白板讲解视频技能

白板讲解视频

核心风格：语音和画面同步移动。 每样东西都在被说到的同时绘制、书写、下划线和圈出，每个幻灯片逐步构建。在编写故事板之前，请阅读 references/style-guide.md；它包含了颜色、屏幕上文字的规则、渐进式揭示、同步时间表和整个视频结构。

从 template/ 开始每个视频（复制它，不要从头开始）：将此技能的 template/ 复制到 <project>/video/，然后运行 source env.sh && cargo build --release。二进制文件是 target/release/explainer（Windows 上是 explainer.exe；R ... 在 env.sh 中运行它）。该模板是一个约 95 秒的演示（“一分钟左右的二分查找”），包含四个可供复制的场景；template/README.md 中有所有命令。从项目文件夹运行 Python 脚本，格式为 python -I narration/<x>.py，需要安装 numpy、soundfile、librosa、faster-whisper 和 pillow。其内容包含：

• src/kit.rs：绘图工具包（手绘笔画、hand/note 文字、underline、circle、arrow、stamp、counter、用于论文图片的 Card 及其 mark/ring/spot/zoom 方法、camera、shrink_aside、图标）。整体使用。
• src/lib.rs：场景调度，带有 0.1 秒渐暗效果的章节标签，图像表，SceneCues（c.w(beat, "word") = 单词被说出的时刻）。演示场景：s_intro.rs（冷开场、标题、结束语回顾）、s_idea.rs（基于说出词语构建的幻灯片）、s_figure.rs（带有圈注/标记/笔记/亮点和缩放的图片卡片）、s_quiz.rs（带有陷阱图章的 mcq 测验）。
• src/objs.rs：可重用对象（mcq、grid、token、vecbar、hbar、code_panel、chat_card、quote_card、axes/trace、vec_arrow、photo……）加上一个“本视频”部分：将每个视频的重复对象放在此处，以便每个场景都能一致地绘制它们。
• src/duck.rs：主持人精灵（脚的位置、根据语音包络的说话摆动、每个场景的位置：冷开场/测验/结束语中为大尺寸，其他情况下为右下角小尺寸）。没有精灵表示没有主持人。
• src/t3d.rs（可选）：即时模式的立方体和用于张量/数组 3D 插图的 View3。
• narration/：script.py（场景 → 节拍，测验中使用 PAUSE）、tts.py（语音设置；查找 local-tts 的 say.py）、build_vo.py（语音 + 逐行缓存 + 暂停塑造 + 速度 + faster-whisper 单词对齐 → audio/narration.wav、src/cues.rs、src/envelope.rs）、words.py（检查每个 c.w(...) 键、缺失的分发分支和剩余的占位符；生成 WORDS.md）、est_cues.py（在语音生成前提供暂定提示和静音轨道）、audit_vo.py / tts_try.py（发音审核）、make_srt.py（带有 DISPLAY 映射、OVERRIDE 和 --review 的字幕）、envelope.py、glitch.py（最终文件检查）。
• tools/：prep_figs.py（从 figs/*.png 生成 src/figs.rs）、get_pet.py（下载主持人精灵）、font_metrics.py、make_demo_fig.py、lowprio.py（以空闲优先级运行任务）。
• media/：字体。只有媒体文件可以放在其顶层（include_media_dir! 会对其他文件报 panic），因此许可证文本位于 media/licenses/。
• HELPERS.md：给每个场景助手的简要说明（规则、文件映射、构建和检查循环）。
• STORYBOARD.md：演示的故事板，展示了助手所需的详细程度。
• THIRD_PARTY.md：字体、精灵、fframes 和 FFmpeg 许可证。

要求

• Rust（稳定版）和来自 crates.io 的 fframes 1.3.0（固定在 template/Cargo.toml 中；检查其许可证条款是否适合您的用途）。
• FFmpeg 共享库（FFmpeg 7+ "shared" 构建）和 LLVM/libclang 用于 fframes 构建。template/env.sh 读取 FFMPEG_DIR 和 LIBCLANG_PATH；在 Windows 上，还需将 FFmpeg 的 bin 目录添加到 PATH 中，以便 cargo 和构建后的二进制文件都能找到（如果缺少 DLL，通过管道运行时它会静默退出并返回 127）。
• Python 3.10+，包含 faster-whisper（单词对齐、审核）和 numpy。
• local-tts 技能（同一插件）用于生成语音。GPU 能显著加速；所有功能也都能在 CPU 上运行。
• 主持人精灵（可选）：来自 github.com/gennadi-kuzmin/awesome-codex-pets 的 Codex 宠物（192x208 单元格）。运行 python -I tools/get_pet.py --list，然后运行 python -I tools/get_pet.py <pet-id> 下载并将一个精灵切片到 sprites/。该仓库的 MIT 许可证涵盖其代码；在发布视频前请检查每个宠物精灵的图片使用权利。选择一个明亮的（深色宠物在黑色板子上会消失）。如果没有精灵，则视频渲染时不会有主持人。

fframes 版本和官方技能

新视频使用 fframes 1.3.0。创建者的官方技能 fframes-video 涵盖了通用 API 并随着每个版本而变化，因此请阅读它以了解本技能未涵盖的内容：先看其 SKILL.md，然后是 references/api.md、audio.md、design.md 和 3d.md。使用 npx skills add https://fframes.studio -g -a claude-code -y 安装它（如果您的权限阻止安装，请让用户运行该命令）；相同的文件位于 github.com/dmtrKovalenko/fframes 下的 skills/fframes-video/。本技能仅保留该风格特有的内容：外观、流程和下面的注意事项。当两者在渲染上意见不一致时，以下面的陷阱提示为准。

