Communitygithub.com

「calesthio/generative-media-skills」

面向AI代理的字幕与媒体可访问性指导,支持生成视频、广告、社交短片、解说、虚拟人视频、纪录片、播客等场景下的字幕、描述和导出。

generative-media-skills」 是什么?

该技能为AI代理提供了一套完整的字幕与媒体可访问性方向——从分类媒体类型、识别受众需求,到制作符合全球标准的字幕文件。它覆盖了从预录制视频到直播、纯音频等多种内容格式,并详细阐述了WCAG 2.2、FCC、YouTube、Vimeo等国际规范的要求。技能文档中包含了具体的事实性约束(如闪烁频率、对比度要求)、生产启发式规则(如优先使用旁白字幕文件而非烧录)、以及针对不同格式(.srt、.vtt)的技术细节。此外,它还指导如何规划音频描述、处理闪光安全、生成描述性转录本,并强调在生成的媒体文件中不能单方面承诺法律合规性。它支持Claude Code、Cursor、Codex等平台,并适用于社交媒体、广播OTT、LMS培训、内部审查等多种交付目标。

兼容平台~Claude Code~Codex CLI✓Cursor
npx skills add https://github.com/calesthio/generative-media-skills/tree/HEAD/skills/production/audio-craft/captions-media-accessibility

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

字幕与媒体可访问性方向

将字幕和可访问性轨道视为生产资产,而非后期润色。应从脚本、音频混音、剪辑、本地化计划和平台交付目标出发进行构建。如果用户询问法律合规性,请说明您正在采用的标准,并建议由合格的可访问性/法律顾问进行审查;切勿单方面从生成的文件承诺法律合规。

首先对媒体进行分类

在编写或导出字幕之前,需要识别:

  • 内容类型:带音频的预录制视频、直播/近似直播视频、纯音频、纯视频或无声社交片段。
  • 受众需求:面向聋哑/听障观众的字幕、面向听力观众的翻译字幕、SDH、转录本、描述性转录本、音频描述、手语或平台默认自动字幕。
  • 交付目标:社交媒体烧录、Web播放器侧边文件、广播/OTT、LMS/培训门户、内部审查、本地化包或存档母版。
  • 可访问性风险:必要的视觉文本、图表、屏幕录制、多个说话人、重叠对话、音乐/歌词、声音驱动的故事情节、闪光/频闪、快速动态排版、低对比度、小手机屏幕或平台UI叠加。
  • 最终来源真实依据:锁定的音频混音和最终画面。生成的脚本、TTS草稿和ASR转录本只是起点,在剪辑之后不能作为权威依据。

需保留的文档事实

在相关时将这些作为事实性约束,并在输出或移交注释中注明来源(如果该主张很重要)。

  • WCAG 2.2 要求:预录制音频的同步媒体达到A级(SC 1.2.2)需要字幕;直播同步音频达到AA级(SC 1.2.4)需要字幕;预录制视频达到AA级(SC 1.2.5)需要音频描述。WCAG A级允许在SC 1.2.3下为预录制同步视频提供音频描述或媒体替代方案。来源:W3C WCAG 2.2,验证于2026-07-10。
  • WCAG 2.2 闪光指导:内容不得在任意一秒内闪烁超过三次,除非低于通用/红色闪光阈值。来源:W3C 理解 SC 2.3.1,验证于2026-07-10。
  • WCAG 文本最低对比度为 4.5:1,大号文本为 3:1。这是Web文本标准;烧录字幕属于视频像素,但除非有更严格的平台/规范要求,将其作为字幕可读性的最低设计目标。来源:W3C WCAG 2.2 SC 1.4.3,验证于2026-07-10。
  • Section508.gov 区分了隐藏字幕、开放字幕、副标题和转录本:隐藏字幕可以开关;开放字幕永久嵌入视频;副标题通常为听力观众翻译对话,通常不包含说话人标识或非语言音频;转录本没有时间码。来源:Section508.gov 同步媒体指导,验证于2026-07-10。
  • 美国FCC字幕质量标准(针对受覆盖的电视节目)定义质量要求:准确性、同步性、完整性和放置;字幕应包含相关非言语信息,清晰可读,并避免遮挡重要视觉内容。来源:47 CFR Sec. 79.1(通过法律信息研究所/eCFR文本),验证于2026-07-10。本技能不判断具体项目是否受FCC规则覆盖。
  • YouTube帮助:列出SRT和SBV/SubViewer为基础格式,WebVTT/TTML/SAMI/RealText为高级格式;基础SRT/SBV文件必须为纯UTF-8编码,YouTube指出样式支持有限。来源:YouTube帮助,验证于2026-07-10。
  • Vimeo帮助:Vimeo 支持 SRT 和 WebVTT 用于字幕/副标题,推荐 WebVTT,并要求特殊字符使用 UTF-8 编码。来源:Vimeo帮助,验证于2026-07-10。
  • WebVTT是一种UTF-8定时文本格式,用于媒体轨道;以 WEBVTT 开头,包含定时提示,可根据播放器支持用于字幕、副标题、描述、章节或元数据。来源:W3C/MDN 和 国会图书馆 WebVTT 文档,验证于2026-07-10。
  • W3C WebVTT 语法要求 UTF-8、WEBVTT 文件签名、带毫秒的提示计时、排序的提示开始时间、结束时间大于开始时间。格式允许字幕/副标题提示重叠,但许多字幕交付工作流仍然拒绝或标记重叠。来源:W3C WebVTT 候选推荐草案,验证于2026-07-11。
  • SRT是一种广泛使用但标准松散的纯文本侧边文件约定,由重复块组成:数字计数器、开始/结束时间行、字幕文本和空行分隔符。常见交付实践使用 HH:MM:SS,mmm --> HH:MM:SS,mmm 计时和现代平台上传的UTF-8编码,尽管旧版SRT文件可能使用其他编码。来源:国会图书馆SRT格式描述及此处已引用的平台指导,验证于2026-07-11。
  • Netflix定时文本指导是平台特定的,并非普遍法律。其公开合作伙伴帮助指导包括:一般要求中的2行最大限制、语言特定风格指南、最小/最大事件持续时间,以及美式英语SDH约定(方括号说话人标识/音效)。来源:Netflix合作伙伴帮助中心,验证于2026-07-10。

