Communitygithub.com

calesthio/generative-media-skills

提供者无关的对白编辑和ADR指导,适用于AI代理生成视频、电影、广告、虚拟形象片段、解说视频、本地化/配音、播客、重新剪辑和社交媒体内容。用于对白准备、修复、环境声、镜头拼接、同步、ADR提示、配音指导、发音、去咝声、爆破音、嘴部杂音、声音连续性、合成语音同意边界、字幕/转录交接、混音交接、响度、清晰度、可访问性和质量保证。

generative-media-skills 是什么?

该技能为AI代理(如Claude Code、Cursor或Codex)提供全面的对白编辑和ADR(自动对白替换)方向指引,独立于具体平台或工具。它强调将对白视为一种“表演和编辑契约”,而不仅仅是音频波形,优先确保清晰度、意图、连续性和权利合规。技能内容包括:根据问题性质(如生产编辑、表演修复、ADR替换、本地化配音等)对每句对白进行分类;提供ITU、EBU、FCC、W3C及Netflix等权威标准的事实支持;指导AI进行经验性音频检查(如耳机、扬声器、小扬声器和画面同步测试);以及列出逐步的音频修复启发式方法(如去除嘴部杂音、爆破音和咝声)。此外,该技能还覆盖ADR和配音方向、合成语音的道德边界(包括同意和权限审计),以及字幕、转录和可访问性交接规范。该技能的核心价值在于为AI代理提供一个精确、可操作的框架,以确保生成媒体的音频对白质量达到专业广播标准。

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/dialogue-editing-adr

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

对白编辑与ADR指导

当口语音频需要传达故事、品牌、指令、角色特征或可访问性时,请使用此技能。将对白视为一种表演和编辑契约,而不仅仅是波形。其目标是保持清晰度、意图、连续性和权利,同时向混音师、字幕制作人员、本地化团队或下游视频代理提供明确的素材。

事实依据立场

以下记录的事实来自专业标准、官方平台指南、官方工具文档或权利组织。易变的平台/工具/法律事实已于2026年7月10日核实。经验性观察仅限于AI应针对实际项目进行的监听/质量控制行为;未经实际试听,不假定任何通用的音频处理结果。生产启发式方法是针对画面和交付规格进行测试的实用默认值,而非音频法则。

第一步:确定此对白问题的类型

在处理前对每一行或每一段进行分类:

  • production-edit:可用的源音频需要清理、平滑、填充、符合或拼接。
  • performance-fix:词语技术上可用,但朗读方式、情感、发音、强调或时机不符合场景要求。
  • ADR-replace:现场录音无法听清、存在无法恢复的噪声/削波、包含更改后的脚本、需要法律/品牌更正,或必须匹配新的剪辑。
  • localization-dub:新语言或区域版本必须保留原意、表演、时机和画面同步。
  • VO-style-dub:原始声音部分保留或有意图地在本地化画外音下减弱。
  • synthetic-rerender:必须重新生成、编辑或指导授权的合成语音或通用TTS语音。
  • caption/transcript-handoff:文本资产必须准确且可访问地代表最终听到的音频。

不要仅仅因为修复不方便就选择ADR或合成替换。首先确定原始表演是否可以在无可听伪影的情况下变得清晰,演员/声音权利是否允许替换,以及替换是否能匹配画面和连续性。

应尊重的事实记录

  • ITU-R BS.1770-5 规定了测量音频节目响度和真实峰值电平的算法;它是一种测量方法,而非创意混音配方。来源:ITU-R BS.1770-5,于2026年7月10日核实。
  • EBU R 128 5.0版本建议节目响度标准化为-23 LUFS,并使用响度范围和真实峰值描述符。来源:EBU R 128,于2026年7月10日核实。
  • 美国电视的FCC字幕质量标准使用四个质量支柱:准确性、同步性、完整性和位置。FCC指南指出,预录节目预计应完全合规,因为可以进行离线审查。来源:FCC DA 21-469,于2026年7月10日核实。
  • W3C WCAG 2.2 SC 1.2.2 要求同步媒体中的预录音频提供字幕,字幕应包括对白、说话人识别和有意义的非语言信息。来源:W3C WAI Understanding SC 1.2.2,于2026年7月10日核实。
  • Netflix时间文本通用要求使用5/6秒最小和7秒最大字幕事件持续时间,最多两行,定位应避免与相关屏幕文本重叠。这些是Netflix的要求,并非通用规格。来源:Netflix Partner Help Center,于2026年7月10日核实。
  • Netflix配音指南强调唇形同步应主要根据画面判断,而非原始版本波形;关键时刻应考虑口型开合、唇音以及开始/结束口型。来源:Netflix Dubbing Guiding Principles,于2026年7月10日核实。
  • Netflix配音/混音指南要求对白自然地嵌入音乐和效果背景中,具有逼真的电平、均衡、混响、透视、失真效果,并在不同语言间保持连续性。来源:Netflix Mixing Style Guide for Dubbed Content,于2026年7月10日核实。
  • Netflix非虚构英语配音指南建议录制清晰的对白,不使用动态处理(除不超过100 Hz的低切外),去除舌头咔嗒声/唾液(除非是表演驱动),对白片段使用淡入淡出,根据音频参考进行编辑,并在适用工作流程中使配音对白与原始版本同时结束。来源:Netflix Partner Help Center,于2026年7月10日核实。
  • iZotope RX文档描述了Mouth De-click可检测并减少嘴部噪声(如咔嗒声和咂嘴声),同时警告高灵敏度可能影响爆破音或破坏原始信号。RX De-plosive被记录为识别并减少爆破音,同时保留语音基频和谐波,但过高强度会损害有用的语音。这些是工具能力,并非保证。来源:iZotope RX文档,于2026年7月10日核实。
  • 美国版权局AI报告页面指出,2024年7月31日发布的第一部分涉及数字复制品,而SAG-AFTRA的AI框架将明确的同意、公平的薪酬和对表演的控制作为防护措施。NAVA建议表演者合同包括同意、对AI/合成使用和训练的限制、退出或期限限制、报酬、排他性明确性以及安全存储/跟踪。这些并非完整的法律意见。来源:美国版权局、SAG-AFTRA、NAVA,于2026年7月10日核实。