1.3 版本的新特性，值得使用：

• 3D 镜头（fframes::three_d）：请参阅下一节。
• 更清晰的检查：frame 3s --crop x,y,w,h（以视频像素为单位的缩放裁剪，用于精细笔画和小标签）、frame --ids（勾勒并命名每个有 id 的元素）、strip 2s,5s,9s（并排显示选定时间帧）和 inspect --pops（找出在一帧中弹出或弹入的东西；对主持人的眨眼进行分组）。--pops 检查的是帧，而不是编码后的 mp4，因此仍需在最终文件上运行 glitch.py。
• Lottie：功能 lottie，frame.play_lottie(ctx, "x.json", LottieOptions { .. }) 用于使用现成的动画图标。手绘工具包笔画仍然是默认的；仅在 Lottie 与白板外观匹配时才使用它。
• include_media_dir!(pub struct M, "media", stereo) 保持立体声音频文件的立体声特性。

白板视频中的 3D 镜头

仅在深度或移动相机是解释的一部分时才使用 3D：例如，需要从堆栈中提起一层的层叠、张量形状、内存层次结构、物理设备、损失曲面、倾斜的论文图表卡片。文字、标签、图表和箭头保持手绘 SVG。每个章节最多保留一两个 3D 时刻：视频仍然是白板风格。references/three_d_example.rs 是一个 4 秒的测试（一个旋转的层叠，其中有一层被提起，一个手写标签固定在上面，一个论文卡片在 3D 平面上以 svgr 绘制）。

• fframes = { version = "=1.3.0", features = ["compile-time-svgtree", "cli", "3d", "wgpu"] }。3D 功能可与 CPU 帧渲染器一起使用：使用 wgpu 时，3D 在 GPU 上渲染并读回（120 帧 1080p：在 RTX 4070 笔记本电脑上约 1.4 秒，使用 Renderer::cpu() 约 4.2 秒）。当 GPU 繁忙时，将渲染器切换为 .cpu()（示例读取 FF_3D=cpu），其他一切不变。wgpu 类型可能需要在 main.rs 中添加 #![recursion_limit = "256"]。
• 黑板外观：在工具包的 BG 矩形上使用 Background::Transparent，Material::shadow_catcher 地面，ToneMapping::Neutral 以保持工具包调色板真实，以及 Material::standard(c).roughness(0.45).clearcoat(0.4) 用于在缩略图尺寸下也能读懂的厚实物体。
• 3D 物体上的手写标签：camera.project(scene.local_to_world(id, local), w, h) 给出插图内部的像素坐标；加上插图的 x/y 偏移。在触发词处使用工具包绘制标签。
• 3D 环境中的论文图片：ctx.render_svgr(svgr!(..), w, h) → 在具有 Material::unlit(0xffffff) 的 Geometry::plane 上使用 Texture::from_image(&img)。同样的路径可将 PNG 图片放置到卡片上。
• 移动的对象必须保持在其插图渲染器的盒子内，否则会在边缘被裁切。
• 在 new() 中构建场景一次，然后为每一帧克隆并变换其姿态（请参阅官方 3d.md）。
• 张量/数组可视化：即时模式效果很好。场景函数根据 t 每一帧构建一个 Vec<Cube>（位置是简单的算术运算，因此方块可以折叠、分裂、展开、虚化填充），使用一个共享的 rounded_box 几何体渲染一个子视图，并投影点用于手绘箭头。仅在前层上书写立方体数字，并跳过淡出立方体（alpha < 0.6）的标签，否则它们会透出来。带有 3D 的完整 inspect 速度较慢（5400 帧约需 10 分钟）：请在后台运行它。
• 在整个相机移动期间，保持固定标签与所有物体清晰分离（在镜头开始和结束时检查静止帧），并在 shrink_aside 完成后开始 3D 镜头，而不是在其间。