应用生产启发式规则

这些是工艺默认值。如果有正式的客户风格指南、广播规范、特定语言的字幕约定或平台验证错误,请覆盖它们。

  • 只要平台支持,优先使用侧边文件字幕文件以实现可访问性。只有在平台、广告购买或用户体验要求始终显示文本时才添加烧录/开放字幕。
  • 如果为社交媒体烧录字幕,仍保留可编辑的侧边文件/转录本母版。烧录字幕无法切换、重新样式化、搜索、翻译或被辅助技术可靠使用。
  • 对预录制媒体使用经过编辑的字幕。自动字幕可用于草稿对齐,但最终作品需要人工/代理审查音频、说话人身份、标点、音效、专有名词和计时。
  • 保持提示可读:通常1-2行、平衡的行长、自然的短语断句、足够的屏幕时间以便阅读而不匆忙。如果文本过于密集,只编辑非必要的冗余,同时保留含义和关键词汇。
  • 将提示与所代表的音频对齐:在讲话/声音开始附近出现,在其结束附近消失,避免提示重叠,避免让字幕领先于听到的笑点、揭秘或安全关键指令。
  • 当字幕遮挡面部、下半部分、产品UI、图表、画面中已有的副标题、法律超叠或平台控件时,重新定位字幕。
  • 在生成视频中,通过设计脚本和剪辑以提高可访问性来减少字幕工作量:更少的竞争性声音、可读的屏幕文本、尽可能在旁白中描述视觉信息,并在需要时为音频描述留出停顿。

字幕和SDH编写

根据以下输入创建字幕母版:

  • 锁定的视频和音频;
  • 最终旁白/对话脚本或转录本;
  • 说话人列表(含姓名、职称、角色、发音以及姓名首次揭示的时间);
  • 产品名称、专有名词、缩写、技术术语、法律短语和发明/生成的名称的词汇表;
  • 音乐提示表和歌词状态;
  • 屏幕文本列表、图表/数据标注以及任何仅视觉的故事情节;
  • 目标格式、帧率/时间码策略、语言/区域标签和风格指南。

对于每个字幕提示:

  • 按顺序包含口头言语。除非可读性/时间限制需要压缩且所选标准允许,否则不要意译。
  • 保留含义、语气和关键词汇。当它们对角色塑造、幽默、安全或指令至关重要时,保留有意的俚语、语法错误、重复或犹豫。
  • 使用标点符号澄清含义,而不是装饰。
  • 当观众无法从位置或画面可靠推断说话者时,需要标识说话人。仅当内容揭示名称后才使用已知名称;否则使用中性描述,如 [旁白]、[画外音]、[女1] 或客户认可的标签。
  • 包含非言语音频,当它影响含义、情绪、安全、故事或指令时:[警报响起]、[轻柔钢琴音乐]、[观众笑声]、[门解锁]。不要为每一个偶然的声音添加字幕。
  • 当歌词可听到且重要时,在歌词权利/客户指示下添加字幕。如果未字幕歌词,在歌词影响体验时标识音乐。
  • 避免暴露听力观众在那时无法获取的信息。不要命名神秘说话人、揭示剧情反转或过早解释隐藏原因。
  • 避免在字幕内进行视觉描述,除非它代表声音或说话人识别。视觉访问应属于旁白、集成描述、音频描述或描述性转录本。

