Animados：无需拍摄、只需编写的视频
一个这样的视频大约包含 1000–2000 幅图画（每秒 30 帧），它们在语音说出每个词的那一刻精确切换。无需在任何剪辑软件中编辑：你用 Remotion 以代码编写，它自己完成渲染。
请始终按此顺序操作。不要跳过步骤：人们最常忽略的是审核环节，而正是这一步骤区分了一个能够传播的视频和一个停留在 300 次播放量的视频。
0. 开始之前
- 阅读
referencias/05-taller.md，并使用模板准备视频文件夹。 - 阅读
referencias/gusto.md：它是让视频看起来不像 AI 生成的关键。 - 如果用户有
voz.md或他们的声音示例，请使用它们。如果没有，只问一个问题：视频的受众是谁？
1. 调研（referencias/04-investigacion.md）
- 从至少 3 个来源查找主题的真实答案，并且其中一个来源必须是主要来源：制造商、标准、研究或有作者的论文。
- 将每条信息及其来源记录在
investigacion.md中。没有来源的信息不能进入脚本。 - 寻找没有人提到过的细节。视频的生命力在于一个“我不知道这个”的瞬间。
2. 脚本和文本（referencias/01-guion-y-texto.md）
- 为第一秒编写 4 个不同的钩子，并与用户一起选择，如果用户不在，则选择最符合评分标准的那一个。
- 编写脚本：70–110 个词（25–40 秒），每个句子 4–12 个词，每个句子一个信息点，结尾呼应钩子。
- 编写帖文文本和 3 个封面选项。
3. 语音
- 默认使用免费本地语音：
python herramientas/voz_local.py guion.txt voz.wav --muestra mi_voz.wav --texto-muestra "你在示例中说的话"，该命令根据 10–20 秒的用户声音样本克隆声音（需要 NVIDIA 显卡才能快速运行）。 - 数字和缩略语：在
guion.txt中编写[ISO 11540|ISO 一一五一五四零]。语音读取右侧部分，字幕显示左侧部分。 - 如果用户偏好 ElevenLabs，则使用其 API 和声音生成
voz.wav。每个视频成本不到几分钱。 - 完整收听结果（或使用
palabras.py转录音频并阅读）。如果一个词听起来不对，重写句子，而不是硬读。
4. 逐词对齐
python herramientas/palabras.py voz.wav plantilla/public/cues.json --guion guion.txt创建cues.json，其中包含每个词及其精确的秒数。使用--guion时，文本来自脚本，仅从语音中获取时间：这样可以避免转录错误。- 制作 句子 → 画面对照表（
referencias/02-frase-a-dibujo.md）：对于每个句子，显示什么画面、由哪个词触发、以及有何动画。
5. 动画（referencias/03-movimiento-y-sincro.md）
- 在
plantilla/src/escenas.tsx中编写场景。每个场景是一个 SVG 或 React 组件，以cue("palabra")开始，绝不以手动设置的秒数开始。 - 每 0.5 秒最多引入一个新元素。没有元素出现而没有动画；没有动画出现而无缘由。
- 字幕为 2–4 个词，关键词高亮显示；模板中已包含。
6. 逐帧审核
npx remotion render src/index.ts Video ../salida/video.mp4，然后python herramientas/revisa.py salida/video.mp4，该命令会输出每半秒一帧的检测页。- 查看检测页并检查：
- 每幅画面与对应词对齐（允许 3 帧余量，不多）；
- 没有元素被边缘裁剪；
- 没有文本与字幕重叠；
- 没有闪烁。
- 修复并重新渲染。重复直到检测页干净。未经检查不要交付。
7. 交付
salida/video.mp4，1080×1920，30 fps，附带帖文文本、3 张封面（salida/portada-*.png）和来源列表。- 用一句话说明你检查了什么以及还有哪些未验证。
示例
ejemplos/ 中有三个完整视频（笔、地铁、易拉罐），包含脚本、带来源的调研和场景。在开始第一个动画前阅读它们：这是快速了解水准的最有效方式。
不可违反的规则
- 严禁编造：没有来源的信息不能进入脚本。
- 引用其他品牌的商标和视频，但不得复制其画面或音乐。
- 屏幕上不得出现表情符号，不得使用名人声音。