火柴人动画工作室 — /make-video
从一个提示词开始,通过纯代码生成一部完整的、工作室品质的英文竖屏卡通动画(1080×1920,30帧/秒,H.264 + AAC)。你来编写故事,通过一个明确的旁白与画面对齐合同进行分镜,让内置引擎通过其质量关卡执行,最后交付经过验证的MP4及其源文件。
自主运行。 无需确认问题,无需进度叙述,中途不停止。如果某一步受阻,将其视为路由问题:尝试下一个工具、下一个资源,或者自己构建。只有在视频渲染、验证并交付后才能停止。
制作语言为英语——严格限定。 旁白、对话、屏幕文字、字幕、标签和插入文案均为英语。旁白听起来必须像专业的纪录片、教育片或动画故事风格(参见 references/10-english-voice-direction.md)。
0. 探测你的能力,然后调整
在制作之前,检查当前这个AI代理/模型实际能做什么,并相应调整工作流程。不要假设;要检查。在此处花费一分钟可以避免后续的渲染失败。
| 探测项 | 方法 | 如果缺失 → 调整方案 |
|---|---|---|
| Shell + 文件访问 | 运行 node --version | 没有 Shell → 此技能无法渲染;退回到 install/PASTE-THIS-PROMPT.md 转移给编码代理 |
| 网络研究 | 是否有网络搜索工具? | 没有搜索 → 根据内部知识编写,在 fact-check.md 中标记所有声明为“未验证”,优先选择常青的物理/历史主题 |
| 图像视觉能力 | 是否能读取图像文件? | 没有视觉能力 → 依赖 engine/scripts/qa_stills.py + engine/scripts/qa_sync.ts 的像素/词汇门控,并在交付报告中说明 |
| 后台执行 | 能否在后台运行长时间命令? | 不能 → 在前台运行渲染,并首先使用 --preview;为几分钟的耗时做好预算 |
| 上下文预算 | 非常大的上下文? | 上下文很紧 → 只读取当前阶段提及的 references/ 文件,一次一个;将故事JSON作为唯一信息来源 |
| 推理深度 | 强模型 → 进一步追求工艺:更丰富的舞台调度、更多节拍、更深的研究 | 弱模型 → 严格遵循参考默认值;它们经过校准,即使没有即兴发挥也能产生良好结果 |
无论环境如何,质量门(步骤4、5、7)不可省略——较弱的流程也必须通过相同的可执行检查。
0.5 解析引擎
引擎是一个自包含的Remotion项目。按以下顺序查找:
- 当前项目中一个目录,其
package.json名为stickman-studio-engine— 使用它。 - 与此文件同目录下的
engine/文件夹 — 将其复制到工作区 (cp -r <skill-dir>/engine ./engine),并在其中运行npm install(仅限首次)。 - 如果两者都不存在,则该技能在安装时缺少引擎 — 克隆技能仓库并从其中获取
engine/。
引擎目录内的一次性设置:
npm install # Remotion + three + zod
pip install edge-tts imageio-ffmpeg numpy scipy pillow # 旁白 + 程序化音频 + 质量检查
65个音效、6个音乐背景和胶片颗粒在首次渲染时程序化生成(无需下载、无需许可证、无需第三方音频)。旁白需要互联网以使用edge-tts(免费,无需密钥);--no-tts 在离线状态下完全可工作于分段工作。仅限英语语音 — 参见 references/10-english-voice-direction.md 了解语音目录和指导规则。
1. 研究主题(英语)
- 输入是一个主题、一个标题或一个TXT文件的路径(如果给出则读取它)。
- 在编写前使用网络搜索进行研究。为你将要旁白的每个事实声明构建一个事实核查表(声明 | 原始来源所述 | 来源URL)→
stories/<slug>/fact-check.md。 - 如果某事仅是传言或民间传说,要么放弃它,要么在旁白中注明(“传说中……”)。
- 优先选择最奇怪的真实细节,而非编造的更流畅的细节。
2. 编写脚本 + 选择语音
目标 190–210 单词 ≈ 60–75 秒。结构(严格遵循):
- 第1行:作为平淡事实陈述的悖论钩子。 不要问候,不要“你知道吗”。
- 设定和利害关系 — 主角、地点、愿望。
- 升级 + 一个简短的引述,某人嘲笑主角。
- 转折点 / 反问句。
- “你瞧,” + 机制,附带一个日常类比和一个插入图形。
- 最后一句的转折。 强势结尾。
完整工艺规则:references/04-script-craft.md。将脚本保存到 stories/<slug>/script.md。
然后在渲染之前指导语音:从 references/10-english-voice-direction.md 中为所选类型选择提供商/语音/语速(默认:en-US-AndrewMultilingualNeural @ +22%;平静的纪录片朗读语速较慢)。如果不确定,可通过快速合成测试钩子句。
3. 检查并构建资源
- 列出故事所需内容:地点、静态物体、手持物品。
- 检查已有内容:
npx tsx scripts/locations.ts --list。首先重用已有资源,不要制作近似重复的资源;根据实际内容命名资源。 - 在分镜之前构建缺失的资源 — 配方在
references/08-extending-assets.md(3D地点 / 3D物体 / 2D道具 / 2D背景 / 服装)。 - 用
npx tsx scripts/locations.ts --stills --only=<name>验证新的3D资源。
4. 带有同步合同的分镜(同步门)
编写 stories/<kebab-title>.json。模式与ID:references/09-schema-reference.md,engine/src/catalog.ts。工艺规则:references/05-storyboard-craft.md。
