卡通短片：创意 → 脚本 → 配音 → 成品MP4

视觉风格：平面2D豆形头卡通角色（类似手绘的“卡片”风格，带有李子色轮廓）在色彩丰富的3D世界中，具有黑色墨水轮廓、手绘纹理、景深和滑动摄像机。输出为1080x1920，30帧/秒，时长与配音完全一致。用户配音保持不变。音乐背景和音效为合成，电平设定为配音电平的50%。已验证于作品“从未离开的士兵”（19.7秒，8个镜头）。

规则

故事、角色和镜头始终原创。不得逐镜头复制其他创作者的作品。应提供相同创意的原创演绎。
不得使用真实、知名的在世人名作为角色，也不得使用品牌吉祥物或标志。
除非用户要求，不添加字幕。剧情内文本（如雕刻的信息、标志）可以，且必须正确显示（不能镜像）。
不得编辑或重新调整配音的时间。画面与配音同步，每个视觉反应应在对应词语前0-3帧出现。
音频电平： 音乐背景电平为配音电平的50%（−6 dB，门控RMS）。音效应为50%或略低，峰值受限，确保任何撞击音不突出于旁白之上。始终使用mix.py进行混音，不得手工调整。不得使用会改变此比率的闪避或压缩；整个混音仅允许一次线性增益加一个峰值限制器。
通过任务列表告知用户进度。在长时间渲染前发送关键帧联系表。

第一阶段：输入（始终首先执行）

如果已附加音频文件，直接跳到阶段4。如果也提供了脚本，则用于计时。否则询问一个AskUserQuestion（如果该工具缺失则使用纯文本）："您从哪一步开始？"

配音已准备好：要求用户上传配音，以及脚本文本（如果有的话，脚本可使计时更精确）。上传后进入阶段4。
我有脚本，需要配音：根据需要按阶段3精简脚本，返回脚本并附上录音提示，要求上传，然后进入阶段4。
需要视频创意和脚本：进入阶段2。同时询问目标时长（如果用户未说明）。默认20-30秒；允许45-60秒。

第二阶段：10个视频创意

在一个回复中提供恰好10个创意，编号，并要求用户回复一个数字（或"更多"）。每个创意包括：

标题（5-8个词，引发好奇心，例如"从未离开的士兵"）
钩子句：第一句口语，以事实陈述的悖论（"一个人卖掉了埃菲尔铁塔。两次。"）
转折（一行，视频结尾的讽刺性收尾）
为何适合动画化：2-3个重要的视觉时刻（如坍塌、揭示、追逐）
真实或传说：明确说明是记载的历史、有争议的记载还是民间传说

什么创意对于此格式"完美"：

一个令人惊讶的故事，具有可展示的物理因果关系。
一个清晰的普通角色，逐步升级的赌注，以及最后一行的转折。
一个可以用简单3D形状加卡通卡片构建的场景（城镇、桥梁、船只、城堡、沙漠、实验室、宫殿）。
10个创意跨越时代和主题：古代、中世纪、1800年代、现代、科学、动物、发明、灾难、奇怪法律、幸运意外。
对于任何作为真实呈现的内容，先通过网页搜索验证关键事实。不要将病毒式传说呈现为事实。如果用户仍想要，应表述为"传说称"。
不以真实在世人作为笑话对象，不涉及血腥或政治内容。

第三阶段：脚本（用户选定后）

仅撰写旁白（口语文本中不含舞台指示），语速约3.7词/秒：20秒≈75词，30秒≈110词，60秒≈220词。公式：

钩子（第一句，无需铺垫）：荒谬的事实。
背景（1-2行）：时间、地点、人物、具体细节。
升级（2-4个节拍，每个更大的节拍）。他人怀疑或嘲笑。使用一个夸张笑话。
谜团或转折："但当时……" / "你看，" 引入真正的机制，通常用日常类比。
转折/收尾：简短、讽刺，视频的最后几个词。使用简单的英语口语，缩略形式，句子长约8-15词，数字用文字写出。切勿描述观众已经看到的内容。

然后回复：

可复制的脚本块，包含字数统计和预估时长。
一段视觉计划（将要动画化的镜头）。
录音提示：一个稳定、温暖的叙述声音；ElevenLabs效果良好（深沉叙述声，速度约1.05-1.1，稳定性约45-55%）。Mp3或wav格式均可。在句子结尾留自然停顿。导出时不带音乐。
要求："配音准备好后请上传，我将制作完整视频。" 保留最终脚本文本。它将驱动阶段4的计时，因此无需语音识别。如果用户录制了更改后的版本，请要求最终文本。

