Communitygithub.com

启动影片制作

指导 AI 代理如何规划、构建或剪辑“启动影片”,最终产出落地页、首页或作品集。流程遵循:启动影片、0. 事实先行——视频可能宣称的内容、1. 脚本。当新任务需要此类创作技巧时使用。

启动影片制作 是什么?

该技能为 AI 代理提供了一整套自动化电影制作流水线,将产品事实和配音转化为完整的 MP4 视频。它采用纯函数式渲染思路(film/film.js 中的 renderFrame(t)),确保静态帧、预览和最终渲染结果完全一致,每个字幕和剪辑点都由精确的词表驱动。技能支持 Node 20+、ffmpeg/ffprobe 和 Chromium 环境,可自动检测 Playwright 的 chromium-headless-shell 或使用 CHROME 环境变量指定。工作流程涵盖 7 个步骤:事实调研(要求分析真实产品而不是空想)、脚本编写(约 9-12 行,支持动态调整时长)、语音合成(优先使用 VoiceStudio MCP,其次 ElevenLabs,生成 4 版试听并自动对齐)、资源准备(字体、图片池、UI 截图)、分镜头渲染(支持检查静态帧后再全片渲染)、音频处理(合成背景音乐和特效音,支持用户提供的音轨)以及最终验证(并行渲染、检测单帧异常、报告 LUFS 响度等指标)。该技能特别强调品牌合规性——不得使用未授权商标、必须过滤遗留客户端数据、示例数据需声明为插图性质——适合需要快速制作高质量产品宣传视频的场景。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/hieunguyen24041998-dotcom/launch-film-skill/tree/HEAD/launch-film

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

启动影片制作 是做什么的?

一个将 产品事实 + 配音 转化为成品 MP4 的流水线。每一帧都是时间的纯函数(film/film.js 中的 renderFrame(t)),因此静态帧、预览和最终渲染结果始终一致,每个字幕和剪辑点都由精确的词表驱动。

脚本位于此文件旁边的 scripts/ 目录中(称为 <skill>)。它们没有 npm 依赖:需要 Node 20+、PATH 中的 ffmpeg/ffprobe,以及任何 Chromium(Playwright 的 chromium-headless-shell 会被自动找到;否则设置 CHROME=)。在一个新的项目文件夹中工作,例如 ~/<product>-launch/,并在其内部运行所有脚本。

0. 事实先行——视频可能宣称的内容

在写一个字之前,先阅读真正的产品:它的落地页、它的文档/README、它的 UI 源码、现有的介绍视频(用 ffmpeg 抓取帧)。脚本中的功能和场景中的 UI 必须是产品实际做到的事情,用用户使用的词语来写。受众很重要:对于店主/非技术买家,使用简短的日常用语,没有行话。

品牌卫生(经验教训):

  • 如果产品名称包含他人的品牌(例如一个用于 Zalo/Shopee/Notion 的工具)且没有官方关联,不要使用该品牌的标志或标志性颜色;以文本形式输入名称。
  • 源文件夹常常是旧客户项目的分支。用 grep 搜索截图/UI 字符串中遗留的客户名称(旧公司名、旧标志、旧示例数据),并将它们排除在影片之外。如果不确定,询问用户。
  • 除非用户提供,否则不要重绘真实公司的官方标志。产品自己的标志出现在其介绍视频中可以重新创建,但要说明并提供一个选项来替换为原始文件。
  • 屏幕上的示例名称、价格和聊天内容仅供说明——告知用户。

1. 脚本

默认格式(可调整;长度由内容决定,约 9-12 行):

这是 [名称]。一个 [类别]… 专为 [价值] 打造。[动词] 在任何 [事物] 中!← 去掉 · 给它 [输入],它就会… 理解。 · 用得越多,效果越好。 · [3 个设置/功能,每个一行] · 每一个 [输出],都如你所想。 · [名称]。现已推出。

  • 仅一个强调词(渐变+发光)。品牌颜色的名称可以额外使用。
  • 要覆盖所有关键功能(用户请求),为每个功能单独一行,让影片运行约 27-30 秒而不是 22 秒。
  • 编写 script.json(参见 templates/script.example.json):lines[] → units[] 在逗号/句子结尾处拆分,每个都有 end: ","|"."。行是字幕和场景的关键。extraBefore(秒)在一行前增加呼吸时间(用于标志聚集前)。

2. 配音

首选:VoiceStudio MCP(如果有连接)(list_voices、generate_speech 配合 profile_id、language、steps: 32)。否则通过 HTTPS 使用用户的密钥使用 ElevenLabs。生成 4 个版本的完整脚本,将它们复制到 voice/ 目录中并取可读的名称,然后测量每个(ffmpeg -af silencedetect=noise=-38dB:d=0.12):时长、最长停顿、峰值。呈现表格让用户选择;如果用户不选,选择最流利的版本(停顿最少/最短)并说明。

注意:VoiceStudio 的 instruct 是语音设计属性字符串("female, young adult, american accent"),不是情感标签——情感来自标点符号和语音本身。它的 transcribe 可能返回 409 当 ASR 未启用时;下面的对齐器不需要 ASR。

然后对齐并清理所选版本:

node <skill>/scripts/voice_align.mjs voice/take.wav script.json build/voice.wav build/words.json 0.9