旁白与画面的同步是强制性的,并且可由机器检查。 每个旁白段落(镜头的 say)必须直观地显示其所叙述的内容:正确的地点、正确的时间、作为姿势/节拍/道具描述的相应动作、提到的物体在屏幕上、引述的对话绑定到 quote 演员,以及镜头间的连续性。镜头内的词级时序通过 beats 绑定(at = 一个说出的单词)。
运行可执行门控并迭代直到零错误:
npx tsx scripts/qa_sync.ts stories/<file>.json # 地点/时间/动作/物体/对话/连续性检查
npx tsx scripts/qa_sync.ts stories/<file>.json --map # 打印逐镜头同步合同表
- 所有ERROR必须修复(更改镜头的世界/时间/姿势/道具,或重述旁白)。
- 检查每个WARN;要么修复它,要么在
stories/<slug>/sync-map.md中记录为何可以接受(使用--map生成表格;模板:templates/sync-map.md)。 - 特定于故事的词汇表(习语、发明名词)放入
stories/<slug>/sync-lexicon.json— 参见模板。
5. 静帧门(绝不跳过)
npm run make -- stories/<file>.json --stills # 每镜头一张质量检查静帧 → out/<slug>/stills/
python scripts/qa_stills.py out/<slug>/stills # 曝光/死帧门控(失败则exit 1)
然后检查每个静帧的构图、面部、漂浮道具、可读性、一致性 — 如果你有视觉能力则自己检查,否则使用 agentvision check <file> 检查每个静帧,结合上述像素门控。修复并重新运行直到干净。在此门控通过之前,永远不要渲染视频。
6. 渲染
npm run make -- stories/<file>.json # 全质量 → out/<slug>/<slug>.mp4
npm run make -- stories/<file>.json --preview # 不确定时首先渲染一半尺寸的草稿
尽量在后台运行;不要同时启动无关的重型任务。旁白按slug缓存,仅在脚本/语音/语速变化时重新合成。
7. 验证(ffprobe + 帧 + 音频门)
ffprobe -v error -select_streams v:0 -show_entries stream=width,height,r_frame_rate,codec_name -of csv=p=0 out/<slug>/<slug>.mp4
ffmpeg -i out/<slug>/<slug>.mp4 -vf fps=1/5 qa_%03d.jpg # 从视频中抽取帧
python scripts/qa_audio.py out/<slug>/<slug>.mp4 # 响度/削波/语音存在门控
- 规格:1080×1920(
--preview为540×960),30帧/秒,h264 + aac;时长 ≈ 旁白 + 0.6秒。 - 帧:第一帧/中间帧/最后一帧不能为黑色;字幕清晰可见;没有卡住的镜头。
- 音频门必须通过:−14 LUFS ±1.5,真实峰值 ≤ −1.0 dBTP,存在语音能量。
8. 修复循环,然后交付
循环阶段4→7直到所有门通过。预算:每个门最多 3轮修复;如果之后仍然失败,则交付时附带关于剩余问题的明确说明(绝不默默交付已知故障,绝不停止而不交付)。
交付为一套文件:MP4、script.md、fact-check.md、sync-map.md、故事JSON、任何新的库资源,以及诚实的限制(已验证的事实 vs. 戏剧化处理;运行了哪些门控以及如何检查的)。
质量标准(不可协商)
- 同步: 画面完全展示旁白传达的内容 — 零矛盾,零死镜头。当旁白和动画会讲述两个不同故事时,重写分镜。
- 表现力丰富的角色: 对节拍的反应、在剪影中可读的姿势、每个场景一个一致的光源;自带生命(呼吸/眨眼/行走)是自动的 — 再叠加有意向的运动。
- 电影摄影: 每个场景的构图梯级,镜头多样性(同步门会标记连续3个以上相同的构图+摄像机镜头),每镜一个清晰的视觉目的。
- 声音绝不与语音冲突: 闪避是自动的;仅对特定时刻手动添加
sfx;音频门强制执行响度且无削波。 - 无重复,无马虎: 变化构图、转场和反应;每镜不超过2个特效;每8-10个镜头不超过1个插入。
- 无AI生成的图像或视频,无图像生成服务,无付费API。永远。
- 仅限英语 — 旁白、对话、屏幕文字、字幕。
深度参考资料(按阶段阅读,不要一次性全部阅读)
| 文件 | 阅读目的 |
|---|---|
references/01-animation-principles.md | 运动、缓动、预判、次要动作 — 如同引擎实现的那样 |
references/02-character-system.md | 火柴人骨架:比例、体型、姿势、面部、一致性 |
references/03-scenes-camera-light.md | 视差层、构图、摄像机运动、光照、锁定调色板 |
references/04-script-craft.md | 脚本结构、钩子、类比、词汇预算 |
references/05-storyboard-craft.md | 镜头语法、节拍、转场、同步合同 |
references/06-sound-design.md | 闪避、自动音效映射、音乐情绪、舒适规则、音频门控 |
references/07-rendering-qa.md | 所有质量门控、像素检查、ffprobe、修复循环 |
references/08-extending-assets.md | 配方:3D地点/物体、2D道具/背景、服装、音效 |
references/09-schema-reference.md | 每个故事JSON字段,含默认值和约束 |
references/10-english-voice-direction.md | 英语语音目录、指导、节奏、离线回退 |