当此技能被激活时,始终以:pencil:表情符号开始你的第一句话。
视频脚本创作
编程视频脚本创作是一种将脚本直接转化为代码驱动视频制作的规划、结构和写作实践。与传统的编剧不同,编程视频脚本是结构化数据——每个场景都有明确的时长、帧数、动画描述和叙述文本,供渲染引擎使用。本技能涵盖采访利益相关者、生成结构化YAML脚本、计算节奏和帧数、撰写叙述以及修改脚本。
何时使用此技能
当用户出现以下情况时,触发此技能:
- 想要为编程或代码生成的视频编写脚本
- 需要为视频规划场景结构、时间或转场
- 询问如何以结构化格式(YAML、JSON)创建故事板
- 想要根据时长和帧率计算帧数
- 需要帮助为视频场景撰写叙述文本
- 询问关于不同内容类型(演示、讲解、社交)的视频节奏
- 想要运行采访工作流以收集视频需求
- 需要修改或重组现有的视频脚本
在以下情况下不要触发此技能:
- 真人电影制作或传统编剧
- 视频编辑软件教程(Premiere、Final Cut、DaVinci Resolve)
- 纯音频内容,如播客或音乐制作
- 静态图像设计或静态演示幻灯片
关键原则
-
采访驱动——在生成任何一个场景之前,运行一个结构化采访(最多7个类别30个问题)。切勿基于假设进行脚本创作。
-
结构化的输出——每个脚本都是有效的YAML格式,包含一个
meta块和一个scenes数组。每个场景都有id、duration、frames、narration、visual、animation、music、sfx和transition_to_next字段。 -
视觉优先——先写
visual字段,再写narration。叙述应该补充视觉,绝不冗余描述屏幕上的内容。 -
节奏意识——根据视频类型匹配场景数量和每个场景的时长:社交片段需要3-8秒的场景;讲解视频可以更宽松,每场景5-12秒。
-
叙述与视觉同步——每句叙述必须与当前时刻的视觉内容匹配。每个场景一个想法。叙述时长必须适合场景时长。
核心概念
采访框架
在写作之前,通过7个类别收集需求:
| 类别 | 问题数量 | 示例 |
|---|---|---|
| 产品/主题 | 5-7 | 产品是什么?关键功能?解决的问题?差异化优势? |
| 观众 | 3-5 | 目标观众?技术水平?痛点? |
| 视频目标 | 3-4 | 类型(演示/讲解/社交/公告)?时长?渠道? |
| 语气和风格 | 3-5 | 正式还是随意?充满活力还是平静?参考视频? |
| 素材 | 3-5 | Logo?截图?品牌色?字体? |
| 内容 | 4-6 | 关键信息?必须包含的功能?行动号召?开场钩子? |
| 视觉偏好 | 3-5 | 动画风格?调色板?布局偏好? |
YAML脚本格式
meta:
title: "字符串 - 描述性标题"
duration: "字符串 - 总时长(例如 60s)"
type: "枚举 - demo | explainer | social | announcement"
resolution: "字符串 - 例如 3840x2160, 1920x1080"
fps: "数字 - 24, 30, 或 60"
audience: "字符串 - 谁在看"
tone: "字符串 - 逗号分隔的描述符"
total_frames: "数字 - 时长秒数 * fps"
scenes:
- id: "字符串 - 唯一的 kebab-case 标识符"
duration: "字符串 - 例如 4s, 8s"
frames: "数字 - 场景时长秒数 * fps"
narration: "字符串 - 每句最多15个单词"
visual: "字符串 - 观众在屏幕上看到的内容"
animation: "字符串 - 元素如何移动,带帧引用"
music:
track: "字符串 - 音乐曲目名称"
volume: "数字 - 0.0 到 1.0"
duck: "布尔值 - 叙述时降低音乐音量"
sfx:
- type: "字符串 - 音效名称"
at: "字符串 - 场景内的时间戳"
duration: "字符串 - 播放时长"
transition_to_next: "枚举 - hard-cut | cross-dissolve | fade-to-black | wipe-left | wipe-right | none"
不同类型视频的场景节奏
| 视频类型 | 时长 | 场景数 | 每场景时长 | 注意事项 |
|---|---|---|---|---|
| 产品演示 | 30-120秒 | 6-15 | 5-10秒 | 功能聚焦,清晰的行动号召 |
| 讲解视频 | 60-180秒 | 8-20 | 5-12秒 | 概念密集,更多呼吸空间 |
| 社交片段 | 15-60秒 | 3-8 | 3-8秒 | 前3秒内设置钩子,节奏快 |
| 公告 | 15-45秒 | 3-6 | 4-8秒 | 简洁有力,单一信息聚焦 |
帧计算
total_frames = duration_seconds * fps
scene_frames = scene_duration_seconds * fps
示例:60秒视频,30fps = 1800 总帧数
| 时长 | 24 fps | 30 fps | 60 fps |
|---|---|---|---|
| 4秒 | 96 | 120 | 240 |
