danbaruka/ai-video

ai-video 是做什么的？

一个视频对应一个 video.json 文件：包含语音说出的句子，以及每个核心想法对应的一个场景（从 16 种类型中选择）。 脚本 scripts/make.mjs 负责其余所有工作。绝不要手动编写 HTML、CSS 或动画代码。唯一例外是需要定制视觉效果的单个时刻（类型 html）。

创意 ─► 脚本 (句子) ─► video.json ─► make.mjs ─► 联系表 (审查) ─► --rendu ─► MP4 + 封面 + 发布文案

JSON 键名是法语的 (phrases, texte, scene, voix, marque…)，场景类型也是法语的 (titre, chiffre, liste…)。请完全按照本技能文档的写法来编写。语音所说的文本可以是任何语言。

首次使用前（一次性）

sh <skill>/scripts/install.sh      # 检查 node ≥ 18、ffmpeg、python3；在 <skill>/.venv 中安装 edge-tts

<skill> 是本文件所在的文件夹。首次运行将下载 HyperFrames（通过 npx）、GSAP 和 logo。之后所有内容都会被缓存。

工作流程

1. 主题，一句话概括。 如果用户没有给出，建议 3 个主题供其选择。
2. 脚本。 阅读 references/writing.md：有效的钩子、结构、长度。
   • 目标：9 到 14 个句子，110 到 170 个单词。
   • 按大约每秒 2.7 个单词计算，加上句子间 0.35 秒的停顿：130 个单词约 50 秒。
3. 文件。 在用户的项目中写入 videos/<id>.json。格式如下，完整目录见 references/scenes.md。将媒体文件放入 videos/medias/。
4. 构建。 node <skill>/scripts/make.mjs videos/<id>.json 生成语音、页面、检查和联系表，不进行渲染（约 1 分钟）。
5. 审查。 只打开一张图片：videos/rendus/<id>-planche.jpg。
   • 它显示第 1 帧，然后每个场景结束时的状态（其所有元素都出现后），最后是结束卡片。
   • 修正 JSON 并重新运行命令。语音会被缓存：只有被修改的句子会重新生成。
6. 渲染。 添加 --rendu。对于 45 秒的视频，大约需要 1 分钟。你将得到：
   • videos/rendus/<id>.mp4；
   • -couverture.jpg，封面，即第 1 帧；
   • <id>.txt，包含标题、字幕、标签和置顶评论。
7. 发布。 阅读 references/publishing.md，了解按目标国家/地区划分的发布时间、发布频率和字幕。未经用户明确许可，切勿发布任何内容。

节省 Token：重要规则

本技能很廉价，因为模型每个视频只写 60 到 120 行 JSON，而不是 250 到 400 行 HTML 和动画代码。在盲测中，一个新的代理（包括阅读本技能文档）完成一个 60 秒的成品视频，仅消耗约 65,000 个 Token。要保持这种效率：

• 不要打开 make.mjs、lib/*.mjs、style.css 或生成的 index.html。场景目录就足够了。只有当命令失败且错误信息不足时，才打开代码。

• 只在需要时阅读参考文件：

  步骤	参考文件
  写作	writing.md
  选择场景	scenes.md
  语音、素材或截图	modes.md
  发布	publishing.md

  在对话中不要重复阅读已经读过的参考文件。

• 一张联系表，不需要截图。 要检查视频，查看一次 <id>-planche.jpg。不要每秒抓取一帧，也不要逐帧检查 MP4。

• 信任检查。 命令运行 HyperFrames 检查（溢出文本、隐藏文本、运行时错误）并用几行总结。

  • "aucun débordement, aucune erreur" 表示一切干净。
  • 带 ✗ 的行必须修复。
  • 带 ⚠ 的行值得阅读：如果影响文本则修复它。

• 批处理只需一条命令。 先编写 N 个文件。然后在后台运行 node make.mjs videos/a.json videos/b.json … --rendu，等待它完成，无需观看其输出。

• 原地编辑。 要修复某些内容，只需修改 JSON 中有问题的句子或场景。不要重写整个文件。

• 不要寻找素材。 Logo（logo:bitcoin、logo:metamask…）和 45 个图标（icone:cle…）是内置的。只有在用户要求时才搜索网络上的图片。

video.json 格式

{
  "id": "wallet-key",
  "titre": "Your crypto is not in your wallet",
  "langue": "en",
  "voix": { "nom": "en-US-AndrewMultilingualNeural", "debit": "+4%" },
  "marque": { "nom": "BDan", "visuel": "icone:etincelle" },
  "prononcer": { "USDT": "U S D T" },
  "phrases": [
    { "texte": "Your crypto is not in your *wallet*.",
      "scene": { "type": "titre", "lignes": ["Your crypto", "is not in", "your *wallet*"], "visuel": "icone:portefeuille" } },
    { "texte": "The key fits in *twelve words*.",
      "scene": { "type": "chiffre", "valeur": "12", "apres": "words", "au": "twelve", "couleur": "accent" } },
    { "texte": "It's called the recovery phrase." }
  ],
  "fin": { "texte": "I'm BDan.", "sous": "Let's talk new tech.", "audio": "medias/signature.wav" },
  "publication": { "titre": "…", "legende": "…", "hashtags": ["crypto"], "commentaire": "…" }
}