第四阶段：制作视频（配音上传后）

从此处开始不间断执行所有操作。仅在计时无法解决时提问。

4.0 获取工具包

代码工具包位于本技能文件夹内的kit/（引擎、工具、工作示例，以及来自github.com/mromidev/claude-animated-shorts的三方库three.js r160和toon.ts笔库，均为MIT许可证）。使用find / -name SKILL.md -path "*cartoon-audio-short*" 2>/dev/null定位文件夹，并将其kit/视为只读。

然后运行bash <技能>/kit/tools/setup.sh ~/shorts/<slug>。它将引擎和工具复制到项目中，安装三方库three.js，用Node 22的module.stripTypeScriptTypes从toon.ts中移除类型，并链接Playwright。无需网络。如果三方文件缺失，则回退到npm或git克隆。

要求：Node 22.6+，带numpy和Pillow的Python 3，ffmpeg，以及带Chromium的Playwright（如果缺失则运行npm i -g playwright && npx playwright install chromium）。
如果包注册表被阻止，Git over GitHub通常有效。切勿禁用TLS或绕过代理。
Chromium：使用预装的Playwright浏览器，并带--use-angle=swiftshader --enable-unsafe-swiftshader --ignore-gpu-blocklist参数。这将提供CPU WebGL，每帧约3-10秒。

4.1 计时

运行python3 timing.py voice.mp3 script.txt --out work。

如果安装了whisper或faster-whisper，则使用词时间戳。
否则，它将脚本短语（按标点分割）与静音检测的语音片段对齐，使用DP（动态规划）匹配音节与时长，并惩罚片段内句子结尾和短语内长间隔。
如果没有ASR和脚本，请要求提供脚本。Claude无法听到音频。
检查work/phrases.json：停顿应出现在句子结尾。总帧数 = round(时长 × 30)。

4.2 镜头计划（代码前的`work/PLAN.md`）

每行一个镜头：帧数、词语、场景、灯光、相机运动、角色/姿势/表情、效果和音效提示。

第0帧已经是钩子图像。
通常每个短语一个镜头。将很小的短语合并到下一个镜头。
按字面意思说明每个句子。道具承载笑话。
变化镜头景别：钩子中景 → 宽景揭示 → 双人镜头 → 关键物体插入特写 → 反应特写 → 收尾的环境运动。
使用灯光表示节拍：白天表示正常，金色表示衰落或戏剧性，夜晚蓝色表示解释。时间跳跃使用6帧白色闪白。
转折行使用刺音（音乐停止，低音重击，推镜头并旋转）。最后一个镜头的物理收尾落在最后一个词上。

4.3 世界（`web/main.js`）

保留引擎部分：toon材质、墨水收缩、add/tbox、天空、灯光、卡片、渲染目标/后处理、applyLight、drawActors、swapForNd、renderFrame。替换// ---------- world ----------和// ---------- cards ----------之间的示例世界，以及worldState()的故事部分。

使用基本几何体配合绘制的画布纹理（paint.js：木板、横梁、朽木、石头、苔藓/常春藤、草、泥土、灰泥、屋顶瓦片、大理石、横幅、雕刻文字）。编写新的绘图器时保持平坦带深色缝隙的风格。
使用tbox实现恒定纹素密度，两步toon渐变色，以及雾 = 地平线颜色。
背景：山丘（半掩埋的球体）、山脉（圆锥 + 雪顶）、柏树/松树、远处的房屋、绘制的云朵广告牌。
场景道具（坍塌、下落、门）是由worldAt(f)驱动的0..1进度控制的枢轴组，带有缓动和交错部分。
弯曲的剧情内文本使用平面UV。检查是否镜像。

4.4 角色（`web/roman.js` → `web/toon.js`）

romanFront(p, outfitKey, opts)在600x1000的设计画布上绘制，鞋底在y=975处。卡片高2.25米，因此1单位 = 0.00225米。
向OUTFITS添加服装（束腰外衣/斗篷/盔甲/头盔/头发/帽子/胡须/围裙/连衣裙/托加袍）以及相同风格的新头饰和道具。
手臂姿势：下垂、持矛、指、举、挥手、叉腰、腹部、太阳穴（+漩涡）、抬、够（+抬）、脸颊、盾牌、交叉、拇指。
表情：toon.ts的FACE集外加打鼾、固执、眯眼。扩展FACE以增加更多。
编辑后通过命令cat web/toonbase.js web/roman.js > web/toon.js重建。在使用新设计前渲染角色测试页。
广告牌仅偏航旋转，具有接触斑点和alpha测试阴影，不被世界通道墨线勾勒。
从q()舍入值构建卡片键（因此画布仅在可见变化时重绘）。
分离的部分（例如举起的头盔）是单独的卡片，与headCenter(seed)对齐：y = DECK + (partY − hc) × 0.00225。

