RAW KINETIQ

RAW KINETIQ 是做什么的？

输入歌曲，输出 MP4。流水线已经搭建好；你的工作是运行它，像编辑一样审查时间轴，并修复机器出错的地方。最终的视频应该让人感觉每个词都在正确的时间唱出，并且视觉效果伴随歌曲的能量而呼吸。

视频是为歌曲设计的，而不是把歌曲塞进统一的风格中。 歌曲的主题、情感、流派和节奏决定了所有元素：颜色、字体、屏幕上同时显示多少个词、它们如何出现和消失、它们的位置、镜头运动的强度、背景内容，以及用户自己的图片放在哪里。没有预设可供选择，只有一套可以混合的工具包（references/toolkit.md），当歌曲需要工具包中没有的画面时，你必须为那首歌专门构建。两首歌绝不能看起来相似，一个视频应该看起来像 YouTube 上独一无二的作品。要勇于创新，敢于冒险，然后检查你的作品（第5步），确保这些冒险能够落地。

视频中发生的变化是因为歌词内容本身。 只有背景和字体变化的视频是幻灯片。当歌词提到“手”，就有一只握着的手；当提到“嘴”，就有一张张开的嘴，镜头推进去；当歌词说“我知道每一个出口”，出口标志就飞速掠过。这些时刻需要通过代码绘制（SVG 图形，在 Remotion 中做动画；绝不使用图像生成器），并与其对应的词语时间对齐（第4b步）。

下面的路径：SKILL = 本技能的文件夹（${CLAUDE_SKILL_DIR}），PY = setup_env.sh 打印出的 Python 路径（Windows 上为 ~/.raw-kinetiq/venv/Scripts/python.exe，其他系统为 ~/.raw-kinetiq/venv/bin/python）。在 Windows 上使用 Git Bash 运行 .sh 脚本。

0. 你需要从用户那里获取什么

只需歌曲即可。获取歌曲（以及歌词，如果用户有的话），然后一次性提出视觉风格问题：只用一次 AskUserQuestion 调用，这样用户可以做出选择，然后在分析运行时离开。跳过用户消息中已经回答的任何问题。如果用户说“直接做吧”，或者他们不在，使用默认值并说明你使用了哪些。

问题（标题）	选项	默认值
格式	16:9 (1920x1080)（推荐）/ 适用于 TikTok、Reels、Shorts 的竖屏 9:16 (1080x1920) / 正方形 (1080x1080)	16:9
风格	根据歌曲设计（推荐）/ 然后提供 2-3 个源自歌曲自身意象的具体方向，每个用简单语言描述（对于一首关于发烧的歌：“文字在热浪中颤抖，汗黄色衬底变黑”）。“其他”让用户用自己的话描述氛围	根据歌曲设计
叠加层（多选）	艺术家名字（左上角）/ 歌曲段落名称（左下角）/ 计时器+进度条 / BPM+节拍计数器。在问题中说明，不选择任何选项将产生一个干净的音乐视频	无
素材	“你有希望放入视频的图片吗（封面艺术、照片、Logo、你的照片）？”没有，根据歌曲设计（推荐）/ 有，我会在这里发送 / 有，它们在一个文件夹里	无

答案映射到 new_project.sh 标志：--size 和 --overlays artist,section,timer,bpm（仅限选中的项）。除非用户另有要求，否则始终为 60 fps。视觉风格的设计完全由你在第2b步中完成，受用户回答的引导。

如果用户有素材， 立即回复：“请发送它们（或告诉我文件夹），以及每张图片是什么或你希望它放在哪里的说明，如果你有偏好的话。”描述是可选的：使用 Read 工具打开每张图片，自己查看其内容。在第2c步中将其引入。

其他输入，无需提问：

输入	默认值
歌词	粘贴 > 文件标签（Suno 写入的） > 由你清理的转录
标题/艺术家	文件标签；如果标签标题是垃圾（例如 [Rec] Oct 24 ...），使用文件名
背景	auto：场景按段落和你的设计跟随
结束卡	标题+艺术家在最后几秒显示；如果他们不想要，使用 --no-endcard

1. 设置（每台机器一次，之后瞬间完成）

bash SKILL/scripts/setup_env.sh

创建共享的 Python 环境（faster-whisper, Demucs, librosa, Pillow；CPU 构建）并打印其 Python 路径。需要 Python 3.10+、Node 18+ 和 ffmpeg（含 ffprobe）在 PATH 上；如果缺少一个，告诉用户需要安装什么，而不是自行安装系统软件。首次运行会下载几个 GB（现在下载 CPU 版的 PyTorch，Whisper 和 Demucs 模型在首次使用时下载）。

