Communitygithub.com

calesthio/生成式媒体技能

为AI代理提供独立于供应商的本地化和配音制作指导,用于制作翻译视频、配音广告、社交片段、解说视频、虚拟人视频、纪录片、培训媒体以及多市场活动。在规划或审核字幕与配音策略、翻译适配、术语表/风格指南设置、选角或声音匹配、唇形同步或短语同步指导、合成配音边界、字幕/隐藏式字幕交接、无障碍性、平台交付、客户审核或本地化质量保证时使用。

生成式媒体技能 是什么?

该技能为AI代理提供全面的制作级指导,用于将源视频转化为适配特定市场的本地化版本,超越了简单的逐词翻译。它强调在本地化策略、脚本改编、声音方法、时间安排、无障碍性、权限检查和质量控制等方面进行深思熟虑的决策,所有这些都在选择供应商或模型之前完成。该技能支持多种交付模式,包括字幕、隐藏式字幕、画外音、短语同步配音和唇形同步配音,并根据内容类型(如娱乐、广告、培训)和受众需求提供选择建议。它基于可验证的事实(如WCAG无障碍标准和YouTube平台政策)构建,并包含在实际项目中观察到的经验性生产模式和决策启发式。该技能广泛适用于各种AI代理,包括Claude Code、Cursor和Codex,当它们被指示处理本地化工作时,可作为行动框架。

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/localization-dubbing-production

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

本地化与配音制作

使用此技能将源视频转化为市场就绪的本地化变体,而不是将翻译视为简单的文字替换。在选择任何供应商或模型之前,指导本地化策略、脚本适配、声音方法、时间安排、无障碍性、权限检查、审核流程和质量控制。

这是制作指导,而非法律建议。当工作涉及人才合同、工会覆盖的表演者、生物识别/语音数据、肖像权、政治内容、受监管声明、未成年人、健康/金融/法律声明,或在多个司法管辖区投放付费媒体时,必须在发布前要求合格的法律/当地市场审查。

证据立场

本技能中记录的事实基于末尾列出的来源,除非另有说明,否则于2026年7月10日验证。经验性观察是在本地化/配音工作中反复出现的生产模式,应针对实际源媒体进行核实。生产启发式是供代理使用的决策规则;当客户简报、平台规范、法律、无障碍要求或母语审阅者另有规定时,将其覆盖。

从分类工作开始

在做出本地化选择之前,先识别内容类型:

  • 娱乐、纪录片、见证、新闻或创作者内容:保留声音、身份、文化特异性和信任。对于证词或新闻,字幕可能比配音更诚实。
  • 广告、产品发布、应用演示、社交片段、虚拟人视频或解说视频:优化理解力、留存率、品牌调性和平台行为。配音或本地化重新录制通常值得投入成本。
  • 培训、合规、医疗、金融、法律或公共部门媒体:优先考虑准确性、术语控制、无障碍性、可追溯审查和可审计批准,而不是流畅性捷径。
  • 儿童/家庭、识字能力有限或静音移动受众:不要假设仅靠字幕就足够;考虑配音、隐藏式字幕、视觉强化和更简单的阅读负荷。
  • 高情感戏剧、特写主持人、虚拟人或面部密集的广告:尽早决定是否需要唇形同步,因为它会改变脚本、选角、剪辑和质量控制负担。

询问或推断以下基本要素:

  1. 源语言、目标地区、受众、平台、发布日期和区域。
  2. 关于声音、肖像、音乐、屏幕上人物和合成处理的现有合同/权限。
  3. 源资产:最终视频、干净的对白/音乐/效果分轨(如有)、脚本、隐藏式字幕、品牌指南、批准的产品术语、活动声明、法律免责声明、编辑项目或镜头列表。
  4. 每个地区的交付模式:字幕、隐藏式字幕/听力障碍者字幕、画外音、短语同步配音、唇形同步配音、本地化虚拟人表演或完全重新剪辑的市场版本。
  5. 审阅者:母语审阅者、品牌/法律审阅者、主题专家审阅者、无障碍审阅者和最终批准人。

在规划过程中区分事实、观察和启发式

需要带入生产的记录在案的事实:

