剪纸风格解说短片(多智能体) 是做什么的?
输出:1080×1920,24 fps,60–95 秒 MP4,含配音、静音音乐和同步音效。 视觉风格:扁平 SVG 道具,带白色“贴纸”轮廓 + 投影,半调圆点或放射线背景, 英文全大写撕纸风格字幕标签(Bebas Neue),轻微 RGB 分离 + 胶片颗粒 + 暗角。
所有内容由 HTML/SVG 通过无头 Chrome 逐帧渲染(确定性渲染),因此场景由智能体编写为普通 JS 文件,基于轻量级引擎(template/engine.js,template/ENGINE.md 中有 API 文档)。
要求
- Python 3 虚拟环境,包含:
playwright(通过CHROME_PATH使用系统 Chrome,或运行playwright install chromium),numpy,opencv-python-headless(可选),faster-whisper(时间/QA 检查),edge-tts(免费备选语音)。 ffmpeg,curl,bc。可选:ElevenLabs MCP 连接器用于配音 + 音乐。
流水线(按顺序执行)
1. 研究 + 剧本智能体(后台)
启动一个通用智能体,使用 references/agent_prompts.md#research 中的提示。它必须通过网络验证每个事实,标注来源,标记谣言,并返回:SCRIPT(14–17 段简短口头台词,约 950–1,150 字符,数字拼写为单词,旁白脚本中包含名称)、TABLE(每行包含字幕标签/视觉创意/背景)、FACTS(带 URL)、UNCERTAIN/NOT USED(不确定/未使用的信息)。对于非常近期的话题,告诉它今天的日期,并要求它先确认该主题具体指什么。在其运行时:执行 scripts/new_project.sh <dir> 并在 <dir>/engine.js 末尾绘制故事所需的所有共享道具(每个重复出现的对象/人物保持统一设计);渲染一帧测试画面进行验证。
2. 配音
- 首选:ElevenLabs
eleven_v4,纪录片旁白(例如印地语“Natraj – Informative Documentary Host”),录制两遍,脚本中少量使用[curious]/[dramatic]/[thoughtful]标签。先检查积分余额。 - 备选(免费,提供精确的逐行时间):将纯文本行放入
<dir>/script.txt,运行scripts/edge_tts_lines.sh <dir> hi-IN-MadhurNeural +20%→ 生成vo.wav+lines.txt。 - QA 检查每遍录制:TTS 模型可能混淆数字/日期。使用
scripts/words.py进行转录;Whisper 本身在印地语数字上可能格式错误,因此需使用抑制数字的方法重新检查可疑年份(参见references/qa.md)。选择每遍录制中数字正确的版本。 - 针对单文件录制的台词时间:静音检测(
ffmpeg -af silencedetect=n=-38dB:d=0.15)+ 单词时间;scripts/align_lines.py提供初步估计。编写lines.txt(格式:lNN start= end= | text),其中包含你将要使用的视频偏移量(例如 +0.25 秒)以及偏移后的words.txt。
3. 三个并行场景智能体(后台)
在台词间隙处将时间轴分割成约 25–30 秒的部分。在一条消息中启动三个通用智能体,使用 references/agent_prompts.md#scene —— 每个智能体仅拥有自己的 scenes_N.js,获得其精确的时间范围、带有开始/结束时间的旁白台词、关键词节奏、故事板(来自 TABLE)、共享资源以及规则:IIFE + pN_ 前缀,场景精确覆盖该时间范围,顶部标签在切镜后约 0.1 秒出现,每秒至少一个新元素,渲染测试帧并检查它们,删除 PNG 文件。
4. 集成 + 审核(由你完成)
- 渲染约 30 个均匀分布的帧,生成联系图(
render_html.py ... 999 t1,t2,...然后ffmpeg -pattern_type glob -i 'test_*.png' -vf scale=170:-1,tile=11x3)并检查它。 - 修正:屏幕上出现的编造数字/声明(智能体有时会添加这些——删除它们)、不准确的地图/边界、标识、真实人物的讽刺漫画、重叠、屏幕外的文字、空白帧。
5. 渲染、混音、发布
scripts/render_video.sh <dir> <duration> <narration> <music> <vo_delay_ms> <out.mp4> 渲染所有帧,从引擎事件构建音效轨道,在配音下进行音乐回避(约 -14 LUFS),然后混流。要重新为现有视频配音而不重建场景,使用 WARP=anchors.json 渲染(将新台词起点映射到旧台词起点;参见 references/qa.md)。通过用户偏好的渠道交付。
内容规则(始终遵守)
- 仅使用来自研究智能体来源列表的事实;金钱/票房/民调数字需标注“REPORTED”(已报道)/来源;不确定的数字显示为下限(如“250+”)。
- 真实人物:使用通用的
A.fig半身像 + 英文姓名标签,绝不做讽刺漫画;不描绘宗教神祇——使用抽象图案;无品牌/政党标识(绘制通用徽章/鸟类/字母)。 - 地图:避免绘制有争议/敏感边境的国家轮廓地图;使用无边界板或网格图块,并将说明性图形标注为示意图。
- 政治:保持中立、注明来源,不嘲讽、不预测。
文件
template/—index.html,engine.js(引擎 + 资源包),ENGINE.md(智能体 API),scenes_1..3.jsexamples/— 四个已完成视频的场景代码(斯特赖桑德效应、自由女神像、推特蓝勾、2026美国中期选举):作为智能体质量和节奏的标准scripts/— 渲染、音效、对齐、转录、免费 TTS、项目启动、最终混音references/agent_prompts.md,references/qa.md