2. 分析歌曲（缓存，后台运行）

项目文件夹：<歌曲所在文件夹>/<歌曲名> lyric video/，除非用户另有指定。如果用户粘贴了歌词，首先将其保存为 <项目目录>/work/lyrics.txt，保留 [Section] 标签。

PY SKILL/scripts/prepare.py "<歌曲文件>" "<项目目录>/work"

对于一首3分钟的歌曲，大约需要8-10分钟（CPU：先运行 Demucs，然后两次 Whisper large-v3）。每一步都会缓存其输出，因此重新运行只会执行缺失的部分。绝不要删除这些输出以“重新开始”；要重做某一步，只需删除该步骤对应的文件。它会打印：

• 时长、BPM、小节长度（240 / BPM）、每秒能量（能量跳跃处即 Drop 处），
• 人声存在范围（间隙 = 乐器段），
• 两个 Whisper 转录结果（完整混音的，以及单独人声音轨的）。

2b. 设计这首歌的视频

从歌曲开始，而不是从工具包开始。 先不要打开工具包：一份现成动作的菜单会把每首歌都引向同样的少数几种外观。首先要弄清楚这首歌是什么，并在 <项目目录>/work/design.md 中写下来：

1. 用几句话概括这首歌： 故事、谁在说、对谁说、地点、时间、歌词反复出现的物体和意象、以及它的感觉（紧张、温柔、麻木、挑衅、俏皮、偏执）。感觉比流派更能决定运动。
2. 它存在的世界。 阅读歌词的词汇，而不仅仅是故事：歌词中的词语聚集形成一个世界，这个世界比标题的日常意义更能说明歌曲存在于何处。充满“判决”、“作证”、“刑期”的歌曲存在于法庭；“锚”、“漂流”、“港湾”在海上；“平衡”、“负债”、“利息”在金钱世界。然后列出标题和副歌的每一个含义，包括俚语和这些词在游戏、电影、体育和亚文化中的含义（“Ghost”是幽灵、人间蒸发的人、游戏术语），并选择词汇支持的或融合两个含义。写出候选含义以及你选择其中一个的原因。
3. 核心意象， 来自那个世界和歌词本身的词语，绝不要来自流派。一首关于被监视的歌：窗户一盏盏亮起。一首关于时间不多了的歌：导火线在画面中燃烧殆尽。
4. 标志性动作：歌词词语本身在歌曲的语境下做了什么。 两到三个，每个用一句话描述：一个词如何出现，如何消失，副歌做了什么。它们来自核心意象：在一首关于发烧的歌中，词语在热浪中颤抖着出现，然后冷却静止；在一首关于未寄出信的歌中，词语是用渗血的墨水写成的，然后纸张将它们折起。测试： 如果同一个动作能用在另一首随机的歌上，那它还不是标志性的。让它足够引人注目：在第一个副歌之后，观众应该能够描述出词语做了什么。一丝微光或一眨眼的模糊几乎看不出；在歌曲高潮部分，让动作占据空间和时间，在主歌部分保持低调。你需要为这首歌编写这些效果（video/src/custom，工具包中的“歌曲自己的部分”）。
5. 镜头列表： 每个段落对应其场景、相机运动、歌词布局、调色板以及使用的动作。核心意象像一部短片一样在其中演变（见下文），每个段落的构图都应不同：将同一个视图重绘或添加几盏灯，不是一个新的镜头。
6. 你不会做什么： 明确指出针对此流派和情绪可能想到的、但你正在避免的常见动作，这样你就不会退回到它们。
7. 这些时刻将共享的绘图风格（第4b步）， 源自歌曲的世界：霓虹线条画、平贴剪纸、水墨画、蓝图线条、粗体剪影、漫画分格、木刻。整首歌使用一种风格，这样所有时刻看起来像一部电影。

需要查看的事实数据：BPM（注意半速感：140 BPM 的陷阱节拍通常感觉像 70），人声密度（whisper_full.json 中的每秒字数：快速说唱需要短促爆发；缓慢持续演唱可以持有短语）和每秒能量（能量跳跃处，视频发生变化：副歌与主歌不同的处理方式，桥段打破模式，最后的副歌比第一个更大）。