针对实际媒体执行的实证检查

听取,不要仅从仪表推断。针对每个交付物,至少执行以下检查:

  • 耳机通过检查:咔嗒声、编辑痕迹、呼吸声、爆破音、衣物噪声、咝声、刺耳的去噪伪影、削波的音节以及不自然的室内环境声循环。
  • 扬声器通过检查:在正常消费者电平下,关闭字幕,判断不熟悉脚本的人是否能听懂词语。
  • 小扬声器或单声道通过检查:当内容可能在手机、笔记本电脑、电视或社交媒体上观看时。
  • 画面同步通过检查:在最终帧速率和编解码器路径下进行,因为DAW、NLE、浏览器或低延迟预览定时可能误导同步判断。
  • 上下文通过检查:配合将一起发布音乐、效果和字幕/副标题进行检查;单独清晰的一行可能在完整混音中失效。

生产启发式方法

构建对白映射

在修复或ADR之前创建逐行映射。包括:

  • 时间码入/出;
  • 说话人/角色;
  • 画内或画外状态;
  • 源文件/遍次/轨道;
  • 确切的听到文本和预期文本(如果不同);
  • 问题标签;
  • 拟议处理方式;
  • 发音注释;
  • 任何真实人物声音或合成肖像的权利/同意状态;
  • 用于字幕、转录、混音师或本地化交接的注释。

优先采用以下格式:

TC In-Out | Speaker | Screen | Heard/Intended | Issue | Treatment | Notes
00:00:12:04-00:00:15:10 | Maya | on | "we ship Friday" | fan + click on "Friday" | repair | keep laugh breath; room tone B
00:00:35:12-00:00:37:01 | CEO | off | "Series B" misread as "serious B" | pronunciation | ADR | say "SEER-eez bee"; legal name unchanged

保留最佳原始表演

使用最微侵入性的方法解决实际问题:

  1. 备用麦克风或隔离的现场声道。
  2. 备用遍次或自由台词。
  3. 手动编辑、片段增益、短交叉淡入淡出、环境声填充。
  4. 仅针对缺陷的针对性修复。
  5. 当句子仍然听不清、错误、不安全或偏离简报时的ADR或合成重新生成。

避免首先进行广泛的降噪。广泛的处理通常会在解决编辑问题之前减少辅音细节、呼吸真实感和环境连续性。

将对白剪辑为连续的气流

在组合或拼接时:

  • 保留支持表演的呼吸,仅去除分散注意力或技术上不良的呼吸。
  • 在每处对白被剪断的间隙中使用环境声或匹配的氛围。
  • 对每个片段边界进行交叉淡入淡出,除非剪切点落在掩蔽噪声或真正不需要淡入淡出的瞬态内部。
  • 按场景、麦克风视角和情感距离匹配环境声。不要将一种“静音”背景粘贴到不同房间。
  • 在压缩前使用片段增益平滑音节。将压缩视为混音支持,而非修复不规律编辑的方法。
  • 保持辅音起音。不要仅仅因为波形看起来很安静就修剪爆破音、摩擦音或轻柔入口的前端。

按修复顺序清理伪影

使用有针对性、经试听的处理步骤:

  1. 用边界、淡入淡出和过零调整去除编辑爆音。
  2. 局部减少嘴部咔嗒声/咂嘴声;当真实感重要时,保留与表演相关的嘴部纹理。
  3. 用有针对性的低频或去爆破音处理减少爆破音;如果有用的低音受损,则撤销并使用手动片段增益/频谱修复。
  4. 用窄带、动态处理控制咝声;不要导致说话人出现大舌头。
  5. 用高通或去哼声处理仅在必要程度上减少哼声/隆隆声。对于口语内容,低切选择必须尊重语音主体和交付规格。
  6. 保守使用去噪/去混响/对白隔离,监听是否有水声、相位问题、啁啾声或沉闷的辅音。
  7. 修复后重新平衡片段增益和环境声,因为修复可能揭示新的不连续性。

