HyperFrames 媒体预处理
三个 CLI 命令,用于为编排生成资源:tts(语音)、transcribe(时间戳)和 remove-background(透明视频)。每个命令在首次运行时下载模型,并缓存到 ~/.cache/hyperframes/。将输出放入项目,然后从编排 HTML 中引用它——有关音视频元素约定,请参阅 hyperframes 技能。
文本转语音 (tts)
使用 Kokoro-82M 在本地生成语音音频。无需 API 密钥。
npx hyperframes tts "Text here" --voice af_nova --output narration.wav
npx hyperframes tts script.txt --voice bf_emma --output narration.wav
npx hyperframes tts --list # 全部 54 种语音
语音选择
根据内容匹配语音。默认值为 af_heart。
| 内容类型 | 语音 | 原因 |
|---|---|---|
| 产品演示 | af_heart/af_nova | 温暖、专业 |
| 教程 / 操作指南 | am_adam/bf_emma | 中立、易于理解 |
| 营销 / 宣传 | af_sky/am_michael | 充满活力或权威 |
| 文档 | bf_emma/bm_george | 清晰的英式英语,正式 |
| 随意 / 社交 | af_heart/af_sky | 平易近人、自然 |
多语言
语音 ID 通过首字母编码语言:a=美式英语,b=英式英语,e=西班牙语,f=法语,h=印地语,i=意大利语,j=日语,p=巴西葡萄牙语,z=普通话。CLI 会根据前缀自动检测音素器区域设置——当语音与文本匹配时无需 --lang。
npx hyperframes tts "La reunión empieza a las nueve" --voice ef_dora --output es.wav
npx hyperframes tts "今日はいい天気ですね" --voice jf_alpha --output ja.wav
仅当需要覆盖自动检测(用于风格化口音)时才使用 --lang。有效代码:en-us,en-gb,es,fr-fr,hi,it,pt-br,ja,zh。非英语音素化需要系统范围内安装 espeak-ng(brew install espeak-ng / apt-get install espeak-ng)。
语速
0.7-0.8— 教程、复杂内容、无障碍1.0— 自然速度(默认)1.1-1.2— 介绍、过渡、快节奏内容1.5+— 很少适用;请仔细测试
长脚本
对于超过几个段落的文本,请写入 .txt 文件并传递文件路径。超过约 5 分钟语音的输入可能适合拆分为多个片段。
要求
Python 3.8+ 及 kokoro-onnx 和 soundfile(pip install kokoro-onnx soundfile)。模型在首次使用时下载(~311 MB + ~27 MB 语音,缓存到 ~/.cache/hyperframes/tts/)。
转录 (transcribe)
生成包含单词级时间戳的标准化 transcript.json。
npx hyperframes transcribe audio.mp3
npx hyperframes transcribe video.mp4 --model small --language es
npx hyperframes transcribe subtitles.srt # 导入现有字幕
npx hyperframes transcribe subtitles.vtt
npx hyperframes transcribe openai-response.json
语言规则(不可协商)
除非用户明确说明音频是英语,否则切勿使用 .en 模型。 .en 模型(small.en,medium.en)将非英语音频翻译成英语,而不是转录它。这会静默地破坏原始语言。
- 语言已知且非英语 →
--model small --language <code>(无.en后缀) - 语言已知且是英语 →
--model small.en - 语言未知 →
--model small(无.en,无--language)—— whisper 自动检测
默认模型是 small,而不是 small.en。
模型大小
| 模型 | 大小 | 速度 | 何时使用 |
|---|---|---|---|
tiny | 75 MB | 最快 | 快速预览、测试流程 |
base | 142 MB | 快 | 短片段、清晰音频 |
small | 466 MB | 适中 | 默认 — 大多数内容 |
medium | 1.5 GB | 慢 | 重要内容、嘈杂音频、音乐 |
large-v3 | 3.1 GB | 最慢 | 制作质量 |
带人声的音乐:至少从 medium 开始;制作好的曲目通常需要手动导入 SRT/VTT。有关字幕质量检查(每次转录后必须执行)、清理 JS、重试规则以及 OpenAI/Groq API 导入路径,请参阅 hyperframes/references/transcript-guide.md。
输出格式
编排使用一个扁平化的单词对象数组。id 字段(w0,w1,...)在标准化过程中添加,用于在字幕覆盖中提供稳定引用;为向后兼容,该字段是可选的。
[
{ "id": "w0", "text": "Hello", "start": 0.0, "end": 0.5 },
{ "id": "w1", "text": "world.", "start": 0.6, "end": 1.2 }
]
背景移除 (remove-background)
移除视频或图像的背景,使主体(通常是人物——头像、演示者、讲话者)在编排中作为透明叠加层呈现。
npx hyperframes remove-background subject.mp4 -o transparent.webm # 默认:VP9 alpha WebM
npx hyperframes remove-background subject.mp4 -o transparent.mov # ProRes 4444(编辑用)
w
npx hyperframes remove-background portrait.jpg -o cutout.png # 单张图像抠图
npx hyperframes remove-background subject.mp4 -o subject.webm \
--background-output plate.webm # 一次处理同时输出两个图层
npx hyperframes remove-background subject.mp4 -o transparent.webm --device cpu
npx hyperframes remove-background --info # 检测到的提供程序
使用 u2net_human_seg(MIT 许可证)。首次运行会下载约 168 MB 的权重到 ~/.cache/hyperframes/background-removal/models/。
图层分离 (--background-output)
传递 --background-output(或 -b)以在抠图旁边额外输出一个透明视频:相同的源 RGB,但 alpha 为 255 − mask 而非 mask。抠图是主体,背景透明;底板是原始环境,主体位置有一个透明空洞。
| 文件 | Alpha 是… | 用途 |
|---|---|---|
-o subject.webm | 蒙版 —— 主体不透明,背景透明 | 前景图层,放置在顶部 |
--background-output plate.webm | 反转 —— 周围环境不透明,主体区域透明 | 底层;在底板和主体之间放置文本或图形 |
两个输出共享相同的 --quality 预设,并且通过一次推理运行生成——编码成本大约翻倍,分割成本保持不变。仅适用于视频输入和 .webm/.mov 输出。
抠洞底板,而非修复后的干净底板。 plate.webm 中的主体区域是完全透明的——在其下方合成一个不透明的内容来填充空洞。判断 --background-output 是否是正确工具的唯一测试是:在主体曾经占据的位置,是否会通过主体的轮廓看到任何内容?