现在阅读 references/toolkit.md 并构建设计：

• 时刻 在时间轴创建后绘制（第4b步），但现在就规划它们：故事板塑造了镜头列表，而围绕一个时刻构建的段落可以在其背后保持简单。
• 首先处理歌曲自己的部分。 将标识性动作编写为 effects，将核心意象编写为 layers（当某个时刻需要时，将线条样式编写为 modes），所有这些都放在 video/src/custom/index.tsx 中。在歌曲高潮部分（至少副歌）使用标识性动作，并将其置于视频中心，而不是一次性使用。
• 工具包是配角。 它的内置入场、出场、线条样式和图层承载了过渡性的歌词行并填充场景。其中许多是为早期歌曲制作的（如为 phonk 曲目设计的 slam、slash、cut 和 glitch，被切成两半的颂歌，隧道效果），默认使用它们正是导致两个视频看起来相似的原因。只有在它确实适合这首歌的意象时，才使用内置效果，并在 design.md 中说明原因。
• 调色板： 颜色来自歌曲的世界或用户的图片，并支持按段落变化。写出所有颜色；不要从主题开始。
• 字体： 适合这首歌语气的任何 Google Font 作为 display 字体和一个对比鲜明的 alt 字体。
• 相机、能量和反应： 每个段落一个动作，镜头运动的强度，以及视觉效果是跟随节拍脉动还是跟随人声运动。
• 素材： 用户每张图片放在哪里，以及文本如何为其腾出空间（2c）。

视频是一系列镜头的集合，绝不是在文字上加图片的一张静态画面。 一个核心想法是正确的，但一个不变的画面不是。像拍一部短片一样逐段规划歌曲：观众在开头看到什么，主歌如何构图，副歌打开了什么，桥段打破了什么，如何解决。核心意象应该演变：改变比例、角度或相机运动、一天中的时间、调色板、画面中的内容。一个自定义图层可以获取当前段落及其进度，从而在不同段落展示不同内容。每个副歌必须明显看起来与它的主歌不同，并且最后一个副歌比第一个更大。如果相邻两个段落共享场景、相机、布局和调色板，则必须更改其中一个。

改变构图，而不仅仅是颜色。 当一个自定义图层承载整首歌时，给它真正的镜头：不同的相机位置（俯视、从内部、地面水平、特写细节）、不同的比例、画面中不同的主体。重新着色同一个视图或向其中添加灯光，仍然会被视为一个镜头，并且检查会标记出填充歌曲时间过长的构图（one-shot）。

将词语与图像一起放置。 歌词的位置是设计的一部分：在场景显示的表面上、在窗户里、在主体旁边、随着音乐的移动而移动到新位置。整段歌词中的词语爆发都在完全相同的位置，那就是字幕。一个效果中的 burst 钩子可以将爆发移动到任何地方（通过其 transform）。

慢不等于静止。 一首柔和、缓慢或低语的歌曲动作缓慢但永不停止：相机漂移或推进，光线随着人声而增强（"react": "voice"，柔和歌曲的默认值），每个段落场景都会变化。保持感觉（温柔保持温柔），同时让每个段落都成为一幅新画面。给慢速歌词留出成为大画面的空间：一次显示更少的词，设置成大字，有目的地放置，而不是整首歌都像一个小字幕在同一行。

大胆尝试：突破流派（用粗犷字体的灵魂乐，用衬线字体的 Drill 曲目）并敢于冒险；自检（第5步）会捕捉到效果不佳的地方。它还会标记没有 design.md 的视频（no-design）、仅使用内置动作的副歌（no-signature）、从早期歌曲借用的内置效果（borrowed）、以及仅由内置图层构成的背景（stock-world）。

用两到三句简单的话告诉用户你的设计（“一首关于被监视的歌，所以词语放在一栋建筑前，夜晚窗户一盏盏亮起；每个词在唱出时像窗户一样亮起，副歌将街道调暗到只剩一个明亮的房间”）。

然后设置视频项目（它会复用现有项目）：

bash SKILL/scripts/new_project.sh "<歌曲路径>" "<项目目录>" --size 1920x1080 --fps 60 [--overlays artist,timer] [--no-endcard]

并将设计写入 video/src/data/config.json（颜色、字体、动画、场景、素材）。重新运行 new_project.sh 会保留你放在那里的所有内容。对于使用本技能旧版本创建的项目，添加 --update：它会替换当前模板代码，并保留歌曲的数据、自定义部分和素材。

2c. 用户的图片

PY SKILL/scripts/assets.py "<项目目录>" <图片文件或文件夹> [--cutout name1,name2 [--person]]

