shubham001312/fish-video-skill

Fish Video Skill v2

你从一次对话中制作一个视频。其质量必须达到 参考拆解 中分析的顶级短视频的水平：

• 屏幕上大约每 1 秒出现新内容
• 具有深度感的真实素材（纹理、接触阴影、发光）
• 3 倍的字词对比度
• 物体作为转场元素的过渡效果
• 每次移动前都要有快速的 swish 音效，揭示画面时要有渐强的 risers，闪切时要有 impact 音效
• 与清晰的音乐背景相平衡的语音

即使 QA 通过，一个带有通用语音的幻灯片也是失败的。

路由器：进入任务时加载指南

只阅读当前步骤需要的内容：

• 用户只提供了一个词，或需要主题创意，或你在写脚本 → 主题到视频
• 选择风格、调色板或外观 → 风格配方，config/styles.yaml
• 需要解释一个想法，或根据情绪选择颜色 → 图表设计
• 编写任何场景 → 场景目录，包括运动规则和摄像机
• 任何关于音乐、音效或音量的问题，或“在手机上听不到音乐” → 声音设计
• 选择或指导语音 → 语音指导
• 字幕和字体 → 字幕与排印
• 屏幕上显示网站或应用 → 网站导览捕捉
• 需要匹配的参考视频 → 参考拆解，参考视频分析，趋势分析
• 平台尺寸和限制 → 平台规格
• 选择哪个开源工具 → 现场指南

不可协商的工作流程

0 doctor ─▶ 1 采访（所有问题，一次） ─▶ 确认 ─▶ 2 研究 + 趋势 + 参考（并行）
  ─▶ 3 素材 + 屏幕录制 + 语音（并行） ─▶ 4 故事板（你写出每一个字） ─▶ 门控
  ─▶ 5 静态画面（外观） ─▶ 6 渲染 ─▶ 7 QA + 审查循环（修复，重新渲染，重复） ─▶ 8 打包 ─▶ 9 最终审核 ─▶ 10 清理（请求许可）

规则：

• 一次采访，在开始时。 所有需要用户的问题在第 1 步中提出，包括语音和语调、颜色、屏幕步骤、API 密钥（以及获取每个密钥的方法）和可选安装的额外组件。在 fishvideo interview <dir> --confirm 之后，你不再提问。根据答案和风格配方进行决策。仅在以下情况下再次联系用户：

  • (a) 他们在 checkpoints 中选择的可选暂停点
  • (b) 他们必须执行的桌面录制；他们在采访中已同意，你准确告诉他们何时开始
  • (c) 最终审核
  • (d) 清理许可

  如果用户后来说了不同的内容，遵循用户的指令。

• 在采访确认之前，绝不编写脚本。 fishvideo script、all 和完整 render 命令拒绝执行，直到 fishvideo gate 通过。

• 绝不输出模板文本。 脚手架是待办事项的骨架。你为这个视频重新编写屏幕上的每个字和每一句旁白，因此门控会阻止待办事项、v1 固定短语（“X，解释”、“在60秒内”、“感谢观看”）以及从 examples/ 复制的任何行。示例展示结构，绝不展示内容。

• 解说视频要有图表。 任何 goal: explain 的视频都需要至少一个 diagram、whiteboard、neonline 或 split 揭示机制场景。仅罗列要点不是解说。

第 0 步：诊断

首次使用时，设置步骤在 README.md 中：npm install、创建 venv、pip install -r requirements.txt。然后运行：

.venv/Scripts/python scripts/fishvideo.py doctor --keys      # Windows（macOS/Linux：.venv/bin/python）

记录缺少的密钥和额外组件。你将在采访的第 8 轮中询问这些。

为获得最佳效果进行设置（执行此操作，不要跳过）：

• 自行安装额外组件。 如果 doctor 显示缺少某个额外组件，将其安装到技能的 venv 中，无需用户操作：pip install "rembg[cpu]"（抠图）、pip install kokoro soundfile（自然本地语音）和 pip install faster-whisper（对齐用户自己的配音）。同时运行 fishvideo assets sfx-pack 一次（如果音效库缺失）。用一句话告知用户你在安装什么以及为什么。仅跳过用户在第 8 轮中拒绝的额外组件。
• 请求 API 密钥。 它们是 可选 的：不使用它们，通过免费备用方案一切都能正常工作。但它们能带来最佳效果：ElevenLabs 提供最自然的语音，Pexels/Pixabay 提供最多的库存照片和视频，Freesound 提供最多的音效，YouTube Data API 提供趋势图表。在第 8 轮中，仅询问对这个视频重要的密钥，说明如何获取每个密钥（doctor --keys 中有免费注册链接），并在不施加压力的情况下接受“否”或“稍后”。仅在采访中执行此操作，绝不要在创作开始之后。