换行:

  • 在句子、从句或短语边界处换行。
  • 避免将冠词与名词、形容词/修饰语与名词、名字和姓氏、助动词与主要动词、介词与其对象、或主语代词与其动词分开。
  • 当可以更清晰拆分时,不要将一个句子的结尾和另一个句子的开头放在同一行。
  • 尽量减少双说话人提示;不可避免时,使用目标格式/平台支持的、一致的惯例使说话人视觉上可区分。

计时:

  • 将字幕与最终音频对齐,而不是脚本计时。
  • 不要让字幕在讲话结束后持续过久,除非出于可读性需要且不会产生误导。
  • 使用间隙可提高可读性,但避免因过短间隙导致不必要的闪烁。
  • 如果说话人被中断,使用使中断可理解的标点。
  • 对于快速免责声明、安全说明或法律文本,应质疑不可读的交付,而不是将问题隐藏在微小字幕中。

烧录/开放字幕设计

烧录是在动态图像上的排版。像设计可读的UI一样设计:

  • 在具有代表性的所有帧上保持高对比度。当背景变化时添加半透明框、阴影、描边或渐变。
  • 保持文本足够大以适应最小屏幕和压缩路径。在手机大小预览,而不仅仅在桌面显示器上。
  • 为平台UI留出边距:字幕、手柄、反应按钮、进度条、下半部分和安全区域因平台和方向而异。
  • 避免将字幕放置在面部、口型同步/虚拟人作品中的嘴巴、正在演示的产品、图表、已存在的副标题和手语翻译上。
  • 保持动画克制。逐个词的动态字幕有助于社交媒体留存,但如果它们省略词语、移动过快、缺乏对比度或无法关闭,就不能替代可访问字幕。
  • 不要仅使用颜色来区分说话人或含义。将颜色与标签、位置或其他非颜色线索结合使用。

转录本和描述性转录本

当用户要求、媒体为纯音频、培训/搜索/审查工作流程受益或可访问性要求需要基于时间的媒体替代方案时,提供转录本。

基本转录本:

  • 包含言语、说话人姓名、有意义的非言语音频以及音乐/歌词注释。
  • 清理明显的ASR错误、标点和专有名词。
  • 为便于导航添加标题或时间戳。

描述性转录本:

  • 包含基本转录本外加必要的视觉信息:屏幕文本、图表、动作、场景变化、演示、手势以及仅视觉的笑点或指令。
  • 使用与字幕和音频描述相同的真实来源。
  • 倾向于简洁的描述,让读者无需观看或听到视频即可理解内容。

音频描述规划

尽可能在画面锁定之前规划音频描述。对于许多解说、演示和培训视频来说,最便宜、最干净的解决方案是集成描述:编写主要旁白使其自然地说出必要的视觉信息。

选择方法:

  • 集成描述:最适合新的解说、培训视频、屏幕演示、产品操作和叙事可以提及重要视觉内容的教育媒体。
  • 独立音频描述轨道:最适合原始混音保持不变的场景,且播放器/平台支持替代描述的音频轨道。
  • 描述视频替代导出:最适合平台不支持用户可选的音频描述但可以托管第二个版本的情况。
  • 定时文本描述文件:在播放器支持从文本读取描述时可能;验证播放支持。
  • 描述性转录本:适用于广泛访问,并且在某些WCAG上下文中是必需的,但在所要求的符合性级别下并不总是替代同步音频描述。

描述什么:

  • 必要的动作、身份、场景变化、设定、图表、图表、屏幕操作、屏幕文本、产品状态、手势和仅视觉的原因/效果。
  • 从一般到具体进行描述,以便为观众提供方位感。
  • 优先考虑跟随、理解和欣赏内容所需的内容。不要填满每一个停顿。
  • 使用现在时、主动语态、客观措辞和适合受众的词汇。
  • 当可见的事实足够时,避免解释情感或意图。除非情感另有说明、明确且相关,否则倾向于“Maya攥紧拳头”而不是“Maya非常愤怒”。
  • 尽可能在相关视觉时刻之前或期间放置描述,而不是在观众需要之后。
  • 除非必要,避免在对话或对理解至关重要的音频之上讲话。

