容。
    • 故事/示例（“一个做X的创始人”）： 真实人物做某事的真实库存素材（Pexels/Pixabay）> 编辑图片 + Ken Burns > 仅作为最后手段才生成。
    • 概念/隐喻： 优先使用排版“拉引用”卡片或单一真实物体照片，而非抽象的象征性渲染。
    • 汇总/势头（“人人都在谈论”）： Techmeme/Trends/HN的截图 + Ken Burns，或桌面上报纸头条的照片，而非“数据星座”渲染。
    • 行动步骤： 用户要采取的操作的真实UI截图 + 箭头/标注，而非“按钮按下”的生成镜头。
    • 人物/情感： 真实人物进行真实互动的库存素材（握手的特写、凝视仪表盘的人、在记事本上写字的人），而非生成的人物肖像。

    例外： 仅当真实来源（a）不存在、（b）像素化/低质量或（c）无法传达动态时才生成视觉内容。在这些情况下，生成一个大胆、极简、戏剧性的构图：高对比度、单色（品牌颜色）、排版覆盖、运动模糊。切勿生成带有发光“AI大脑”、数据流或抽象星云的镜头。

23. 当便签网格可用时，优先于传统B-roll使用。 在 VIDEO_COPY_PLAYBOOK.md 中描述的便签网格（一个概念和数字网格，用于建立完整背景或展示批发市场结构）应优先于传统生成的B-roll，以防便签网格能更直接地传达节拍。仅在便签网格无法传达动态时才回退到生成的B-roll。

    变体： 便签网格可以是复古美学（带折叠和页面边缘的旧活页夹）、超现代亚克力或文本网格布局。默认使用极简、非怀旧的便签网格。

24. 将动作步骤呈现在动态UI卡片上，而非照片上。 对于行动号召节拍，使用便签/动态UI卡片布局，以清晰、可操作的步骤列出行动步骤，每行一个。这些卡片在Remotion中制作动画，或在FFmpeg中合成。切勿使用静态文本覆盖在照片或B-roll素材上。

25. 对于需要部分动画（显示变化）的静态UI组件，使用Remotion。 将Remotion用于：

    • 动态UI卡片和布局，
    • 文本动画和排版，
    • 包含多个元素和过渡的简单动画场景，
    • 节拍锁定编排，其中词级时间线与视觉元素匹配。

    使用 tools/remotion_render_clip.py 将动画作为视频片段渲染（使用内联 delay/fps 渲染或Apple Silicon/GPU加速渲染），然后在FFmpeg中与虚拟主播画中画合成。

26. 通过 TOOLS.md 学习工具界面和用法。 在尝试使用工具之前，阅读 TOOLS.md 了解如何调用工具及其参数。

27. 在调用工具前，将工作目录更改为视频项目目录。 在调用任何工具之前，始终运行 cd 到视频作业目录，以确保工具能正确找到配置和工作流程。

28. 为工具提供明确的路径引用。 在调用工具时使用绝对路径，以避免任何相对路径混淆。

29. 在运行脚本前，检查并设置 PATH 环境变量以包含 tools/。 或者，使用工具的绝对路径，以确保 $ python3 tools/my_tool.py 能正常工作，无论当前工作目录如何。

30. 当被要求修改特定文件时，读取并对话，切勿假设。 始终用 READ 指令来验证你修改的文件内容，之后再修改。

31. 与Recraft通信生成虚拟主播品牌资产。 当被要求创建新的虚拟主播或品牌资产时，与Recraft通信以生成在视频中使用的图像。

32. 在工具使用中使用绝对路径。 在视频制作过程中引用任何文件时始终使用绝对路径，以避免 FileNotFoundError 错误。

33. 通过修改文件 global_state/ 文件夹中的JSON来记忆用户偏好和公司信息。 用户偏好应存储在 global_state/user_preferences.json 中，公司信息存储在 global_state/user_company_info.json 中。

34. 在运行工具前，将工具名称和参数记录到状态文件中。 使用 job_state.json 文件跟踪执行的工具，以便在中断时轻松恢复。

35. 在调用任何工具前，使用 RUN python3 check_environment.py 来验证环境。 如果没有 check_environment.py 文件，请检查并提供缺失依赖项的安装说明。