第 1 步：采访（严格）

fishvideo new projects/<slug> --prompt "<用户的请求，逐字原文>"
fishvideo interview projects/<slug>            # JSON：开放性问题，按 8 轮分组

问题库在 config/interview.yaml。它有 8 轮，约 30 个问题：

轮次	覆盖内容
1	目的
2	形状和风格
3	颜色、字体、纹理
4	语音、表达方式、音乐、音效
5	真实素材和屏幕录制
6	内容、事实、行动号召、语言
7	字幕、缩略图、审批
8	API 密钥和额外组件

仅一个词或一个领域？ 在第 1 轮之前，生成 5 个热门角度：yt suggest、yt search --recent-days 30 和 trends（俳句子代理，并行），遵循 主题到视频。将它们作为 topic 问题提供。选中的角度将驱动后续所有决策。

提问方式：

• 每次 AskUserQuestion 调用只问一轮（最多 4 个问题），使用列出的选项。推荐选项优先。始终可用“其他”。
• 自由文本问题（free_text: true）在同一轮的普通消息中提出，与该轮的多项选择题一起。
• 仅当提示已明确回答了某个问题时（from_prompt 显示检测到的内容），才跳过该问题，并仍记录答案。
• 记录每个答案：fishvideo interview <dir> --set style=paper-collage --set platforms='["shorts"]'。答案映射到 brief.yaml 中：调色板对应 brand.colors，情绪对应评分和节奏，语音和表达方式对应语音配置和后处理链，风格对应纹理、节奏和主题。
• 语音： 在第 4 轮和第 6 轮之后（一旦语言和表达方式确定），运行 fishvideo voices <dir> --audition。向用户提供 build/auditions/ 中的文件路径，让他们播放并选择。这仍然是采访的一部分。
• 密钥： 仅提供与他们答案相关的缺失密钥。说明如何获取每个密钥（问题库中的文本）以及没有密钥时会发生什么。如果他们粘贴密钥，使用 --set keys_paste=... 记录。密钥将保存到技能的 gitignored 的 .env 文件中，绝不会被回显、记录或提交。如果他们选择了额外组件，立即安装到 venv 中（pip install "rembg[cpu]"、kokoro soundfile、faster-whisper）。
• 最后，向用户复述 fishvideo interview <dir> --summary 的输出。请求一个简单的“是，继续”，然后运行 --confirm。

第 2 步：研究、趋势和参考（并行运行）

将这些作为并行子代理生成。模型路由：俳句 用于抓取和查找扫描，十四行诗 用于分析和例行代码，你（颂歌） 负责脚本、故事板、设计判断和最终审核。为每个代理提供项目路径和它必须生成的确切输出文件。子代理可能无法写入报告文件；这时它们返回文本，你将其保存。

任务	命令	代理
事实和来源	网页搜索，然后 fishvideo research <dir> --url ... → research/facts.md	俳句
趋势	fishvideo trends <dir> --topic "<主题>" --region <IN/US> → research/trends.md（当前排名靠前的标题公式、标签、钩子、理想长度）	俳句
YouTube 查询	fishvideo yt search "<q>" -n 20 [--recent-days 30]、yt info、yt subs、yt suggest	俳句
参考拆解（用户给出的每个链接，以及所选风格中 1–2 个热门示例）	fishvideo yt download <url> --purpose reference --project <dir>，然后 fishvideo dissect <dir>/reference/<file>.mp4 --out <dir>/reference/dissect --fps 4 [--vtt subs.vtt]。阅读 每一份 表格、频谱图和 timeline.md，然后按照 参考视频分析 的九个部分编写 reference/analysis.md	十四行诗（视觉）

从拆解中提取数据：变化率、swish 时机和电平、语音与背景音乐的音量比、音量压缩深度、响度、字幕样式。将它们写入 brief.yaml → match:，以便故事板和混音能够遵循。复制技巧，绝不复制内容。

第 3 步：素材、屏幕和语音（并行运行）

真实素材（当 assets.policy 为 mixed 时）：

• 搜索：fishvideo assets search <dir> "<名词>" --kind photo|video|music|sfx [--providers wikimedia,pexels]。查看 assets/_candidates/ 中的预览文件。
• 下载你选择的素材：fishvideo assets get <dir> <ids>。每个文件及其许可信息都会记录到 assets/credits.json 中。
• 制作抠图：fishvideo assets cutout in.jpg out.png（使用 isnet-general-use 模型的 rembg；绝不使用非商业默认模型）。
• 准备 b 卷素材：fishvideo assets clip <dir> <file> <clip_id> --start S --dur S 为 footage 场景提供帧。
• 获取 CC-BY 许可的 YouTube 片段：fishvideo yt clip <url> <start> <end> <dest> --project <dir>。它拒绝非 CC 视频。
• 允许的许可：CC0、PD、Pexels/Pixabay 许可、CC-BY 和 CC-BY-SA（需署名）。绝不允许 NC 或 ND。绝不允许非 CC 的 YouTube 视频、参考视频的素材、你重新绘制的标志，或误导性使用真实人物的肖像。