| 8秒 | 192 | 240 | 480 |
| 30秒 | 720 | 900 | 1800 |
| 60秒 | 1440 | 1800 | 3600 |
| 90秒 | 2160 | 2700 | 5400 |
始终验证场景帧数总和是否等于meta中的total_frames。
常见任务
1. 运行采访工作流
按顺序遍历所有7个类别。一次只问一类,总结答案,然后继续。完整的30个问题框架请参考references/interview-questions.md。在时间紧迫的情况下,使用精简版10个关键问题:产品名称、关键功能、解决问题、目标观众、技术水平、视频类型、时长、渠道、关键信息、行动号召。
2. 生成产品演示脚本
meta:
title: "产品演示 - Acme Dashboard"
duration: "60s"
type: demo
resolution: 3840x2160
fps: 30
audience: "SaaS创始人和产品经理"
tone: "专业、自信、简约"
total_frames: 1800
scenes:
- id: intro
duration: "4s"
frames: 120
narration: "认识Acme - 自建仪表盘。"
visual: "Logo居中在温暖的米白背景上,从透明淡入"
animation: "30帧内淡入,保持90帧"
music:
track: "upbeat-corporate"
volume: 0.4
duck: false
sfx: []
transition_to_next: "hard-cut"
- id: feature-1
duration: "8s"
frames: 240
narration: "只需描述你的需求。Acme来处理剩下的。"
visual: "浏览器模拟图,显示提示输入框,文本正在输入"
animation: "浏览器从底部滑动上升20帧,从第40帧开始输入"
music:
track: "upbeat-corporate"
volume: 0.2
duck: true
sfx:
- type: "keyboard-typing"
at: "1.3s"
duration: "3s"
transition_to_next: "cross-dissolve"
- id: feature-2
duration: "8s"
frames: 240
narration: "拖拽、放置、调整大小。你的布局,你做主。"
visual: "仪表盘编辑器,小部件被光标重新排列"
animation: "光标在第30帧移动到小部件,在60帧内拖到新位置"
music:
track: "upbeat-corporate"
volume: 0.2
duck: true
sfx:
- type: "soft-click"
at: "1.0s"
duration: "0.2s"
transition_to_next: "cross-dissolve"
- id: cta
duration: "6s"
frames: 180
narration: "免费试用Acme,访问acme.dev。几分钟内构建你的第一个仪表盘。"
visual: "行动号召文本居中,附带URL,背景渐变动画微妙"
animation: "文本20帧内淡入,背景渐变缓慢变换"
music:
track: "upbeat-corporate"
volume: 0.4
duck: false
sfx: []
transition_to_next: "fade-to-black"
完整的演示脚本通常有6-15个场景。通过添加问题、社会证明、定价和结尾场景来扩展,遵循相同的YAML结构。
3. 生成社交片段脚本
meta:
title: "Acme in 30 Seconds"
duration: "30s"
type: social
resolution: 1080x1920
fps: 30
audience: "在社交Feed中刷屏的开发者"
tone: "充满活力、简洁、现代"
total_frames: 900
scenes:
- id: hook
duration: "3s"
frames: 90
narration: "别再从头构建仪表盘了。"
visual: "粗体文本在生动的渐变背景上"
animation: "文本从顶部猛冲下来8帧,屏幕震动4帧"
music:
track: "electronic-pulse"
volume: 0.5
duck: true
sfx:
- type: "impact-hit"
at: "0.2s"
duration: "0.3s"
transition_to_next: "hard-cut"
- id: demo
duration: "12s"
frames: 360
narration: "输入你需要的。Acme实时构建。"
visual: "屏幕录制:输入提示,仪表盘实时生成"
animation: "输入持续120帧,仪表盘在剩余240帧内构建完成"
music:
track: "electronic-pulse"
volume: 0.3
duck: true
sfx:
- type: "keyboard-typing"
at: "0.5s"
duration: "4s"
transition_to_next: "hard-cut"