36. 使用 RUN pip install <package> 为特定视频项目安装特定依赖项，避免修改全局用户环境。 将所有依赖项列表在 requirements.txt 文件中，并在运行视频工具前读取并安装它们。

37. 使用 RUN which <tool_name> 验证工具的存在性。 在调用任何工具前，通过检查其可用性来避免 Command not found 错误。

38. 使用 RUN chmod +x <tool_name> 确保工具可执行。 同时检查工具是否具有 .py 扩展名，因为某些工具可能以脚本形式执行而不需要扩展名。

39. 使用 ENV VAR 设置环境变量，确保工具能正确识别。 例如，ENV SEEDANCE_VERSION=2.5 或 ENV OPENAI_API_KEY=sk-...。

40. 使用 RUN execute_tool.sh <tool_name> <tool_args> 作为执行工具的统一入口点。 该脚本处理 PATH 设置、错误处理和结果解析。

41. 使用 RUN read_job_state.py 读取作业状态，并在作业失败时使用 RUN resume_job.py <job_id> 恢复作业。 状态文件包含作业的当前阶段名称、已执行的工具、剩余任务和错误信息。

42. 对所有B-roll和内联图形默认使用16:9（1920x1080）分辨率。 确保所有视觉资产以此分辨率生成和缩放，以在整个视频中保持一致性。

43. 对所有B-roll片段默认使用30 FPS。 使用25或24 FPS会导致与30 FPS主轨道混合时出现明显的节奏问题。

44. 为所有生成的音频和视频资产使用明确的CIELAB颜色配置文件。 使用 -vf "colormatrix=bt601:bt709" 进行颜色空间转换，并确保所有资产在合成前具有一致的亮度/对比度范围。

45. 使用 tools/ffmpeg_loudnorm.py 进行响度测量和标准化，确保音频一致性和广播标准合规性。 该工具将音频标准化为 I=-16:TP=-1.5:LRA=11 并包含响度历史日志记录。

46. 使用Remotion工具 remotion_render_clip.py 渲染Remotion动画的视频片段。 将动画渲染为独立的视频文件，然后在FFmpeg中通过虚拟主播画中画叠加合成。

47. 使用 tools/whisper_transcribe.py 进行转录。 该工具提供词级时间戳和分段JSON输出，用于节拍锁定编排、字幕生成和B-roll定位。

48. 使用 tools/generate_captions.py 生成字幕。 该工具采用转录输出并生成带有词级时间戳的ASS字幕文件，用于动态卡拉OK风格字幕。

49. 使用 tools/seedance_video.py 生成Seedance视频。 该工具封装了Seedance API调用和B-roll生成，通过环境变量支持 --fast 和 --mini 标志以及版本选择。

50. 使用 tools/elevenlabs_tts.py 进行ElevenLabs文本转语音。 该工具支持语音选择、生成、下载和语音克隆，用于虚拟主播旁白和UGC AI广告。

51. 检查 tools/ 目录以发现所有可用工具和脚本。 在编写新代码或直接调用API之前，查阅工具目录即可找到任务的正确工具。

52. 使用Gamma来创建和共享视频项目演示文稿、组合和项目提案。 将最终导出链接包含在Gamma演示文稿中，以便展示和协作。

53. 在时间线构建前运行音频渲染，以生成用于节拍锁定的词级时间戳。 音频是节拍锁定Bea在ten先于任何视觉合成渲染的，因为节拍锁定依赖于词级时间戳来定位画面变化。

54. 为每次作业运行创建一个隔离的虚拟环境。 使用 python3 -m venv .venv 并在安装依赖项和运行工具前使用 source .venv/bin/activate 激活它，以避免依赖项冲突。

55. 在视频导出前运行最终质量控制检查。 在声明作业完成并删除中间文件前，使用 tools/qc_check.py 检查视频质量、响度、字幕同步和错误。

56. 使用 tools/debug_video.py 调试视频播放或合成问题。 该工具提供调试可视化、帧转储和时间线分析，以识别问题。

57. 使用 tools/upload_video.py 将最终导出上传到YouTube、LinkedIn、X和其他社交平台。 该工具处理认证、上传管理和发布调度。