• phrases[].texte：语音说出的文本，逐字对应。

  • *word* 标记强调词：以彩色斜体显示，说话时脉动，并且镜头会推近。
  • 每个句子最多使用一个。

• scene：开始一个新场景。

  • 没有 scene 的句子会延续上一个场景，这给了读者阅读的时间。
  • 在拍摄模式下，没有场景的句子显示脸部；此时，"scene": "suite" 延续场景。

• au（"at"）：该元素在句子的那个单词处出现，例如 "au": "Ledger"。

  • 如果没有 au，元素会自动分布：当元素数量和句子数量相同时，每个句子一个元素；否则均匀分布。

• 视觉效果，用于需要的地方："logo:binance"、"icone:cadenas"、"emoji:🔑"，或者路径如 "medias/screenshot.png"（.svg 文件会被内联）。

• voix：语音。nom 是语音名称，debit 是语速。fichier 指向你自己的录音。

• langue：默认为 "fr"。英语设置为 "en"，并搭配英语语音。

• marque：左下角的小品牌标签。nom 是品牌名称，visuel 是其标志。

• prononcer：口语化形式。它改变语音如何说出某个单词，绝不改变屏幕上显示的文本。

• fin：结束卡片，包含 marque 标志、texte 和 sous（副标题）。

  • audio 在卡片上播放录制的结束语。
  • 没有 audio，卡片停留 2 秒，无声。

• titre：视频在文件中的名称。YouTube 标题放在 publication 中。

• 可选：

  键	效果
  musique	音乐文件，语音时自动降低音量
  couleurs	颜色，例如 {"accent": "#2f6bff", "accent2": "#5fa3ff"}
  sons: false	过渡时不使用嗖嗖声
  blanc	句子间的静默，默认 0.35 秒
  pause	在某个句子后额外增加静默
  sousTitres: false	无字幕

• 句子 1 必须有场景。 第 1 帧是用户在信息流中看到的封面，因此要使用简短、有钩子的 titre。

16 种场景（参数和示例见 references/scenes.md）：

用于展示…	类型
钩子、有力的句子	titre
数字（价格、记录、百分比）	chiffre
2 到 6 个要点、工具或技巧	liste
2 到 5 个步骤的方法	etapes
A 与 B 对比、之前/之后、误区/事实	duel
品牌、币种、应用	logos
应用截图或录屏	telephone
网站、页面	navigateur
照片，以卡片或全屏形式	image
对话（AI、支持、诈骗）	chat
危险、诈骗、好消息	alerte
趋势、数字比较	graphique
命令、安装	terminal
某人的引言	citation
概念及其解释	carte
需要定制视觉效果的那个时刻	html

场景要多样化。

• 为每个核心想法分配一个独立的场景：每个视频 6 到 10 个场景。
• 绝不在连续两个场景中使用相同类型，并且要改变视频之间场景类型的顺序。
• 固定的风格不能成为模板。如果连续三个视频的场景顺序相同，观众会流失。

三种模式（详情见 references/modes.md）

• Generated：只需要 JSON。
  • 语音来自 edge-tts：免费、无需密钥、支持多种语言。
  • 设置 voix.nom 可以更改语音或口音。
• Images：你的截图和照片放入 telephone、navigateur 或 image，来自 videos/medias/。
  • 录制或克隆的语音放在 "voix": { "fichier": "medias/voice.wav" } 中。
  • 语音会被本地转录（whisper）并与你的句子同步。
• Filmed：设置 "rush": "medias/clip.mp4"。片段的音频就是语音。
  • 没有场景的句子显示脸部，字幕在底部。
  • 场景在其想法持续的时间内覆盖屏幕。
  • 根据转录编写句子：技能会逐字同步它们。

渲染前检查清单

• 句子 1 清晰陈述主题，其标题在一秒内可读。
• 每个技术词汇都在同一句或下一句中解释。
• 每个句子最多一个强调词，并且有 6 到 10 个不同类型的场景。
• 数字来自真实、经过核实的来源。当数字来自他人时，chiffre 场景应带有 source。
• 联系表已审查，检查结果为干净，没有留下 "mot introuvable"（单词未找到）的警告。
• 结尾给出一个留下的理由（接下来会发生什么、值得记住的一句话），而非一个模糊的问题。
• 展示品牌是为了讨论它们，绝不暗示合作关系。
• 虚构对话带有 "mention": "Exemple fictif"，或英文的 "Example"。

遇到问题怎么办

消息	操作
voix : … edge_tts	运行 sh <skill>/scripts/install.sh
mot « x » introuvable	au 必须引用其场景所在句子中的某个单词，写法要一致
logo « x » introuvable	提供文件（"medias/x.svg"），或尝试不带空格的品牌名称
文本溢出	缩短文本，或切换到更宽的场景（carte 或 liste 而不是 duel）；不要修改 CSS
单词发音错误	将其添加到 prononcer，例如 {"Ledger": "Ledjer"}