Communitygithub.com

manga-to-anime

漫画转动画的约束层。把"怎么读漫画"写成可执行规则:阅读顺序、气泡归属、说话人、拟声词、角色身份、时长预算、镜头拆分,以及每条规则的失败案例和验收方法。附可选的 30s 规划 / 15+13 分段渲染参考。当任务涉及漫画分镜解读、格到镜头的转换、台词编排或动画化验收时使用。

manga-to-anime 是什么?

manga-to-anime is a Codex agent skill that 漫画转动画的约束层。把"怎么读漫画"写成可执行规则:阅读顺序、气泡归属、说话人、拟声词、角色身份、时长预算、镜头拆分,以及每条规则的失败案例和验收方法。附可选的 30s 规划 / 15+13 分段渲染参考。当任务涉及漫画分镜解读、格到镜头的转换、台词编排或动画化验收时使用。.

兼容平台~Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/jiacongwu26-arch/manga-to-anime/tree/HEAD

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

Manga to Anime

这套 skill 的价值在漫画约束,不在调接口。

视频模型能画;它不会读漫画。它会搞错谁在说话、把拟声词当台词、把母亲当成成年后的主角、把黑白页的浅发认成金发、为了演完偷偷删格。这些错误不是画质问题,是理解问题,而且模型自己不会报错。

所以这里先把"怎么读"钉死,再谈"怎么生成"。


一、阅读约束

C1 顺序:右 → 左,上 → 下

同一横排:右格先于左格。同一竖列:上格先于下格。

这条最容易在每页最后一排出错。习惯上人眼从左往右扫,但日漫最后一排依然是右先左后。写编排前先把最后一排的格子从左到右编号,再倒过来读。

上排:  [2] [1]      ← 1 先读
中排:    [3]
下排:  [5] [4]      ← 4 先读,5 后读

详见 reference/reading_rules.md。

失败案例:某页下排是"孩子发问(右)"+"母亲摸头(左)"。编排时按左→右写成"先摸后问",生成出来的动作顺序整个反了,画面没错、台词没错,但叙事逻辑错了。观众只觉得"怪"。

C2 岛:视线相邻 = 同一时刻

关系含义动画处理
同岛、相邻视线连续时间、同一空间硬切,保持连续感
跨岛换场 / 时间跳 / 回忆进出硬切;需要缓冲时加一个短空镜或环境音桥接

跨岛处不要用叠化。叠化在动画里表示"时间流逝",会让观众误读成"过了很久"。

C3 分格类型决定镜头长度

格型语义镜头
标准框常规叙事常规镜头
无框 / 开放框心理状态、空间延伸长镜 + 景深 + 缓推
出血框(压出页边)冲击、大场面定场大镜或情绪停顿
斜框动乱、紧张手持感、快切
内嵌小格插入细节 / 回忆插入特写,不是独立叙事格

失败案例:把内嵌小格当成"下一格剧情",叙事线被打乱;把无框格当"没画格"漏掉,丢掉整页最重要的情绪点。


二、归属约束(谁在说)

C4 气泡尾巴指向谁说

尾羽指向的人 = 说话人。尾羽叠在两人之间、分不清指向时,标 unknown,不要猜。

失败案例:一格里有"孩子仰头喊"和"母亲从楼梯下来"两个动作,气泡「媽媽!」被标成了母亲说的。实际上这是孩子在喊母亲。生成出来的画面变成母亲喊"妈妈",整段人物关系崩了。

C5 六类气泡,配音规则各不相同

类型视觉动画配音
speech椭圆 + 尾羽指向人张嘴角色声线
thought云朵边 + 点状尾羽不张嘴画外音或静默
narration矩形框、无尾羽、贴页边无嘴动叙述者声线(平)
shout锯齿 / 爆炸边张嘴 + 动作大角色声线 + 高音量
sfx手写体、无边框、直接压画不是台词零配音(只做音效)
phone方框带齿 / 天线符号画外音角色声线 + 滤波