它会在 ≥100 ms 的停顿处分割语音,使用动态规划将片段与脚本单元对齐(逗号可能停顿也可能不停顿),将 >0.28 s 的停顿修剪为 0.2 s,将每一行 85% 电平提升到中位数(增益仅在停顿内移动),并写入 words.json(包含 phrases[]、words[] 以及 t0/t1)。检查打印的对齐表格是否合理(每个单元对应合理的音频)。短语内的单词时间按音节比例分配并吸附到包络谷底——适合打字字幕;如果用户期望逐词 ASR 精度,请说明这一点。

3. 资源

node <skill>/scripts/assets.mjs fonts            # Be Vietnam Pro(所有越南语变音符号)+ Geist Mono
node <skill>/scripts/assets.mjs pool 2 11        # 约 1000 张免费缩略图和联系表供选择
node <skill>/scripts/assets.mjs get <id> <id>…   # 选定照片,640² 尺寸
node <skill>/scripts/shoot-ui.mjs <product>/public ref/ui index.html other.html   # 只读 UI 截图(无后端)

查看联系表(阅读 .jpg),选择适合产品世界的图片;免费图库主要是风景,所以当图库不适合时,以程序方式绘制产品视觉效果(模板绘制平铺 T 恤、聊天卡片、文件卡片、代码卡片)。真实的 UI 会从截图/源码在画布上重新绘制——相同的布局、颜色(读取 CSS 变量)、标签和示例流程——而不是粘贴的截图。

4. 影片

将 templates/film/ 复制到项目中作为 film/,导出词表,然后调整 film.js:

node -e "const j=require('./build/words.json');require('fs').writeFileSync('film/words.js','window.WORDS='+JSON.stringify(j)+';')"

在编辑之前阅读 references/film-template.md——它映射了每个场景、辅助函数(typeWords、glass、tile、aura、cam、push)、时间变量、声音事件表和 META.runs。保持使风格生效的规则:

  • 场景开始落在短语开始处(B[]),交叉淡入淡出跨越它们(±0.18 s)。相机每场景推进 1.00→1.04;当内容延续到下一个场景时,该场景从上一个场景结束的缩放值开始。
  • 没有元素突然出现:缓入淡出 ≥0.3 s。唯一的硬切是十六分音符序列(图像闪烁、卡片切换、种子滚动),对齐到锚定在掉落点上的网格。
  • 屏幕上没有句号。没有选择框高亮、白色闪烁、猛击、3D。
  • 玻璃后面需要有东西(光晕或模糊的照片背景),否则会看不见。

5. 在完整渲染前检查静态帧

node <skill>/scripts/render.mjs events build/events.json          # 同时验证页面启动
SUB=1 node <skill>/scripts/render.mjs stills build/stills 1.7 3.9 6.4 7.6 …   # 每个场景 + 关键时刻一个
node <skill>/scripts/finish.mjs sheet build/stills build/contact.jpg

在向用户展示之前,亲自阅读联系表并修复你所看到的问题:芯片/标签与它命名的卡片不同步、重叠的徽章、文本位于玻璃下方、无关的图片结束序列、被帧边缘截断的字幕、未翻译或残留的字符串。使用 SUB=8 重新渲染受影响的静态帧以确认运动模糊正确。当用户要求批准静态帧时,向他们展示大约 8 个静态帧(路径以及每个的内容);否则继续。

6. 声音、渲染、验证

node <skill>/scripts/finish.mjs audio                 # 音乐+特效合成,3 频段闪避,每个短语中间修剪至约 +9 dB,loudnorm -14 LUFS
node <skill>/scripts/finish.mjs video <name>.mp4 3    # 约 1 秒/帧/工作器;在后台运行

audio.mjs 合成一个 130 BPM 的背景音轨,其小节网格锚定在掉落点(META.D)上,并为每个事件合成一个特效音(每打一个字一个按键音,每换一张图一个点击音,呼啸声,进入掉落/标志的提升音,冲击音,在强调词上的柔和着陆),因此无需下载任何内容。如果用户提供了音轨,则改用其进行混音,并保持掉落点在动词行上。诚实报告打印的配音音乐对比表:掉落点之后的行应坐落在约 +9 dB;稀疏的引入/结束行会更高,这是设计使然。

finish.mjs video 并行渲染,多路复用 AAC 320k,扫描帧差异以查找 META.runs 之外的单帧异常,并打印大小/fps/响度。然后从最终 MP4 中提取几帧并在报告前检查它们。

7. 报告

给出 MP4 的路径、其规格、每个场景的内容、检查结果(异常帧、LUFS/峰值、配音音乐对比),以及什么是说明性或重新绘制的(标志、示例数据、程序化产品镜头、合成音乐),再加上一行提供替换真实资源的选项。用用户的语言和简单的话来写。

注意事项

  • Windows 上的 Shell 工具:使用 ffmpeg -f concat 列表而不是进程替换;在长后台渲染的命令内设置 cd。
  • canvas.letterSpacing 和 ctx.filter 需要较新的 Chromium——内置查找器会选择最新的 Playwright 构建。
  • 字体:Geist 缺少一些越南语字形覆盖;越南语文本使用 Be Vietnam Pro。
  • 运动模糊会跨越硬十六分切并显示一个混合帧——这是预期的,这些范围应属于 META.runs。

相关技能