render-editorial-motion-podcast
根据配置组装一个编辑动感播客片段广告:真实的播客音频剪辑 承载整个叙述,每个视觉节拍都精确对应它所描述的句子, 采用单一的、严格限制色调的编辑插图风格包(“一幅会动的杂志 插画”——风格和色调由调用者选择)。动画不是生成式视频, 而是对静态关键帧进行确定性的ffmpeg ken-burns处理, 使其看起来像一张会动的印刷页面。本功能就是那个免费、 确定性的组装过程——包含ffmpeg运动、硬连接、音频混流、 字幕烧录和PIL结束卡片。
scripts/config.example.json 是工作示例(Klarify “Rat Park”,
约40.8秒,1080×1920 9:16,6个节拍——其双色调Niemann风格、
奶油色/炭黑色/鼠尾草色调以及Rat Park隐喻是该演示的选择,
绝非默认值);scripts/PIPELINE.md 将每个配置块映射到其
源步骤,scripts/README.md 记录了免费组装过程。
选择
创意决策由调用者决定(视频格式配方会询问用户);本组装 从不自行选择。演示的价值仅在于提供一个示例:
- 插图风格 — 演示:大胆的扁平双色剪影,半色调(Niemann / Steinberg 流派)。
- 色调 — 演示:奶油色 #F4EBD9 + 炭黑色 #1A1A1A + 一个鼠尾草绿 #86987A 强调色。
- 核心隐喻 — 演示:Rat Park 研究。
- 语调 / 声音 — 演示:温暖而反思,真实的播客主持人(无生成语音)。
运行
这是免费、确定性的组装阶段——在运动层上不花费任何成本。
付费输入是分开的:真实的播客MP3从源文件剪辑而来(免费ffmpeg),
附带其Whisper词时间戳,每个节拍对应一张编辑插图关键帧
(通过链式参考图像保持笼/角色几何结构)来自 create-image-fal
(Nano Banana)。给定剪辑音频 + words.json + 每节拍关键帧
- 真实品牌文字标记PNG,
render-editorial-motion-podcast将每个关键帧渲染为ken-burns片段,在节拍处硬连接,混流真实音频, 在句子中间烧录字幕,并合成PIL结束卡片 → 主视频。 重新剪切时使用已有的音频/关键帧,成本为0美元。
约定(免费组装)
- 语音叙述承载整个广告——不能使用生成的歌曲。 混流所提供的
叙述MP3(
-map 0:v:0 -map 1:a:0)——可以是真实的播客 剪辑片段(首选)或经批准的生成VO(create-vo-elevenlabs)。 绝不能使用演唱/生成曲目。(剪辑vs生成由配方的STEP-0摄入决策 决定——如果未提供源剧集,则询问用户。) - 不能使用生成式i2v——仅使用确定性的ffmpeg ken-burns。
用
zoompan(推近/拉远,1.0→约1.06倍,24fps)对每个 静态关键帧进行动画处理;Seedance/Kling 使用照片级训练数据, 会创造出破坏扁平有限色调风格的自然主义中间状态。 绝不能使用带zoompan d=N的-loop 1(会使时长膨胀); 传入单张图像并用-t+trim进行钳制。 - 在节拍处硬剪切——不能使用交叉淡化。 交叉淡化会让两个 漂移的笼子相互叠影;对每个节拍的片段进行硬连接, 并将长节拍拆分为微剪切(目标8–10个不同的视觉时刻)。 每个节拍的视觉在其对应语音台词约0.5秒内开始。
- 字幕来自Whisper词时间戳,仅在句子中间显示。
在说话者讲话时烧录
frosted-subtle字幕; 让静默/反思节拍和结束卡片保持无字幕。 三条强制规则(每一条都在生产环境中咬过我们——务必牢记):- 不重叠 — 将每一行钳制到下一行开始时结束
(
end = min(last_word_end + ~0.15, next_start - 0.03))。 两个盒子绝不能同时堆叠在同一位置;结束尾部渗入下一个 时间窗口是#1字幕错误。 - 安全区域 — 字幕位于下方三分之一处,因此关键帧的
主体必须保持在上方约75%区域(请参见配方的
look_pack.caption_safe_area)。如果已完成的关键帧的 主体侵入字幕带,则确定性地将主体向上移动到空白 顶部空间(PIL:向上粘贴约0.24H到预先填充了来自干净边角 的精确纸张颜色的画布上)——绝不能让字幕框位于主体上。 - 烧录引擎 — 优先使用libass(
ass/subtitles滤镜), 但首先检查ffmpeg -filters:许多构建(如Homebrew) 缺少libass/drawtext。如果缺失,使用确定性的覆盖回退 — 将每一行渲染为透明PNG(磨砂圆角框+白色文字,PIL), 并通过带有时控enable='between(t,st,en)'窗口的 ffmpegoverlay滤镜进行合成。同样外观,无需libass。
- 不重叠 — 将每一行钳制到下一行开始时结束
(
- 通过PIL使用真实文字标记PNG生成结束卡片——绝不能使用 AI渲染品牌文字。 标志组合是确定性合成的(渐变背景 + 羽化吉祥物裁剪 + 文字标记 + 系统字体标语);扩散模型 会破坏文字标记(例如“therapits”)。视频在结束卡片上 比音频多停留约1.5秒(前/后各淡出0.3秒)。
- FFmpeg合成,确定性,免费。 对每个关键帧进行ken-burns 处理,硬连接,混流真实音频,烧录字幕,停留在结束卡片上 → 生成1080×1920 h264+aac主视频。无需付费调用。