Communitygithub.com

make-video

从学习指南或主题生成动画口播纵向视频(1080×1920)的 YouTube Shorts – 拆分指南、编写旁白、构建文字同步场景、使用 Kokoro TTS 配音并渲染 MP4。当用户要求制作、生成、渲染或重新渲染短剧、视频、片段或剧集,或将文档转换为短剧系列时使用。

make-video 是什么?

这是一个用于生成动画口播纵向视频(YouTube Shorts)的 AI Agent 技能,基于 Python 管道实现。它能够将学习指南或任何主题拆分为多个部分,为每个部分编写旁白,使用 kinetic typography(动态文字)风格构建与语音同步的场景,然后通过 Kokoro TTS 引擎配音并渲染为 1080×1920 的 MP4 视频。该技能支持 Claude Code、Cursor、Codex 等 AI Agent 平台,适用于需要将文字内容快速转化为短视频系列的场景。用户只需提供指南或主题,AI 会分析内容、提议分集方案、在用户批准后逐一生成每个部分的文字与场景,最后渲染完整视频。核心优势在于全自动的编排脚本(`pipeline/` 目录下的 Python 脚本),包括依赖管理、静态检查、场景生成和批量渲染,大大降低了从零搭建视频制作管道的门槛。技能严格遵循既定的视觉和叙事规则,确保所有输出风格一致,无需人工介入设计细节。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/rana3128/claude-skills-plugins/tree/HEAD/plugins/video-gen/skills/make-video

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

制作口播动态文字 Shorts

所有渲染工作均使用本文件旁边的 pipeline/ 中的打包管道完成 (技能加载时显示的“此技能的基础目录”)。

0. 初始设置(每个项目一次)

如果项目没有包含 kinetic_build.py 的 video_gen/ 文件夹,请创建:

mkdir -p video_gen && cp <skill dir>/pipeline/* video_gen/
cd video_gen
python3 -m venv .venv && .venv/bin/pip install -r requirements.txt            # 绘图 (Python 3.11+)
python3.12 -m venv .venv-tts && .venv-tts/bin/pip install -r requirements-tts.txt  # Kokoro 语音

ffmpeg 必须在 PATH 中。voice.py 在其旁边的 .venv-tts 环境中运行 TTS 工作进程。 所有命令都在 video_gen/ 目录下执行。

1. 阅读规则

  • DESIGN.md — 动态文字视觉风格。硬性规则:盒子在单一全宽列中上下堆叠, 绝不并排;盒子边缘无装饰条;大号文字;每个元素在对应的口语单词出现时显示; 标题占一行(约 30 个字符);无烧录字幕。
  • PARTS.md — part.md 格式、旁白规则以及如何拆分指南。 除非调试,否则不要阅读 engine_short.py、templates.py 或 skin.py。

2. 新系列:先拆分,后审批

  1. 分析源码指南并提议一个分集列表(每集一个概念,约 90-125 秒)。 等待用户批准。 切勿为了达到时长而删减内容;应添加示例和“为什么”。
  2. 为每个 <系列>/pNN_<别名>/ 编写 part.md,外加 <系列>/README.md,其中包含分析和分集表格。
  3. 将系列文件夹添加到 build_part.py 的 SERIES 列表中(包含开场和结尾)。 可选:将徽标标记添加到 kinetic.py 的 MARKS 中。
  4. 检查旁白:.venv/bin/python build_part.py <part dir> --lint 并修复所有问题。 旁白:无需回顾、无需欢迎,直接进入主题;无符号或代码;拼读缩略词以便语音合成;节奏最多 45 个单词。

3. 场景

每部分都有一个定义 SCENES 的 scenes.py。两种风格(参见 examples/):

  • 声明式舞台块(推荐,快速):SCENES = K.part(word, tag, chips, [[blocks...], ...]) 使用 Track, Pipe, Rows, Code, Lanes, Bars, Ring, Fan, Chips, Big, Note。cue 是一个单词前缀 (从块的上一个 cue 之后搜索),(word, beat) 或一个节拍数字。示例:examples/p03_*。
  • 手写 Scene 类用于块无法表达的隐喻。示例:examples/p01_*。 按口语顺序列出 cue 单词,否则 cue 会返回 MISSING。

4. 检查,然后渲染

.venv/bin/python kinetic_build.py <part dir> --stills /tmp/pNN.png   # 联系表 + cue 报告
.venv/bin/python kinetic_build.py <part dir> --out <series>/output   # 最终 <slug>_voiced.mp4
.venv/bin/python cue_scan.py <series>/p*_*                           # 纯文本同步检查

在最终渲染之前修复每个 MISSING 的 cue 和 overflow。对于整个系列,先渲染前两部分并获得用户对视觉效果的确认,然后以每次 3 个的方式在后台渲染剩余部分(xargs -P 3)。

5. 报告

一张表格:MP4 链接、主题、时长、最长静默(目标低于 1 秒)。在系列 README 中标记已渲染的部分。明确说明哪些未检查(帧未查看、音频未收听)。

禁止

  • 盒子并排、边缘装饰条、小字体或烧录字幕。
  • 提出每视频单独校准语音;同步是基于单词时间的通用方案。
  • 直接编辑 engine_short.py;build_part.py 会在内存中打补丁。

相关技能