将它们复制到项目中（直立、大小合理），打印每张图片的形状、亮度和主要颜色，并写入 video/public/assets/sheet.png。查看该图。抠出那些应该在没有背景的情况下出现在画框中的主体（--cutout；如果是人物，添加 --person，否则模型可能只保留手或脸）。检查图上的每个抠图；如果边缘不对，尝试另一个模型，或者改为将图片用作背景或海报。

使用用户对每张图片的描述；当他们没有说任何信息时，根据你看到的来做出决定。将它们放在歌曲需要的地方（工具包，“素材”）：肖像抠图放在主歌旁边，封面艺术作为副歌背景，Logo 水印在开头。在 video/src/data/config.json 中设置它们的位置、大小和动画。其中一些可能图片会作为自定义图层的一部分动态出现（第4b步）。

3. 对齐时间轴（4-6分/分钟）

PY SKILL/scripts/timeline.py "<项目目录>"

创建 <项目目录>/work/timeline.md 并自动打开它。它会为每个段落显示每个 Whisper 对齐的词语及其时间戳。你的工作是逐段修复对齐错误： 合并断裂的单词，分割合并的单词，当 Whisper 因背景音乐而偏移时听到正确的时间。使用 Read 工具（如果在编辑器中，也可以直接编辑文件），并且可以在修复几行后检查整个文件的语法。对于某些平台（Desktop），在浏览器中预览可能会更清晰。这是最重要的一步：时间不对的歌词比没有歌词更糟糕。

何时重跑 Whisper： 当几乎每行都偏移相同量时，运行清除清理后的转录并重新运行分析（第2步），或者手动将所有时间戳调整偏移量。当仅人声轨道（whisper_vocals.json）也有时，如果感觉错误仍然存在，尝试运行带 --transcriber large-v3 的 prepare.py（它会用一个更小的模型替换 full-7），因为不是所有机器都有 VRAM 来运行 large-v3。

对于 Suno 嵌入的歌词：检查时间戳是否在 suno_timestamps.json 中；如果 Suno 的时间戳更准确导航设置就不需要调整选项的话。timeline.py 已经通过与 track_lyrics.md 比较来合并它们。

4. 渲染并预览歌词

cd "<项目目录>/video"
npx remotion studio

这会启动 Remotion Studio（一个交互式网页预览）。在浏览器中打开它。

4b. 将歌词时刻绘制为代码（SVG）

在第2b步中规划的时刻，现在进行绘制：它们应该在 video/src/custom/ 下。用 SVG 形状表示歌词中提及的物体（手、嘴、出口标志、车窗），并对每个时刻进行动画，使其精确覆盖歌词的爆发点。使用 Remotion 的 <Animated> 或 <use> 来复用形状。将每个时刻绑定到其对应的歌词行：

// 示例：当歌词提到“手”时
<Animated
  use:scale={{
    0: 0, // 开始于 0
    0.5: 1.2, // 在歌词出现时放大
    0.7: 1, // 稳定
    1: 0.8, // 消失
  }}
>
  <HandSVG />
</Animated>

将时刻的时间与第3步中修正的 Whisper 时间戳对齐。

5. 自检（渲染前）

PY SKILL/scripts/check.py "<项目目录>"

这会进行高速分析，无需渲染整个视频。它检查：

• frame-same: 是否有太多连续的帧看起来相似（例如，静态背景）。
• one-shot: 单个构图是否占用了歌曲过多时间。
• no-design: 缺少 design.md。
• no-signature: 副歌没有自定义效果。
• borrowed: 过于依赖早期歌曲的内置效果。
• stock-world: 背景仅由内置图层构成。

修复任何问题。如果某个问题基于用户的风格选择属于有意为之，可以在 design.md 中记录。

6. 渲染

cd "<项目目录>/video"
THEAD=4 && THUMBS=4 && npx remotion render --frames-per-lambda=40 --concurrency=${THUMBS} --log=verbose --overwrite out/raw-kinetiq.mp4

大约需要10-15分钟。将其重命名为 <项目目录>/out/<song_name>_lyric_video.mp4。

7. 质量检查

在重命名最终输出之前，播放视频。检查：

• 音频同步。
• 歌词时间戳是否正确。
• 所有的效果是否按预期工作。
• 用户图片是否被正确放置和显示。

如果有问题，回到第3步或第4步。

8. 输出

视频在 <项目目录>/out/ 文件夹中准备好。告诉用户在哪里找到它。

参考

• references/toolkit.md — 内置效果、图层和资产的完整参考。
• references/examples.md — 不同歌曲的先例视频。
• SKILL/scripts/ — 所有脚本文件夹。
• video/src/custom/ — 此歌曲的自定义 SVG 时刻。