闪光、运动和感官安全

对生成的动态图形、毛刺剪辑、闪电、警报、相机闪光、频闪、快速剪辑、高对比度图案闪烁、红色闪光和激进动态排版运行感官安全检查。

  • 避免超过WCAG每秒三次闪光阈值……

Individual skills in this repo

This repo contains 9 individual skills — each has its own dedicated page.

calesthio/brand-launch-film-production

Provider-independent production workflow for AI agents creating brand launch films, product reveal videos, manifesto films, campaign hero films, website hero videos, investor/customer launch assets, and social cutdowns. Use when planning, scripting, generating, editing, reviewing, or delivering launch films that must align strategy, claims, brand voice, visual direction, product proof, accessibility, compliance, and multi-platform delivery.

calesthio/character-design-continuity

Provider-independent character design and continuity direction for generated media. Use when an agent must create, preserve, revise, or QA a recurring character across AI-generated images, video clips, avatars, animation, comics, ads, product mascots, serialized social posts, or multi-shot campaigns; especially when building character bibles, reference packs, prompts, expression/pose ranges, costume/hair/makeup/prop continuity, identity and likeness safeguards, iteration plans, handoff notes, or continuity reviews.

calesthio/generative-media-skills

Provider-independent cinematic trailer production for AI agents creating movie-style trailers, teaser trailers, launch trailers, game trailers, documentary trailers, series promos, and high-impact generated-media previews. Use for trailer strategy, structure, shot planning, voiceover/title-card copy, music and sound-design direction, generated-video prompt translation, edit pacing, platform/runtime choices, delivery handoff, rights/claims caveats, and trailer QA.

calesthio/generative-media-skills

Provider-independent explainer video production for AI agents creating educational, product, concept, nonprofit/public-service, onboarding, training, animated, mixed-media, and short social explainers. Use when an agent must turn a topic, brief, research corpus, product, process, policy, dataset, or complex idea into a factual, accessible, narrated, captioned, storyboarded, generated-media-ready explainer video with claim review, localization, pacing, variants, and QA.

calesthio/generative-media-skills

Use this skill to plan, direct, finish, and QA provider-independent mono or stereo 180-degree, 360-degree, spherical, spatial, wide-FOV, and immersive video. It covers format choice, capture rigs, stitching, nadir and seam management, stereoscopic comfort, attention direction, stabilization, ambisonic and spatial audio, titles, captions, accessibility, edit, color, VFX, projection metadata, Vision Pro, YouTube, headset delivery, device QA, and privacy, location, and likeness rights. Do not use it for interactive XR apps, volumetric/world-model generation, game-engine experiences, or provider-specific video generation prompts.

calesthio/generative-media-skills

Provider-independent production workflow for AI agents creating music videos, lyric videos, visualizers, performance/narrative/dance videos, social cutdowns, album or single launch assets, and generated-media clips synchronized to songs. Use when planning, directing, prompting, editing, reviewing, or delivering video content built around a recorded song, artist performance, lyrics, beat timing, choreography, platform variants, music rights, likeness consent, accessibility, or synthetic-media disclosure.

calesthio/generative-media-skills

Provider-independent dialogue editing and ADR direction for AI agents producing generated videos, films, ads, avatar clips, explainers, localization/dubbing, podcasts, recuts, and social content. Use for dialogue prep, repair, room tone, take comping, sync, ADR cueing, dubbing direction, pronunciation, de-essing, plosives, mouth clicks, voice continuity, synthetic voice consent boundaries, captions/transcripts handoff, mix handoff, loudness, intelligibility, accessibility, and QA.

calesthio/generative-media-skills

Provider-independent localization and dubbing production direction for AI agents producing translated videos, dubbed ads, social clips, explainers, avatar videos, documentaries, training media, and multi-market campaigns. Use when planning or reviewing subtitle-versus-dub strategy, translation adaptation, glossary/style-guide setup, casting or voice matching, lip-sync or phrase-sync direction, synthetic dubbing boundaries, captions/subtitles handoff, accessibility, platform delivery, client review, or localization QA.

calesthio/motion-graphics-direction

Provider-independent motion graphics direction for AI agents producing title sequences, lower thirds, explainer graphics, product UI overlays, social ads, kinetic typography, diagrams, data callouts, brand films, and video post. Use when planning, prompting, storyboarding, specifying, implementing, reviewing, or QAing motion graphics across live footage, generated video, UI capture, data visualization, brand systems, typography, accessibility, claim integrity, runtime handoff, and iteration.

相关技能