屏幕：

• website：列出 captures: 下的拍摄计划，运行 fishvideo capture <dir>。它将在虚拟时间内以只读方式录制。
• desktop：fishvideo screenrec record <dir> <shot> --seconds N [--window "标题"] [--scale 2]。在开始之前，准确告知用户需要执行哪些步骤。F8 添加标记，F9 停止。
• files：fishvideo screenrec import <dir> <shot> recording.mp4。

以上三种方式都产生相同的捕获文件夹。tour 场景（frame: inset）会添加发光光标、点击波纹和点击音效、1.6–2 倍的光标缩放、聚光灯和 STEP 卡片。以 2 倍缩放录制，以确保缩放时保持清晰。

音乐：

• 库音轨：assets search <dir> "<brief.music.search>" --kind music，然后 assets get，将文件放入 assets/music/。
• 或保留合成的配乐。设置 music.source: synth 来强制使用合成音乐。

音效： 运行 fishvideo assets sfx-pack 一次（Kenney CC0）。通过 assets search --kind sfx（Freesound CC0）添加更多音效到 assets/sfx/<cue-type>/。

语音： 编写旁白（第 4 步），然后运行 fishvideo voice <dir>。重新运行故事板，以便场景根据实际音频剪辑重新计时。如果用户录制了自己的旁白，运行 fishvideo voiceover <dir> recording.wav 代替：它将使用 faster-whisper 将录音与脚本对齐，并按行剪切。

情绪： 为每个场景分配一个 mood:（curious、tense、urgent、excited、warm、serious、reflective、triumphant、neutral）。它会影响每行的速度和音调，以及在 ElevenLabs 上的风格。标点符号在所有引擎上塑造表达方式：... 表示停顿，? 和 ! 提升语调，短句更具冲击力。在不同节拍间变化情绪：40 秒内单一的平淡语调就是“通用语音”的问题。行内的静默部分会自动剪切（pacing.max_word_gap）。

音乐时机： 对于库音轨，运行 fishvideo beats <track>。将故事板 bpm 设置为音轨的节奏，并设置 music.offset，使节拍或高潮落在你最大的揭示画面上。

屏幕录制： 运行 fishvideo screenrec tighten <dir> <shot> 来加速空闲时段。绝不能让观众等待加载转圈。

第 4 步：故事板（你编写它）

运行 fishvideo script <dir>。它根据风格配方（config/styles.yaml、风格配方）构建一个充满待办事项的节拍骨架 storyboard.yaml。其时间是占位符。然后你按照以下顺序正确地编写它：

1. 替换每一个待办事项：复制内容、参数和旁白。场景目录 顶部的表格列出了必需的参数。
2. 编写 brief.publish 并检查采访无法填写的字段：title、facts（{text, value, source}）、sources、cta。
3. 运行 fishvideo voice <dir>，然后运行 fishvideo storyboard <dir>。只有到此时场景长度才是真实的。任何以节拍（at）计时的内容都要在此步骤之后根据口语单词进行设置。
4. 运行 fishvideo gate <dir>。

多样性。 在短视频中绝不连续使用两次相同的场景类型，也绝不连续使用三个统计数据或图表。真实的照片绝不能未经处理就出现。使用 assets cutout 和后期处理，因为一个沉闷的矩形会破坏画面。

一个核心角色。 在编写任何节拍之前，选择一个重复出现的物体或形象：一个手机、一个盒子、一个点、一个字母。视频中发生的所有事情都围绕它展开，它出现在每一个场景中（anchor / carry，以及 match 过渡）。这是热门视频与生成的幻灯片之间最明显的区别：参见 趋势分析。

图表要演进。 保持一个持续存在的元素，让它重新标记、成长或移动（带有 follow 的 neonline、带有 morph 的 diagram、摄像机推进）。不要组装不相关的静态节点。

节拍。 将想法分解为 4–8 个有意义的节拍：钩子、主张、人性化时刻、概念、升级、转折、回报、结尾。每个节拍使用一个场景，并为屏幕录制重复节拍……

[已截断以进行翻译]