信息图解释视频
制作一部完全符合 Kurzgesagt 和 The Infographics Show 风格的精神的 MP4 解释视频:大胆的扁平矢量插图、光滑渐变、发光效果、持续的轻柔运动,以及一个带有旁白、充满好奇心的脚本。艺术和动画完全由代码构建(SVG + JS 时间线),并使用 Playwright + ffmpeg 逐帧渲染,因此每一帧都是确定性的且可编辑的。
原创性规则:模仿该类型(扁平矢量、解释视频节奏),但绝不要复制频道的角色(例如 Kurzgesagt 的鸟)、标志、开场、音乐或精确设计。每个角色和场景均为全新原创。
用用户偏好的语言与他们交流;代码保留英文。
捆绑文件(路径相对于本技能文件夹)
| 文件 | 用途 |
|---|---|
templates/master_template.html | 16:9 起始模板 (1920x1080):包含渐变、辅助函数、角色、大脑、云、星星、交叉淡入淡出场景引擎、内置字幕。复制它并替换场景。 |
templates/vertical_template.html | 用于 9:16 短视频/Reels (1080x1920) 的相同引擎,采用垂直布局,底部为字幕留空。 |
scripts/voiceover.py | 使用 Kokoro TTS(印地语 + 英语语音)进行离线旁白,每行一个 wav 文件 + dur.json + lines.json(字幕文本)。 |
scripts/build.py | 注入语音时长 (__DUR__) 和旁白文本 (__LINES__),导出 timeline.json + captions.json;自动检测 9:16;报告 JS 错误。 |
scripts/captions.py | 从 captions.json 生成 .srt 文件,用于 YouTube 隐藏式字幕。 |
scripts/peek.py | 每个场景生成一帧,制作用于预览的联系页,在全渲染前进行检查。 |
scripts/render.py | 确定性帧范围渲染器(JPEG q92 → x264 CRF 18,安全临时文件重命名)。 |
scripts/mix_audio.py | 在时间线上放置语音,添加代码合成的(免版权)环境氛围垫音 + 嗖声,或你自己的 --music。 |
scripts/make_video.sh | 完整流程:构建 → 并行渲染 → 拼接 → 混音 → 混合 → QA 联系页 → .srt。自动检测 9:16。 |
两个完整示例位于本技能文件夹上一级的仓库中:examples/why-we-sleep/(82 秒,16:9,印地语,11 个场景)和 examples/promo-short/(38 秒,9:16,英语,将真实剪辑片段嵌入场景中)。在编写新场景前请阅读它们以获取灵感。
设置(一次性)
pip install playwright kokoro-onnx soundfile scipy pillow --break-system-packages
playwright install chromium # 如果 Chromium 已存在则跳过
mkdir -p tts && cd tts
curl -LO https://github.com/thewh1teagle/kokoro-onnx/releases/download/model-files-v1.0/kokoro-v1.0.int8.onnx
curl -LO https://github.com/thewh1teagle/kokoro-onnx/releases/download/model-files-v1.0/voices-v1.0.bin
ffmpeg 必须在 PATH 中。如果模型文件夹不是 ./tts,请设置 KOKORO_DIR。
1. 工作流程(按顺序执行)
- 简报 – 主题、时长(默认 60–90 秒;短视频 30–58 秒)、宽高比(16:9 1920x1080 或 9:16 1080x1920)、旁白语言、语音来源。如果有任何缺失且用户在场,询问一次;否则使用默认值并告知用户。
- 研究与脚本 – 对当前或数字相关的内容进行网络搜索,并记录每个数字的来源。结构:钩子 → 问题 → 用 3–5 个要点解释 → 转折/规模时刻 → 总结论点。每分钟约 150 词。短句,每句一个想法,具体数字和类比。如果发现来源于动物或单一研究,请在旁白中说明。
- lines.txt – 每行一个旁白句子;一行 = 一个场景(约 4–8 秒)。对于印地语 TTS,请用天城文书写英语借词(如 स्लीप प्रेशर)以便自然发音;屏幕文本保留英文/拉丁字母,除非已安装天城文字体。
- 先做配音 –
python3 scripts/voiceover.py lines.txt vo --voice hm_omega --lang hi(英语:--voice am_michael --lang en-us)。时长驱动时间线,绝不能反过来。用户录制的语音总是更好:将其分割为每个句子一个文件,命名为vo/NN.wav,并编写vo/dur.json。 - 构建场景 – 复制
templates/master_template.html(16:9)或templates/vertical_template.html(9:16),为每行编写一个scene(...)(可选加结束场景)。每个场景:始终开启的静止动画 + 一个主体动作。使用以下风格指南和动画工具包。 - 预览 –
python3 scripts/build.py video.html vo/dur.json _work/build.html && python3 scripts/peek.py _work/build.html 0.8;查看联系页(也尝试 0.3),在渲染前修复重叠、裁剪、空帧等问题。 - 渲染 + 混音 –
bash scripts/make_video.sh video.html vo final.mp4(每个 CPU 核心运行一个片段;1080p 下每视频秒每核心约 3 秒墙钟时间)。 - QA – 打开