4.5 运动：流畅且生动（`web/motion.js`）

相机：camFromKeys(keys, f, {kicks})。使用更平滑的步进滑动（18-45帧），easeOut用于揭示和甩镜头，以及path通过点（Catmull-Rom）用于曲线运动。每个保持都有微小运动，无静止超过4帧。在戏剧性场景中使用3-5°旋转，在撞击中使用7帧翻转抖动。
连续性：偏好连续运动（从特写拉回成远景，推拉对焦，通过甲板移动起重机，推近物体）。仅在地点或时间跳跃时使用硬切，并配以闪白。
角色永不冻结：对每个卡片应用idle(f, seed)，blinkAt眨眼，在重读词上点头。
动作：预期 → back过冲 → spring稳定。跺脚是2帧下沉 + 灰尘团 + 踢。大笑是交替倾斜 + 点头。
次要运动：旗帜布波动、树叶/灰尘/水滴/Zzz效果卡片、流水。总有东西在动。
行走：walk()给出距离 + 步幅相位。脚部着地，上下摆动3-7%。
镜头：景深用于特写和中景（cInf 8-14像素），对焦在眼睛。广角清晰。推拉对焦约需14帧。

4.6 视觉检查（完整渲染前）

在每个镜头的中间帧以及转场和关键动作处渲染静态帧：node render.mjs stills/a "5,40,..." 然后 python3 sheet.py stills/a stills/sheet_a.jpg。查看图板并修复以下陷阱：

窄垂直帧：水平半宽 = d·tan(hfov/2)，其中hfov = 2·atan(tan(vfov/2)·0.5625)。在4米和fov 40时，此值为±0.8米，因此角色需要纵深站位。
栏杆或柱子遮挡面部（相机在栏杆内或约2.5米高）。相机路径穿过房屋、屋顶或灌木丛。前景道具距离小于约2米。主角被柱子遮挡。
镜像文本。分离部分卡片偏移错误方向。
挤出材质组：0 = 端盖，1 = 侧面+顶部。
缺少墨水轮廓：调试仅边缘输出。墨水半径约2.5像素（1080分辨率）。天空算作远距离，不是卡片。将图板发送给用户，附带一行镜头摘要，然后开始完整渲染。

4.7 声音（`audio.py` → 分轨 → `mix.py`）

为故事重写提示表；合成器保持不变。audio.py仅写入分轨（music.wav，sfx.wav）。

音乐：一个短的行进风格循环（底鼓/军鼓、弹拨贝斯、铜管垫音）。在转折行处停止，然后一个低音持续音继续。
音效基于事件（以帧/30为单位）：大动作时的嗖嗖声、跺脚时的重击声、坍塌时的隆隆声和破碎声、金属刮擦声、揭示时的叮当声、转折时的刺音、吱吱声、噼啪声、水花声、鼾声、树叶声、水环境音。
使用python3 mix.py voice.mp3 music.wav sfx.wav混音。它将音乐电平精确设置为配音门控RMS的50%（−6 dB），音效为50%，峰值限制在配音峰值的0.7倍。它会打印测量的电平：确认音乐显示为−6.0 dB相对于配音，音效等于或低于该值。
在制作声音前锁定画面时间。任何时间变化都需要重新运行audio.py和mix.py。

4.8 渲染 + 完成

使用Bash的run_in_background运行node render.mjs frames "0-<N-1>"，由Monitor循环监控，报告进度并捕获错误或进程退出。RESUME=1可在中断后继续。小型机器上不要同时运行繁重的Python任务。
运行bash finish.sh "Title"。它应用一个线性增益到约−14 LUFS并加−1 dBFS峰值限制器，编码H.264 CRF 17 + AAC，运行冻结/黑屏和响度检查，并写入out/qa_sheet.jpg。查看图板。冻结持续时间≥0.4秒或黑帧需要修复。
使用SendUserFile交付MP4，并附带几行说明每个镜头显示的内容。提供字幕、调整或列表中的下一个创意。

引擎注意事项（保留在工具包中；如重建则保留）

#include <fog_vertex> / <fog_fragment> 应独占一行。
最终通道写入linearToOutputTexel(...)（渲染目标为线性HalfFloat）。
正常+深度通道按网格交换材质：世界 → 正常/深度，卡片 → alpha测试遮罩（rgb 0，a = 深度），斑块/云/天空隐藏，水 → 平面法线。在此期间禁用雾和阴影。
墨水轮廓仅应用于深度跳跃的近侧。折痕来自法线点积。跳过相邻卡片。墨水轮廓在约140-520米处淡出。
景深：48个采样点，带逐个采样点的CoC测试（无前景扩散）。
根据光照预设的方位角/仰角确定太阳位置。阴影相机以每个镜头的动作为中心。

架构（用于编辑工具包的参考）

web/index.html通过本地HTTP服务器加载main.js（ES模块）

卡通动画短片：从创意到成品MP4