  • WCAG 2.1要求为同步媒体中的预录音频提供隐藏式字幕(成功标准1.2.2 A级),并为直播提供隐藏式字幕(1.2.4 AA级)。当视觉信息无法通过其他方式获得时,音频描述另有要求(1.2.5 AA级)。
  • FCC描述了电视隐藏式字幕的质量,涉及准确性、同步性、完整性和放置。即使FCC规则不适用于给定的网络/社交媒体交付物,这些维度也是有用的隐藏式字幕质量控制类别。
  • Netflix定时文本通用要求规定,对于Netflix交付物,字幕事件持续时间最小为5/6秒,最大为7秒;不要盲目将Netflix特定限制应用于非Netflix平台,但可将其作为可读性的现实检查。
  • ISO 17100:2015定义了翻译服务和流程核心过程及资源的要求;其公开摘要指出,原始机器翻译输出加后期编辑不在其范围内。
  • YouTube多语言音频允许符合条件的创作者为一个视频或Shorts上传额外语言的音轨;上传的音轨必须是纯音频,且长度与视频大致相同。YouTube自动配音是独立的,可能包含发音、方言、习语、专有名词、术语、语音识别或声音匹配方面的错误。
  • YouTube要求创作者在Studio中披露真实的AI生成或具有重大AI改动的内容;YouTube表示,为创建隐藏式字幕无需披露,并列举了为配音或配音复制自己的声音作为创作者无需披露的例子,但这是一项平台政策,而非全面的权利许可。
  • WebVTT是一种W3C文本轨道格式,用于时间同步的隐藏式字幕/字幕、描述、章节和元数据。
  • NAVA将合成/AI声音的主动同意定义为表演者或代表的书面确认放弃/协议,排除所有其他用途。SAG-AFTRA的公共AI资源强调了工会背景下的同意、披露和数字复制保护。

需要在每个项目上验证的经验性观察:

  • 逐字翻译经常会破坏时间安排、幽默、屏幕上UI的对应关系、嘴部动作、法律细微差别和品牌调性。
  • AI配音系统最可能在以下情况下失败:重叠对话、嘈杂音频、地区口音、姓名、缩写词、笑话、讽刺、语码转换、快速说话、歌曲和领域术语。
  • 与特写人类表演、证词、戏剧或虚拟人代言人相比,观众在旁白、培训、解说和画外音中更能容忍宽松的同步。
  • 一些地区期望将配音作为娱乐的默认方式;另一些则更喜欢字幕的真实性。将此视为市场调研,而非通用规则。

生产启发式:

  • 首先本地化意图,其次是措辞,最后是时间安排。一个流畅但错过了声明、笑话或行动号召的句子是错误的。
  • 在本地化之前锁定源编辑,除非本地化计划明确包含按市场重新剪辑。
  • 在翻译超过一个样本之前建立术语库。录制后修复术语成本高昂。
  • 使用母语审阅者进行市场适应性审查,而不仅仅是双语审阅者进行词典准确性审查。
  • 当嘴部运动对信任或沉浸感不重要时,优先选择短语同步而非唇形同步;只有面部表现能促进销售时,才在唇形同步上投入预算。
  • 在制作前将每一次合成声音、克隆声音、面部再现和虚拟人唇形同步请求视为同意和披露检查点,而不是交付后的文书问题。

选择字幕、隐藏式字幕、画外音、短语同步或唇形同步

使用最轻量的模式,以达到理解、信任、无障碍性和平台目标。

字幕通常在以下情况下效果最佳:

  • 原始表演、证词、口音、音乐或纪录片的真实性很重要。
  • 预算或时间表无法支持本地选角、指导、混音和质量控制。
  • 内容在声音开启的情况下观看,且阅读负荷合理。
  • 法律或技术限制使得替换原始声音有风险。
  • 源文件中有多位说话者,但不需要可见的唇形同步。

当无障碍性在范围内时,隐藏式字幕是必需的:

  • 包括对白、必要的说话者识别,以及有意义的非语言音频,如音乐提示、音效、画外音、笑声、警报或氛围音频。
  • 隐藏式字幕不仅仅是翻译后的字幕;它们为无法听到音频的观众提供音频信息。
  • 为了本地化的无障碍性,为本地化音频创建隐藏式字幕,而不仅仅是源素材的翻译字幕。

画外音通常在以下情况下效果最佳:

  • 原始说话者的声音可能保留在翻译后的旁白层下。
  • 内容是纪录片、新闻、培训、网络研讨会、采访或教育类,且面部完美同步会显得做作或不必要。
  • 速度和清晰度比营造说话者正在说目标语言的错觉更重要。

短语同步配音通常在以下情况下效果最佳:

  • 本地化声音应在源说话者的短语附近开始和结束,但不需要精确的嘴型匹配。
  • 源文件中包含主持人镜头、演示、解说视频、企业培训或具有中等面部可见度的广告。
  • 脚本可以适应匹配短语持续时间,同时保持自然的目标语言表演。

唇形同步配音通常在以下情况下效果最佳:

  • 观众看到特写嘴部、情感表演、角色、虚拟人或直接面向镜头的演员。
  • 本地化版本必须营造屏幕上的人正在说目标语言的错觉。
  • 预算支持适配、选角、声音指导、重拍、对齐和视觉质量控制。

避免唇形同步当:

  • 源文件主要是画外音、屏幕捕获、产品演示或动态图形。
  • 目标语言扩展会导致匆忙、不自然的说话。
  • 缺乏面部/声音操作的同意。
  • 制作无法负担本土语言和表演质量控制的成本。

构建本地化简报

创建或请求一份简报,包含:

  • 源语言和目标地区,而不仅仅是语言:例如墨西哥西班牙语、西班牙西班牙语、加拿大法语、阿拉伯语标准语与方言、巴西葡萄牙语与葡萄牙葡萄牙语。
  • 受众:年龄、专业水平、文化背景、无障碍性需求和可能的观看模式。
  • 目的:告知、说服、培训、娱乐、转化、合规、支持或建立信任。
  • 品牌声音:正式/非正式、幽默容忍度、代词/用语政策、禁止语气、批准的口号。
  • 市场约束:法律声明、医疗/财务免责声明、受监管术语、政治敏感性、宗教/文化限制、单位/货币/日期格式。
  • 平台/交付:YouTube多语言音频、社交平台烧录字幕、OTT定时文本包、LMS培训模块、广播、付费广告上传、应用内视频或销售支持文件。
  • 同步目标:无同步、时间同步、短语同步、唇形同步、虚拟人唇形同步或重新剪辑的原生版本。
  • 审核路径:谁批准术语、声明、表演、无障碍性和最终交付。

在翻译前准备源资产

除非没有更好的来源,否则不要仅从自动脚本开始。创建一个源本地化包:

  • 带时间码参考的锁定源视频。
  • 包含说话者ID、时间码、重叠对话注释、画外/画内状态和听不清标记的对白脚本。
  • 每部分的意图说明:笑话、警告、情感节拍、产品声明、行动号召、法律免责声明、安全说明、角色关系或情节揭露。
  • 屏幕文字、UI字符串、图形、底部字幕、隐藏式字幕、字幕、标题卡、结束卡、叠加文字和法律声明。
  • 名称、产品、缩写词、地点、虚构术语和领域术语的发音列表。
  • 配音或重新混音时的音乐/效果/对白分轨。
  • 人才、音乐、存档素材、用户生成片段、公众人物、未成年人和合成处理的权利说明。

如果源文件未锁定,则将每个下游产物标记为暂定。源编辑的更改可能会使字幕、配音时间、本地化图形和批准失效。

以目的为导向翻译,然后根据时间适配

使用两步脚本流程:

  1. 意义步骤:为目标地区准确翻译所有声明、说明、故事节拍、情感意图、术语、名称、数字、安全/法律声明和行动号召。
  2. 适配步骤:根据阅读速度、短语持续时间、嘴部可见性、表演者呼吸、市场习语、品牌声音和屏幕上下文重新调整台词。

对于配音工作,维护一个台词表:

字段目的
源时间码入/出保持时间安排并使重拍可追溯。
说话者支持选角、字幕标签和混音决策。
源台词保持审阅者锚定。
字面意思防止适配偏离意图。
本地化表演台词实际录制/合成的台词。
同步约束无同步、时间同步、短语同步、唇形同步、画外音或可以重新剪辑。
发音名称、产品术语、缩写词、区域术语。
审阅者说明品牌/法律/文化/无障碍性说明和状态。

对于字幕,优先保留意义和可读性,而不是每个源词。对于隐藏式字幕,优先保留音频信息。对于配音,优先保留表演意图和时间安排,同时在目标语言中保持自然。

构建词汇表和风格控制

在批量本地化之前创建项目术语库:

  • 产品名称:翻译、音译或保持不变。
  • UI字符串:完全匹配已发布的产品UI;不要发明本地标签。
  • 品牌口号和活动语:标记为已批准翻译或“创意翻译,不要直译”。
  • 法律、安全、医疗、金融和合规术语:需要主题专家批准。
  • 单位、货币、日期、电话号码、地址、度量衡、敬语和正式程度/用语。
  • 竞争对手名称、商标、文化参考、习语、禁止短语和敏感词。
  • 发音:国际音标、通俗发音、重音和可接受变体。

对于多市场活动,创建全球词汇表加上地区覆盖。当用法、法规或受众期望不同时,不要强行对一个西班牙语/法语/阿拉伯语等市场使用同一套台词。

选角和指导声音

在表面相似性之前匹配交际功能:

  • 角色:叙述者、专家、客户、创始人、讲师、角色、儿童、长者、支持代理、虚拟人、播音员。
  • 表演:温暖、紧急、可信、俏皮、克制、高端、对话式、技术性、令人安心、喜剧性。
  • 声音属性:音域、节奏、能量、清晰度、相关时的年龄印象、口音/方言、气息感、权威感、质感。
  • 文化契合度:原生或接近原生水平的目标地区表演、习语舒适度、正确的用语和发音。

[原文在此处被截断]

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 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/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