工作流程

1. 研究：将来源资料整理到 research/paper_notes.md 中：每个数字及其表格/页码，以及措辞上的危险点（百分比 vs 点数等）。提取论文的图片作为图像（figs/，视频中为白色卡片）。在屏幕上显示论文自己的图表和图片。
2. 脚本（narration/script.py）：约 150 wpm，每个节拍一个句子，为语音拼写出来（“Swee Bench”、“T zero”、数字用单词拼写）。以最令人惊讶的数字开始冷开场 → 标题 + 论文卡片 → 路线图 → 章节 → 3-4 个测验（问题、选项 A-D、PAUSE、答案）→ 使用之前绘制的相同对象总结评价海报 → 附则 → 结束语。在语音生成后检查长度；修剪行或提高 TEMPO（1.06 可行），而不是加快语速。
   • 测验是困难且准确的多选题（风格指南第 6 节）：推理问题，四个选项，其中错误选项是真实的误解，只有一个可辩护的答案。编写 research/quiz_keys.md（每个选项都附带页码/表格引用，派生数字在 Python 中计算），并在生成语音前进行检查。
   • 教学，而非总结。 从零开始构建每个想法，并使用真实数字进行示例运算。在引入每个术语的行中定义它，并将行话简化为日常事物（“节点只是一项工作”）。大多数节拍以连接词开头（“所以”、“现在”、“但是”），以便转折点听起来清晰。保持在约 150 wpm：绘图需要时间。
   • 在使用每个符号之前正确介绍它；在使用它的行中重复一个简短的提醒。
   • 让它听起来像人，而非 AI。 在写作前阅读 references/natural-narration.md，然后运行 python -I scripts/aispeak_scan.py <project>/narration/script.py。在生成语音之前，修正分阶段的引子（“这是关键”）、非 X 而 Y 的重新框架、可引用的结尾和自问自答的问题。
   • 避免冒号片段行（“首先：...”、“三个基准。”）：语音会在那里停顿，下一行听起来会很突兀。场景的第一个词单独出现（“探测。”）可能会被吞掉：写成“接下来，探测。”。为“感谢观看！”分配自己的节拍。
3. 故事板（STORYBOARD.md）：每个场景，哪个元素在哪个触发词上出现，其大致位置 (x, y)、大小和颜色，哪个图片/裁剪，以及重复出现的对象和颜色含义。足够具体以实现，而不是设计。为标签区域（左上角）和主持人区域（右下角）预留空间。
4. 语音：narration/build_vo.py 通过 local-tts 技能的 say.py 生成语音，查找路径依次为 LOCAL_TTS_SAY、~/.claude/skills/local-tts/ 和 ~/.claude/plugins/**。GPU 繁忙？使用 GGML_BACKEND=CPU 和 WHISPER_DEVICE=cpu。按行缓存；修改一行会强制重新生成。shape() 根据剪辑前的标点符号限制每个剪辑内的静音长度（无标点 0.14 秒，, 0.24 秒，:; 0.3 秒，.?! 0.42 秒），行间为 0.5 秒（问号后为 0.7 秒）。在绘制场景前审核语音：audit_vo.py 不使用脚本作为提示转录每个剪辑（build_vo 的提示式 Whisper 会隐藏误读），并将其与脚本进行差异比较。忽略美式拼写和同音词；修复真正的误读，使用 tts_try.py 测试修复（在整个句子中测试：一个名字单独很好，但在句子中间可能会出错）。已知的误读记录在 local-tts 技能的陷阱中。每次重新生成语音后重新运行审核（Qwen 偶尔会重复一个单词，如“the the”）。语音尚未准备好？est_cues.py 会生成暂定提示和静音轨道，当 build_vo.py 覆盖两者时，场景会自动重新计时。
5. 工具包 + 1-2 个示例场景由您绘制并以完整尺寸检查，以便助手有一个质量标准。
6. 将场景组分发给并行子代理（小巧、快速的模型，配合高推理努力度，在指令紧凑时表现良好；仅示例场景需要更强的模型）。首先将重复对象放入 objs.rs 并填写 HELPERS.md，使用绝对路径指向 research/。将项目复制到每个代理的 work/<group>/ 中（跳过渲染和语音缓存），并将目标目录硬链接（cp -al target work/g/target，或每个助手使用 CARGO_TARGET_DIR；然后删除该副本自身的 explainer 程序包构件）以节省磁盘和构建时间。每个助手只编辑其 src/s_<group>.rs，构建，运行 words.py 和 inspect，检查缩略图和完整帧。通过复制其 s_*.rs 文件来合并；首先对其他文件进行差异比较。
   • 保持助手速度。 构建是瓶颈：保持 [profile.release] incremental = true + codegen-units = 256（重建时间从 ~50 秒缩短到 ~25 秒），并且同时最多运行约 4 个助手；将后面的组分配给先完成的人。一个组 = 2 个权重相似的场景；将测验或密集的场景拆分出来。预算：每个场景最多 3 轮构建和查看，一个 12 帧的缩略图加上 @end，然后列出剩余的疑问而不是润色。每个助手进行一轮有针对性的修复成本较低。
   • 验证他们的事实：对照 paper_notes 检查屏幕上每个数字，并计算每个示例（助手可能发明数字、进位错误，或者演示中泄露了后续测验的答案）。检查图片是否与旁白匹配。
   • 自己审查每个助手的缩略图和帧（他们自己的检查图像可能已过时），然后发送具体的修复指令。他们常见的错误是将每个阶段都挤在屏幕上半部分，使用小字号：给出 Y 轴范围和像素值...