如果修复产生了比原问题更明显的伪影,则还原并选择备用遍次、ADR或真实的“无法干净修复”注释。

ADR与配音指导

准备提示

ADR提示应无需猜测即可表演。包括:

  • 一句话的场景背景;
  • 画面参考时间码;
  • 确切台词和批准的可选台词;
  • ADR原因;
  • 表演意图;
  • 同步锚点:开始/结束口型、唇音、可见停顿、手势、呼吸、反应;
  • 名称、首字母缩略词、产品术语和敏感词的发音指南;
  • 麦克风/视角目标:近距、胸腔音、耳语、隔室喊话、电话、头盔、收音机、档案音等;
  • 房间/处理目标以及混音师是否应匹配现场瑕疵或提高保真度;
  • 所需遍次以及各遍次之间的变化。

对于提示,使用人才和录音设置支持的任何方式:蜂鸣声、飘带、可视文本、循环录音或听-重复。三声蜂鸣ADR在电影工作流程中常见,但如果它伤害演员,则不要强加。提示方法是表演辅助,而非目标。

在波形前指导表演

给演员可操作的动词和背景:

  • 说出说话者想从听者那里得到什么。
  • 确定台词中的情感转折。
  • 一次只给一个时间点注释。
  • 保持场景的社会地位、疲劳感、年龄、口音策略和关系。
  • 要求自然发音,除非故事需要额外清晰度。
  • 对于广告和讲解视频,围绕意义指导强调,而非每个品牌词。过度强调的产品术语听起来不自然。

对于本地化,保留意图而非词序。在适合角色和简报时使用口语化的目标语言短语。当画面同步重要时,根据嘴型和剪辑判断,而不仅是源波形。起始和结束口型、可见唇音以及开口元音在特写和关键时刻最重要。

录制足够遍次以进行编辑

请求:

  • 一遍忠实时机的表演;
  • 一遍表演优先的表演;
  • 一遍更清晰发音的表演;
  • 一遍安全备用表演,使用更短或更长的短语(如果同步可能需要);
  • 仅在权利和表演需要时录制环境声/努力声/呼吸声。

对于非虚构的VO式配音,除非风格指南或客户明确要求,否则避免录制笑声、哭声和非语言反应。当原始非语言声音保留在混音中时,编辑应突出它们,而非复制它们。

保持声音连续性

为重复出现的声音创建连续性注释:

  • 声音来源或演员;
  • 同意/权利范围;
  • 语言/区域;
  • 年龄、性别表达、口音策略、方言注释;
  • 语速范围;
  • 音高/能量范围;
  • 麦克风距离和房间;
  • 标志性发音;
  • 先前的处理方式:均衡、混响、失真效果、本底噪声、去咝声行为;
  • 例外情况,如档案音、电话、压力、疾病、闪回或有意的失配。

除非项目拥有明确的权利和知情同意用于该确切用途,否则切勿用合成克隆“匹配”真人的声音。如果同意不明确,则提供通用声音、新的选角方向或权利许可问题。

合成语音边界

在使用TTS、语音转换、语音克隆或合成配音之前:

  • 验证谁拥有或控制源声音;说话者是否同意此用途;是否允许模型训练或语音复制;用途是否受期限/地域/媒体限制;以及客户、平台、合同或法律是否要求披露。
  • 未经记录许可,不得对在世或已故的可识别人员进行训练、克隆、模仿或“听起来像”。
  • 不得使用合成语音使某人说出他们未授权的话。
  • 不得从录音的公开可用性推断同意。
  • 保留审计注释:来源、许可/同意摘要、语音ID、提供商/模型、日期、提示、参数、编辑者和最终用途。
  • 如果提示要求模仿受保护或可识别的声音而无权利,则重定向到允许的声音特质:年龄范围、能量、节奏、音色、口音(仅当适当且非刻板印象时)。

良好的合成指导仍然是表演指导:

Voice: licensed internal brand narrator, calm but not sleepy.
Line: "Your backup finishes before your coffee does."
Intent: reassuring proof, not hype.
Pace: medium-fast; slight smile on "coffee"; no announcer boom.
Pronunciation: "backup" as BACK-up, not back-UP.
Delivery constraints: no imitation of any celebrity or employee; no added words.
Edit notes: leave 200 ms clean tail for crossfade; deliver dry WAV plus timing.

字幕、转录和可访问性交接

口语音频的交接必须匹配最终发布的版本,而非脚本原先的内容。

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 captions and media accessibility direction for AI agents producing or finishing generated videos, ads, social clips, explainers, avatar videos, documentaries, podcasts/video recuts, training media, and localized content. Use when planning, authoring, reviewing, localizing, burning in, exporting, or QAing captions, subtitles, SDH, transcripts, audio description, flashing/motion safety, caption readability, or accessible media handoff files.

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