用户偏好
始终记住并应用用户已建立的偏好、喜好、厌恶、质量标准和工作流程要求。 除非需要澄清,否则不要再次询问相同的偏好。
背景
每当场景需要背景时,始终使用 assets/background 中的背景。
选择最适合内容的背景,并在整个视频中保持视觉一致性。
音效
仅使用 assets/mascot/sound-fx 中的音效。
- 始终使用嗖嗖声(whoosh)用于过渡、移动和场景变化。
- 始终使用弹出声(popup)用于出现的文本、图标、UI元素、统计数据和高亮标注。
- 智能地匹配所有其他音效与屏幕上的动作。
- 声音与视觉效果精确同步,使用专业的电影/UI音效设计。
- 确保每个重要的动画、过渡、交互和视觉事件都有合适的音效。
字体
标题字体颜色应为橙色 正文字体应为黑色
口播解说 是做什么的?
声音是时钟,主持人说话(口型同步),每个想法首先是一张日常图片,每个场景都有一个缩放和一个重点强调时刻,视觉风格采用苹果风格,影片承载用户品牌。示例:“REA - Reverse Engineer Anything”(129.0秒,12个场景) - references/example/(脚本、分镜、重计时)。
下面使用的路径:
<skill>= 此技能的文件夹。<kit>=<skill>/../explainer-kit。<engine>=<skill>/../spatial-film。<home>=TALKING_EXPLAINER_HOME或~/.talking-explainer;profile =<home>/profile/(与explainer-kit共享)。<py>= 保存在<home>/config.json中由setup-check设置的python命令(Windows上为py -3.12,macOS上为python3)。
从影片项目的根目录运行每个影片脚本。脚本是经过验证的代码 - 运行它们,切勿重新生成。通过联系表判断场景,切勿在主会话中阅读场景HTML。工作者接收文件路径。
吉祥物动画规则
所有面部资源已在Photoshop中预对齐。 仅进行帧交换。
切勿:
- 混合嘴部姿态
- 变形嘴部姿态
- 插值嘴部姿态
- 生成中间帧
- 重新定位资源
- 旋转资源
- 缩放资源
- 扭曲资源
- 自动对齐资源
- 自动居中资源
允许:
- 现有嘴部姿态
- 眨眼动画
- 单眼眨眼动画
自然行为:
- 每2-5秒随机眨眼
- 偶尔的长眨眼
- 偶尔的单眼眨眼
- 自然口型同步
目标: 在保持像素完美资源对齐的同时,实现自然的吉祥物行为。
额外运动:
- 应用微妙的1-2%浮动运动。
- 说话时添加轻微的头部摆动。
- 缩放0.5-1%以模拟呼吸。
- 添加非常小的旋转偏移(-1° 到 +1°)。
- 使用缓慢、平滑的缓动。
- 切勿静止超过2秒。
设置(仅首次运行)
尚无 <home>/profile/brand.json = 运行 explainer-kit 的 Phase S(setup-check、品牌访谈 + profile.mjs init、voice.md、音乐)。其品牌访谈设置主持人名称(--presenter)。此技能还需在同一个访谈中完成另外两件事:
- 开场白和结束语 在
voice.md中,逐字逐句,包含用户的姓氏(钩子开场白是“<声称>?这是真的吗?<名字>在此,来自<品牌>... 让我们来分解一下。”)。 - 主持人: 捆绑的演示版(一个面无表情、戴眼镜的卡通人物),或他们自己的角色 - 参见下面的“你自己的说话角色”。
默认设置(无需再次询问)
- 旁白 使用配置文件的语言,采用
voice.md中用户的风格。屏幕上 = 简短的基础英语(每个标题行约6个单词)。只要信息传达清楚,长度不限(自然录音约150-160 wpm)。 - 用户从脚本录制录音(他们的ElevenLabs声音克隆或自己的麦克风)。Phase 1将脚本作为可粘贴的段落交给用户,并等待一个MP3。仅当用户要求时,才通过API生成(
<engine>/scripts/el-tts.py,密钥在环境变量EL中,绝不存储在磁盘上)。 - 开场白 = 钩子优先: 以该话题最令人惊讶的主张作为问题开场,然后是
voice.md中的开场白。话题的名称在第二段出现。结束语 =voice.md中的结束语 + 配置文件的cta。 - 概念性话题 用一个日常比喻来直接讲述(REA:咖啡馆的秘密拿铁配方)。关于用户自己的工具或系统的“工作原理”话题 则改用真实内容的演练 -
references/real-apps.md。第三方工具和平台也是如此:命名真实产品,走真实的请求流程,并使用平台自身的文案、设置以及从其实时页面读取的数字。对于任何技术话题,默认使用演练方式。 - 短片(<= 30秒): 约2.6词/秒,4个段落 = 4个帧(钩子+身份标识/名称/一张图片/结尾),一行结束语,2个工作者 x 2个场景。
- 议题/新闻话题: 首先研究实时报道(本地媒体 + 一篇深度文章),然后平衡地撰写:每个主张在配音中注明其来源(“根据机构...”、“批评者说...”),恐惧情绪给出真实规模,然后是一个编号的灰色地带清单,其中官方声明相互矛盾或关键细节未公开,一个公平的积极段落,以及需要追问的问题作为总结 - 绝不给出裁决。任何仅通过搜索摘要得到的信息(页面本身加载失败)应保留在SCRIPT.md的facts块中,标记为“未验证,不可配音”。对于此类话题,16帧 / 约700字是可以的。
- 根据粘贴的转录稿撰写脚本: 保留来源的事实和思路顺序,以叙述者的声音重写每一行(切勿逐行翻译),并删除来源主持人自己的部分(“我构建了...”、代码演示、他们的名字)。长粘贴内容截断至约50000字符:在SCRIPT.md中注明截断位置,然后通过标准机制补充缺失部分,并对所有其他主张一样进行核实。将粘贴内容第一天保存到