| 用例 | 正确工具 |
|---|---|
| 在抠图和底板之间放置文本/图形(此命令存在的理由) | 抠洞底板 (--background-output) |
| 将主体放置到无关的场景 | 仅使用 subject.webm;忽略底板 |
| 单独显示_没有_人的房间,不叠加其他内容 | 干净底板 —— 需要修复程序(LaMa、ProPainter、E2FGVI)。不是此命令。 |
| 用另一个主体替换当前主体 | 干净底板 —— 同上 |
如果用户要求“移除人物后的房间”并打算单独显示它,不要使用 --background-output。告诉他们需要一个修复程序。
典型的分层编排(典型的抠洞底板用例):
<!-- z=1 反相 alpha 底板填充除主体区域外的所有内容 -->
<video
src="plate.webm"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<!-- z=2 图形 / 文本位于两个图层之间 -->
<h1 id="headline" style="z-index:2; ...">MAKE IT IN HYPERFRAMES</h1>
<!-- z=3 抠图将主体浮回标题之上 -->
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3">
<video
src="subject.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
这在功能上等同于下面的文本在主体之后的模式,但项目中不需要原始的 presenter.mp4——底板取代了它。当您只想发布两个透明图层并让用户在它们之间放置任意内容时,这很有用。
输出格式
| 格式 | 何时使用 |
|---|---|
.webm (VP9 + alpha) | 默认。编排直接通过 <video> 播放此格式。 |
.mov (ProRes 4444) | 在 DaVinci/Premiere/FCP 中编辑。文件较大。 |
.png | 单张图像抠图(静态主体,叠加在背景上)。 |
Chrome 原生解码 VP9 alpha,因此 .webm 可以像任何其他静音自动播放视频一样插入到编排中——有关 <video> 轨道约定,请参阅 hyperframes 技能。
质量预设
--quality fast|balanced|best 仅控制 VP9 编码器的 CRF——分割质量是固定的。
| 预设 | CRF | 何时使用 |
|---|---|---|
fast | 30 | 迭代、文件较小、颜色匹配较宽松 |
balanced | 18 | 默认。大多数情况下视觉上无差异 |
best | 12 | 母版 / 最终交付。文件最大,匹配最紧密 |
合成模式——选择正确的模式
抠图 webm 是源 mp4 RGB 的重编码副本。这个选择取决于在它后面放什么:
| 模式 | 抠图后面是什么 | 结果 |
|---|---|---|
| 抠图在不同场景上(最常见) | 静态图像、渐变或无关视频 | 看起来很棒。抠图的 RGB 是主体的唯一来源——无重影、无边缘光晕。这正是 remove-background 的用途。 |
| 抠图在其自身的源 mp4 上(文字在主体后) | 与生成抠图相同的 mp4 | 同一个人的两个 RGB 源。在默认 --quality balanced(crf 18)下,重影几乎不可见;在 --quality fast(crf 30)下,您会看到微弱的颜色偏移 / 边缘光晕。对于母版,使用 --quality best(crf 12)。 |
| 抠图在同一个人物的_不同_镜头上 | 同一主体的素材 | 看起来像两个不同的人重叠。不要这样做。 |
文字在主体后(标题在演示者后面):
<video
src="presenter.mp4"
id="bg"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<h1 id="headline" style="z-index:2; ...">MAKE IT IN HYPERFRAMES</h1>
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3;opacity:0">
<video
src="presenter.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
两个关键规则:
- 将抠图视频包装在一个非定时的
<div>中并动画化包装器的不透明度,而非视频元素本身。框架会在活动片段(任何带有data-start/data-duration属性的元素)上强制设置 opacity:1,因此直接动画化视频的不透明度会被静默覆盖。包装器没有data-*属性,因此它由您的 CSS/GSAP 控制。 - 两个视频都使用
data-start="0"和data-media-start="0",以便框架从 t=0 开始同步解码它们。延迟挂载抠图(data-start=3.3)会引入一次查找 + 预热,导致画面与基础 mp4 错位一帧——在剪辑点可见为一帧错位。
然后在剪辑处使用 GSAP 翻转包装器的不透明度:tl.set(cutoutWrap, { opacity: 1 }, 3.3)。
TTS → 转录 → 字幕
当没有预先录制的画外音时,生成一个并重新转录以获得用于字幕的单词级时间戳:
npx hyperframes tts script.txt --voice af_heart --output narration.wav
npx hyperframes transcribe narration.wav # → transcript.j
…
[为翻译截断]