final_sheet.png;检查调色板一致性、安全区域、无裁剪、缩略图大小下文字可读性、ffprobe时长 ≈ 时间线时长。仅修复有问题的场景并重新渲染。 - 交付 – MP4 文件、其
.srt文件(作为字幕上传到 YouTube)、脚本文本,并提供标题/描述/标签 + 缩略图。
2. 风格指南
- 形状:简单基本图形(椭圆、圆角矩形、平滑的自由路径)。大多数形状无轮廓;仅主体对象使用深色同色描边。
- 分层渐变:几乎每个形状都获得一个双色线性渐变(浅色左上 → 饱和右下),外加一个 25–40% 不透明度的白色高光,营造光泽效果。
- 辉光:光源 = 近白色到透明的径向渐变,半径在 ±5% 内脉冲。闪光点 = 四角星,通过不透明度正弦曲线闪烁。
- 通过层次感营造深度:天空渐变 → 远处丘陵 → 中景丘陵 → 带有浅色斑块的地面带 → 主体 → 前景粒子;不同层次以不同速度移动。
- 调色板(每个视频选择一个,最多 5–6 种色相 + 一种深色):
- 太空/夜晚:
#211840 #423AA8 #7F79D1 #E565FF #33F5FF #1552FF - 白天/自然:
#00A7E2 #00D2EE #6EED65 #01CB79 #FFE4AF #FFFFFF - 温暖故事:
#290D1C #B15141 #FFE4AF #FFCE85 #FF5F2D #FFFF47 - 霓虹流行:
#232453 #5759B9 #B6FF55 #FF0066 #A14BFF #00FFFF
- 太空/夜晚:
- 背景:绝不用纯黑/白;使用深色调色(
#12253A、#162B36)或暖米色(#E6DDC4)。在“危险”时刻切换到偏红的深色。 - 角色:圆形团块身体,大大的简单眼睛(白色 + 深色瞳孔 + 反光点),没有鼻子,脸颊红晕。约每 3 秒眨眼一次,呼吸(缩放 1 → 1.025)。睡觉 = 闭合的眼睛弧线 + 飘浮的“z”。
- 文字:厚重的圆角无衬线字体(Poppins Bold / Nunito ExtraBold),字数少,关键数字大,标签使用药丸徽章,位于 90% 安全区域内。
- 信息图风味:递增的计数器、增长/收缩的条形、仪表、前后对比、角色反应。
3. 动画工具包(PowerPoint 效果 → 代码)
| PowerPoint 效果 | 代码等价物(模板中的辅助函数) |
|---|---|
| 飞入/上升 | 使用 outBack 缓动从屏幕外平移 |
| 淡入/缩放/变大 | pop(el,t,start,x,y) → 带有超调的不透明度和缩放 |
| 旋转强调 | 围绕形状自身中心 rotate(${t*deg}) |
| 运动路径 | along(pathEl,p) / getPointAtLength |
| 变形过渡 | 场景间保持共享对象不变;引擎交叉淡入淡出场景 (FADE) |
| 粒子轨迹/萤火虫 | 使用带相位偏移、延迟和大小衰减的种子 rng(seed) 粒子 |
| 擦除/绘制 | stroke-dasharray + stroke-dashoffset |
| 退出 | 使用 in 缓动的进入动画反转 |
始终开启的静止动画:浮动、闪烁、辉光脉冲、缓慢视差漂移、云朵漂移、引擎的缓慢摄像机推进(缩放 1 → 1.045)。大动作前的预期摆动,着陆时的挤压和拉伸。进入动画 0.4–0.8 秒,错开时间 60–120 毫秒。绝不让任何一帧完全静止。
4. 引擎规则(模板)
- 每个场景:
scene(id, bgGradientId, build() => svgString, seek(localT, sceneDuration))。 seek仅根据t设置每个属性——无 CSS 动画、定时器或Math.random(使用rng(seed)),因此任何帧都可以单独渲染,并且片段可以无缝拼接。- 元素 id 必须在整个文件中唯一(使用场景 id 作为前缀)。
- 场景
i的时长 =LEAD[i] + VO[i] + TAIL;超出旁白行的场景时长为 3.2 秒(结束场景)。MIN={2:16}使场景 2 至少持续 16 秒(例如用于稍后嵌入的剪辑)。引擎导出window.DURATION、window.TIMELINE、window.CAPTION_CUES、window.seek。 scene(..., {cam:false})为某个场景关闭缓慢的摄像机推进(当场景上叠加视频剪辑时需要)。- 字幕:
CAPTIONS=true将按词分块的字幕(来自LINES,每行内按字符计时)烧录到帧中;Chromium 能正确渲染天城文。在 16:9 中保持底部约 120 像素、9:16 中约 300 像素的空白区域。设置CAPTIONS=false可关闭字幕;但仍会生成.srt。 - 9:16:从
vertical_template.html开始(钩子文本放在顶部三分之一,主体视觉在中间)。脚本从 SVG viewBox 检测 9:16;绝不要裁剪 16:9 的视频。
5. 音频
- 语音:用户录音 → Kokoro (
scripts/voiceover.py) → 会话提供的任何其他 TTS。Kokoro 印地语语音:hm_omega、hm_psi、hf_alpha、hf_beta。 - 音乐:
mix_audio.py中默认合成的垫音是原创的且免版权;或者传递--music使用用户拥有或授权的音轨。切勿使用受版权保护的音乐。 - 字幕已内置(引擎规则如上)。
make_video.sh还会写入final.srt;将其上传到 YouTube,以便观众可以开启字幕,YouTube 也可以自动翻译它们。
6. 按需附加功能
- 缩略图:以 1280x720 渲染一个英雄帧,并带有一个 2–4 词的大标签。
- 系列外观:将调色板、字体和角色函数保存在一个共享文件中,并在剧集间重复使用。
- 结束卡:在最后 2–3 秒显示频道/笔名。