只有 sfx 完全不配音。thought 不张嘴但可以有画外音;narration 不张嘴,用独立的叙述者声线。三者都不能当普通对白处理。

失败案例:手写体的「輕摸」(轻轻地摸)被当成台词配了音,角色开口说"轻摸",直接出戏。这类词是动作音效,必须走音效轨,不进台词。

同理:旁白框没有尾羽,用角色声线配会变成人物自言自语;心声配成对白,画面里嘴不动却有声音。

C6 判定优先级

  1. 有尾羽且指向具体人物 → speech
  2. 无尾羽、框形规整 → narration
  3. 手写体无框 → sfx
  4. 云朵边 → thought
  5. 锯齿边 → shout
  6. 方框带齿 → phone

不确定时用动画决策反推:这个镜头需要角色张嘴吗?要 → speech;不要 → thought / narration。

六类气泡的完整判定表见 reference/bubble_taxonomy.md。


三、身份约束(这是谁)

C7 不同年龄不是同一个人

同一角色的幼年与成年,脸型、发型细节、服装全不同。VLM 常把两种形态标成两个"金发女性"或同一个"长发女性",于是出现"母亲跟着孩子去冒险"这种错误。

判定方法:看服装与配饰,不看发色。同一个人跨年龄会保留标志性配饰(胸针、发饰、帽子),但制服会变。

失败案例:第 2 页上格是母亲蹲下摸头,下格是成年主角骑扫帚飞走。解析把它们当成同一个人,编排成"母亲飞向目的地",主角整段消失。

C8 配角不是主角

路人、门卫、旁听者只有一两格,不要升级成主角。反过来,主角在画面里只露出背影或一只手时,也不要当成"没有主角"。

失败案例:城门守卫被标成"金发少女",编排时给了他一段特写反应镜;实际他只是过场 NPC。

C9 黑白页的发色不可信

黑白漫画的浅色头发在扫描后接近白色,VLM 经常标成"金发"。发色必须以上色参考(官方彩图 / 动画截图)为准,不能用漫画灰度推断。

失败案例:银白色头发被写成"金发",生成出金发角色,与主角完全不符;而且因为提示词里写死了金发,模型"忠实执行"了这个错误。

规则:拿到上色参考图之前,不要在提示词里写具体颜色,只写"与参考图一致"。


四、时间约束(给多少秒)

C10 台词时长按音节算,不按字数猜

日语按 mora:

时长 = mora ÷ 语速 × 密度 + 0.4s 呼吸
mora/秒:平静 7.0|情绪 6.0|急促 8.5
密度:陈述 1.0|感叹 0.9|疑问 1.1|省略 0.8

mora 计数:一个假名 = 1;小書きゃゅょ = 0;っ、ん、ー = 1。 汉字必须给假名读法(平假名/片假名都可,脚本会转)。没有读法就不要估算,不要用汉字个数猜。

完整公式、多语言对照与算例见 reference/duration_budget.md。

C11 无台词格有基准,不要凭感觉

格型基准
定场 / 远景3.5s
动作2.5s
情绪 / 特写2.2s
过场 / 小格1.5s
心理 / 无框3.0s

C12 内容装不下就删格,不许偷偷压

总账 = 所有镜头时长之和。目标给定后:

  • 内容 > 目标:依次压过场(1.5→1.2)、反应镜(2.0→1.5)、定场(3.5→2.5);台词格一律不动。仍然超 → 停下来报告:缺多少秒、压了哪些、给出"拆段"或"删指定格"两个方案。
  • 内容 < 目标:加镜头,不要拉长现有镜头,更不要冻结末帧。

失败案例:为了塞进目标时长,把 5 个镜头压成 3 个,其中删掉的是转场——观众看到的是"跳了一下",不是"节奏变快"。

C13 不要用静帧 / 慢放填时间

静帧 + 极慢 zoom 等于画面完全静止。把素材慢放会产生重复帧——每两帧才前进一次,有效帧率减半,观众看到的是抖动或卡顿,不是慢动作。这两种"填时间"都会被直接看出来。时间不够就加镜头。


五、拆镜约束

C14 格 ≠ 镜头

一页 2–4 格 → 动画 3–5 镜。漫画靠"同页多格"承载时间,动画靠"镜头时长 + 剪辑"承载。

格内容镜头数拆法
双人对话2–3正反打:A 说 → B 反应 → 回 A
单人对白1说话镜 + 轻微运镜
动作1–2连续整镜,或按起/中/收切
心理 / 无框1静止长镜 + 景深
大格 / 出血1定场或情绪停顿
内嵌小格1(插入)插在它所解释的镜头之后
拟声词0–1不单独成镜,音效叠在相邻动作镜