references/source-transcript.txt,并保留来源中提及的人物和里程碑。 - 真实人物 = 人物卡片,而非名字标签: 肖像(双色调照片或插画像)+ 名字 + 一行角色 + 年份。在SCRIPT.md的“Person on screen”下列出每个被提及的人物及其场景。
- 视觉 = 苹果风格: 白色光线(
#F5F5F7底色),Geist字体配合根据字号调整的字间距,模拟玻璃效果(.ap-glass- 切勿在3D场景内使用backdrop-filter),.ap-window/.ap-dark面板,临界阻尼的sp()弹簧效果(禁用back.*),克制(每帧一个想法,脉冲 <= 1.1),蓝色LENS主线。颜色代表意义,每部影片需重新定义。脚手架已预设所有这些。 - 图标 = Solar(480 Design, https://solar-icons.vercel.app) - 粗双色调用于主要图标,线性用于UI界面,来自
references/icons-solar.html。切勿使用Lucide或Phosphor。该艺术作品采用CC BY 4.0许可:每次交付都为用户提供一行文本“图标:480 Design出品的Solar(CC BY 4.0)”,用于视频描述。 - 动画: 标题文字通过逐字显现(升起+模糊 -> 0,弹簧效果),任何工具都有UI动画,解说图,加上每个场景都有一个镜头推入(ZOOM)和一个重点强调节拍(EMPH:脉冲、标记划过、下划线绘制、焦点拉动、数字弹出)。遵循60fps流畅法则。
- 1920x1080,60fps。品牌标志在钩子场景中,角落标志在中间部分,结束卡片 = 标志 +
cta。
阶段
| # | 阶段 | 操作 | 检查点 |
|---|---|---|---|
| 1 | 脚本 + 录音 | 研究话题(真实事实,附来源)。加载 <kit>/references/voice-script.md + <home>/profile/voice.md。钩子优先开场白 + 如上结束语,不使用“!”,一个比喻(或演练),12个段落 = 12个帧(形状:references/example/SCRIPT.md)。拼出作为字母读出的名字(“R-E-A”)。关于AI“不能做什么”的主张必须是当前模型的真实情况。不使用专业术语数字(使用页数,而非tokens;取整计数)。编写 <film>/SCRIPT.md,将段落以纯文本形式交给用户(无代码块,最后一个段落之后无任何内容 - 用户将整个消息粘贴到ElevenLabs;录音提示放在之前的一条消息中),等待MP3;使用 ffprobe 获取其长度 | 拿到录音,记录长度 |
| 2 | 脚手架 + 时间 | node <skill>/scripts/new-talking-explainer.mjs <film> --name <slug> --mp3 <take.mp3>;<py> <kit>/scripts/transcribe.py assets/audio/vo.mp3 src/timing --lang <code> --prompt "<名称, 术语>";<py> <kit>/scripts/words.py src/timing/vo-words.json(提示单) | 转录匹配脚本 |
| 3 | 分镜 | 使用全局时间(如下)编写 STORYBOARD.src.md,形状参照 references/example/STORYBOARD.md:每段一帧,在句子停顿处剪切(总时长 = 配音结束 + 2.8秒),标题每行一个字段(- start: / - duration: / - src:),每个块在其提示词上标记 ZOOM 和 EMPH节拍,颜色代表意义,真实事实 + 虚构附加内容,共享主体对象的两个场景间有STAGE POSE接缝。<py> src/storyboard-local.py -> STORYBOARD.md。向用户展示帧列表(每行一帧) | 用户确认“继续” |
| 4 | 合约 + 主持人 + 音频 | 编辑并运行 src/set-film.py(场景 + 配音长度)。编辑并运行 src/set-presenter.py(姿态在其提示词前约0.1秒;思考/走路没有嘴 - 切勿在说话时出现)。背景音乐:<py> <engine>/scripts/bgm-cut.py assets/audio/bed.mp3 assets/audio/bgm-edit.wav --len <total> --a 0 <total+3> --fade-out 2.6(比背景音乐长的影片重复主体:--a 0 <len> --b <bar> <len> --b ... --xfade 0.3) -> <py> <kit>/scripts/master-audio.py --len <total> -> <py> <engine>/scripts/build-presenter.py(输出“口型同步:N个姿态”) -> <py> <kit>/scripts/build-brand.py(输出角落标志窗口)。使用一个 <engine>/scripts/patch_exact.py 脚本重写frame.md中的每个 [FILM] 部分。编辑并运行 src/set-cues.py。<py> <engine>/scripts/make-harness.py;<py> <skill>/scripts/make-packets.py;node <engine>/scripts/test-scene.mjs m-presenter "<5次>" | 主持人表:说话时嘴张开,提示词时姿态到位 |