- id: result
duration: "8s"
frames: 240
narration: "完全交互式。实时数据。随时可分享。"
visual: "完成的仪表盘,带悬停交互,数据实时更新"
animation: "光标悬停触发工具提示,在第120帧刷新数据"
music:
track: "electronic-pulse"
volume: 0.3
duck: true
sfx: []
transition_to_next: "hard-cut"
- id: cta
duration: "7s"
frames: 210
narration: "免费试用acme.dev。"
visual: "行动号召文本大号居中,URL在下,品牌渐变背景"
animation: "文本从0放大到完整尺寸15帧,保持"
music:
track: "electronic-pulse"
volume: 0.5
duck: false
sfx: []
transition_to_next: "none"
4. 根据时长计算帧数
输入:duration = 60秒,fps = 30
输出:total_frames = 1800
场景分解:
intro: 4秒 * 30 = 120帧
feature-1: 8秒 * 30 = 240帧
feature-2: 8秒 * 30 = 240帧
proof: 6秒 * 30 = 180帧
cta: 6秒 * 30 = 180帧
---
总和:32秒 = 960帧(剩余840帧需要更多场景)
始终验证总和。如果场景总和不匹配,调整或添加场景。
5. 撰写有效的叙述文本
规则:
- 每句最多15个单词——太长的句子无法在时间内读完
- 主动语态,现在时——"Acme构建你的仪表盘"而不是"将被构建"
- 匹配叙述与视觉——谈论屏幕上的内容
- 每个场景一个想法——不要将两个概念塞进一行
- 以利益开头——"每周节省10小时"而不是"我们的时间追踪功能"
- 包含停顿——空叙述(
"")用于呼吸空间 - 阅读速度——大约每秒2.5个单词
| 差 | 好 | 原因 |
|---|---|---|
| "我们的产品被设计用来帮助团队更快构建仪表盘" | "几分钟内构建仪表盘,而不是几周。" | 太长,被动语态 |
| "点击右上角的加号按钮" | "一键添加小部件。" | 让视觉显示位置 |
| "正如你所看到的,数据实时更新" | "实时数据。始终最新。" | "正如你所看到的"是填充词 |
6. 规划场景转场
| 转场 | 何时使用 |
|---|---|
hard-cut | 相同主题,快节奏,或突兀对比 |
cross-dissolve | 平滑主题变化,相关内容流动 |
fade-to-black | 章节结束,戏剧性停顿,最后场景 |
wipe-left / wipe-right | 前后对比,时间线推进 |
none | 视频的最后一个场景 |
规则:每个视频最多使用2种不同的转场类型以保持一致性。
7. 根据反馈修改脚本
- 确定反馈类型:节奏、叙述、视觉、结构或语气
- 通过
id定位YAML中受影响的场景 - 只对受影响的字段进行修改,保留帧计算
- 重新验证:场景时长总和必须等于总时长
- 如果任何时长改变,重新计算帧数
- 记录更改内容:
# 修订:根据反馈将intro从6s缩短为4s (v2)
- id: intro
duration: "4s" # 原来是6s
frames: 120 # 原来是180
反模式 / 常见错误
| 错误 | 为什么错 | 应该怎么做 |
|---|---|---|
| 先写叙述再写视觉 | 导致视频变成说话头风格 | 先写visual,然后写narration来补充 |
| 场景时长超过12秒 | 观众失去注意力,节奏拖沓 | 拆分成两个较短的场景 |
| 帧数不匹配 | 渲染引擎产生错误时长或崩溃 | 始终计算 frames = duration * fps 并验证总和 |
| 叙述每句超过15个单词 | 无法在场景时长内读完 | 拆分成较短的句子 |
| 前3秒没有钩子 | 社交观众会刷过去,嵌入式观众失去兴趣 | 以大胆的陈述、问题或视觉惊喜开场 |
| 转场不一致 | 视频看起来突兀和业余 | 每个视频最多使用2种转场类型 |
| 跳过采访 | 产生通用脚本,无法击中目标 | 始终先收集需求 |
| 视觉描述为空 | 渲染工程师无法构建场景 | 具体说明布局、颜色、运动、元素 |
陷阱
-
帧数取整——当时长不能整除时(例如,24fps时3.5秒 = 84帧),四舍五入到最近的整数并调整最后一个场景。绝不要留下小数帧——渲染引擎会截断或报错。
-
叙述时间溢出——在每秒2.5个单词的速度下,一个4秒的场景大约能容纳10个单词。为一个4秒的场景写20个单词会导致叙述过快或裁剪。始终检查单词数与场景时长的匹配。
-
竖屏 vs 横屏分辨率——社交片段(TikTok、Reels、Shorts)使用1080x1920(竖屏)。YouTube/网站嵌入使用1920x1080或3840x2160。在设置分辨率前确认分发渠道。
-
音乐闪避冲突——如果每个场景都有
duck: true,音乐音量会不断忽大忽小。只在有叙述出现时使用闪避。叙述为空的场景应设置duck: false。 -
总时长偏差——修改后……
[为翻译而截断]