完整拆分规则与镜头预算见 reference/shot_grammar.md。

C15 反应镜是呼吸,不是填充

保留:首次情绪反转、关键决定后的反应。 删除:重复的惊讶、纯信息确认。

一页最多 1–2 个反应镜。每个对话格都加反应镜 = 机械节奏。

C16 动作顺序要写死,而且仍要验收

提示词里写 Aしてから、Bする(A 之后 B)比写"先…再…"更稳,但只能提高概率,不能保证。

规则:出片后逐格核对顺序。反了就重跑或调整剪辑,不要假设提示词一定生效。


六、验收约束

生成后按表核对,不通过就回改,不进入下一步。

约束检查方法不通过
C1 顺序抽帧对照原页,逐格核对重排或重跑
C2 岛 / 转场跨岛处是否硬切;有无误用叠化重剪
C3 分格类型无框格是否给了长镜;内嵌格是否被当独立叙事重排镜头
C4 说话人听音频,核对每句台词与脚本的角色重写提示词
C5 气泡类型确认拟声词没有被配音;旁白不是角色声线重写提示词
C6 判定优先级存疑气泡是否标 unknown 而非猜补标注
C7 身份抽帧看服装配饰,不只看发色换参考图
C8 配角路人是否被写成主角/反应镜删镜头
C9 发色与上色参考比对换参考图
C10 时长用 ASR 拿到实际语速,与估算比对调整时长
C11 无台词格定场/动作/情绪是否落在基准区间调整时长
C12 总账镜头时长之和 vs 目标删格或拆段
C13 静止帧间光流是否持续非零换素材
C14 格≠镜头是否出现一页一镜或一格一镜重拆
C15 反应镜每页是否超过 2 个删多余反应镜
C16 顺序逐格核对动作先后重跑或剪辑

指标的口径要说清

  • center_texture_delta(有的实现叫 face_boil)不是人脸检测,是中心区域高频纹理的帧间差。城市、人群、树叶会让它飙高,但画面里可能一个脸都没有。必须抽帧人眼确认,不要直接判失败。
  • 多镜头片段有硬切,全局运动突变指标会被切点拉高。判定要用逐镜片段,不要用整段均值。

七、可选:渲染参考

以上约束与渲染方式无关。如果你需要一个具体做法:

  • 按 30s 规划,按 15+13 渲染:30 秒是叙事单位,两段是成本单位。
  • 第 1 段 15s;第 2 段 13s,把第 1 段最后 2 秒作为 reference_video 传入,承接运动与镜头。
  • 身份来自角色参考图,运动来自参考视频。两者都要,缺一会漂。
  • 部分平台的首尾帧与参考素材角色互斥,不能同时传。做 15+13 时走 reference_video,不要同时要求首尾帧。
  • 不要用一堆 3–4 秒片段迭代场景:贵,且跨段一致性差。

计划脚本:

python scripts/plan_duration.py --target 28 --unit 30 --segment 15,13 \
  < examples/page_plan.sample.json > plan.json

段内不足只报缺口,提示你加镜头,不会自动拉长镜头。

接口字段与客户端纪律见 reference/api_integration.md。 模型能力边界见 reference/h3_rendering.md。


八、常见失败与对应约束

现象违反的约束修法
动作顺序反了C1 / C16重排阅读顺序,写死 Aしてから、Bする,逐格验收
角色在喊自己的名字C4核对气泡尾巴指向
角色说"轻摸"C5拟声词走音效轨
母亲跟着去冒险C7按服装配饰区分年龄形态
全员金发C9用上色参考,不写具体色值
镜头被偷偷删掉C12先算总账,删哪格显式指定
画面像静止C13加镜头,不要静帧/慢放
一页一个镜头C14按镜头语法拆镜
每个对话格都有反应镜C15只留情绪转折处
字数估不准时长C10补假名读法,按 mora 算

示例

依赖

Python 3.10+、numpy、opencv-python、soundfile、scipy、ffmpeg/ffprobe。 可选:openai-whisper(台词核对)、pykakasi(日语注音)。

相关技能