| 5 | 场景 | references/workers.md:6个Sonnet工作者 x 2个场景,最多同时4个(修复轮次计数),其提示模板(区域规则包括推入峰值、0.12钳位、仅Solar、苹果风格条、绝不虚构数字)。自行审查中间部分;修复轮次发给相同的工作者 | 每张表匹配其块,在表尺度上可读 |
| 6 | 交付 | <py> <engine>/scripts/fromto-scan.py compositions/s*.html(0) -> <py> <engine>/scripts/assemble.py -> npx hyperframes@<film.json hyperframes> lint . + check . -> <py> <engine>/scripts/seam-check.py + node <kit>/scripts/seam-diff-all.mjs -> node <engine>/scripts/render-final.mjs <slug>-1080p60(后台运行;结束时进行闪烁扫描) -> 将RENDER转录到 .hyperframes/work/sync + <py> <kit>/scripts/sync-check.py src/timing/vo-words.json .hyperframes/work/sync/vo-words.json -> <py> <skill>/scripts/frames.py renders/<slug>-1080p60.mp4 frames.jpg --at <每场景一张> 和 --zone --at <每个ZOOM峰值> -> node <engine>/scripts/encode-web.mjs renders/<slug>-1080p60.mp4 renders/web --name <slug> --poster <t> -> 提供路径 + Solar署名行 | lint/check 0错误,seams 0.00%超出主持人框,0闪烁,sync中位数约0.000s,在任何峰值处红线左侧无残留 |
一次写入,使用全局秒数
手动将20个场景的单词时间转换为场景局部时间正是错误潜入的地方。在 STORYBOARD.src.md 中,为每个帧指定 - start: <global>,并将提示词标记为 "word"@g<global>;ZOOM范围和“退出时间”可以是纯全局数字。<py> src/storyboard-local.py 会写入 STORYBOARD.md,其中每个时间都是局部的,检查开始时间是否连续,每个提示词是否适合其场景,并打印场景列表供 set-film.py 使用。SFX(src/set-cues.py)和主持人(src/set-presenter.py)也使用全局秒数写入。
构建后更换录音/语言/开场白(重新计时,绝不重建)
新的录音 -> 备份 compositions/、film.json、STORYBOARD.md、src/ 到 .hyperframes/work/<old>/,将旧渲染移到 renders/<old>/ -> 将录音复制到 assets/audio/vo.mp3 -> 转录 -> 在 set-film.py 中设置新的剪切点 -> 主持人姿态、背景音乐、主音频、build-presenter、build-brand、set-cues、make-harness -> 编写 RETIME.md(每场景:每个节拍 -> 其新的提示词 @ 局部时间;有新材料NEW的场景获得完整块;形状参照 references/example/RETIME.md;“此文件优先级高于 STORYBOARD.md 时间”) -> 修补frame.md的时长/标志窗口/接缝 -> 向每个相同的工作者发送其RETIME部分(每次4个)。更快的录音下场景会变短:指示工作者在放弃节拍前先缩短弹簧效果。
肖像/TikTok/Reels/短片裁切(移植,绝不重建)
<py> <skill>/scripts/port-portrait.py <film> <film>-9x16- 一个新文件夹(16:9影片保持不变):复制源文件+音频,将已交付的场景移动到references/src-16x9/(工作者的规范),写入肖像合约(frame.md中的区域用于TikTok的UI、工作者简报、1080x1920启动画面、set-film大小),将主持人移到左下角(缩放x0.9,底部y 1640)。- 从新根目录:
<py> src/set-film.py->build-presenter.py->build-brand.py(垂直标志 = 顶部居中 y 150,位于平台标签下方) ->make-harness.py->test-scene.mjs m-presenter(主持人 x ~26-556,y ~1074-1640)。 - 工作者:相同配对,提示词为“PORT”(从16:9源文件开始,保持副本/节拍/提示词/颜色/图标/接缝姿态,仅重新编排布局和摄像机角度) + 肖像区域规则:标题 y 260-500,舞台 x 60-1020 / y 520-1060(文本 x <= 920 位于 y 680 下方),右下角 x 580-920 / y 1080-1520,主持人 x 20-560 / y 1060-1660,y 250 以上或 y 1540 以下无内容。复制另一配对对象的配对最后进行。
- 像阶段6一样交付,使用
render-final.mjs <slug>-1080x1920p60;frames.py --zone检测肖像并绘制主持人框 + 平台UI线。1080p60主文件直接上传到TikTok。 首次遗漏:主体对象被挤入右下角...