HyperFrames 媒体预处理
三个 CLI 命令,用于生成合成所需的资产:tts(语音)、transcribe(时间戳)和 remove-background(透明视频)。每条命令在首次运行时都会下载模型,并缓存到 ~/.cache/hyperframes/ 目录下。将输出文件放入项目后,即可在合成的 HTML 中引用它——请参阅 hyperframes 技能以了解音频/视频元素的约定。
文本转语音 (tts)
使用 Kokoro-82M 在本地生成语音音频。无需 API 密钥。
npx hyperframes tts "此处文本" --voice af_nova --output narration.wav
npx hyperframes tts script.txt --voice bf_emma --output narration.wav
npx hyperframes tts --list # 全部 54 种语音
语音选择
根据内容匹配语音。默认为 af_heart。
| 内容类型 | 语音 | 原因 |
|---|---|---|
| 产品演示 | af_heart/af_nova | 温暖、专业 |
| 教程/操作指南 | am_adam/bf_emma | 中性、易于理解 |
| 营销/宣传 | af_sky/am_michael | 充满活力或权威 |
| 文档 | bf_emma/bm_george | 清晰的英式英语、正式 |
| 休闲/社交 | af_heart/af_sky | 亲切、自然 |
多语言
语音 ID 的第一个字母编码了语言:a=美式英语,b=英式英语,e=西班牙语,f=法语,h=印地语,i=意大利语,j=日语,p=巴西葡萄牙语,z=普通话。CLI 会自动根据前缀检测音素器区域设置——当语音与文本匹配时,无需 --lang 参数。
npx hyperframes tts "La reunión empieza a las nueve" --voice ef_dora --output es.wav
npx hyperframes tts "今日はいい天気ですね" --voice jf_alpha --output ja.wav
仅在需要覆盖自动检测时使用 --lang(例如,风格化口音)。有效代码:en-us、en-gb、es、fr-fr、hi、it、pt-br、ja、zh。非英语音素化需要在系统中安装 espeak-ng(brew install espeak-ng / apt-get install espeak-ng)。
速度
0.7-0.8— 教程、复杂内容、无障碍1.0— 自然语速(默认)1.1-1.2— 介绍、过渡、快节奏内容1.5+— 很少适用;请仔细测试
长文本
对于超过几段的内容,请将文本写入 .txt 文件并传递文件路径。输入时长超过约 5 分钟的语音可能更适合分段处理。
环境要求
Python 3.8+,并安装 kokoro-onnx 和 soundfile(pip install kokoro-onnx soundfile)。模型在首次使用时下载(约 311 MB + 约 27 MB 语音,缓存至 ~/.cache/hyperframes/tts/)。
转录 (transcribe)
生成带有词级时间戳的标准化 transcript.json 文件。
npx hyperframes transcribe audio.mp3
npx hyperframes transcribe video.mp4 --model small --language es
npx hyperframes transcribe subtitles.srt # 导入现有字幕
npx hyperframes transcribe subtitles.vtt
npx hyperframes transcribe openai-response.json
语言规则(不可协商)
除非用户明确声明音频是英语,否则切勿使用 .en 模型。 .en 模型(small.en、medium.en)会翻译非英语音频为英语,而不是转录它。这会悄无声息地破坏原始语言。
- 语言已知且非英语 →
--model small --language <code>(无.en后缀) - 语言已知且为英语 →
--model small.en - 语言未知 →
--model small(无.en,无--language)——whisper 会自动检测
默认模型是 small,而非 small.en。
模型大小
| 模型 | 大小 | 速度 | 使用场景 |
|---|---|---|---|
tiny | 75 MB | 最快 | 快速预览、测试流程 |
base | 142 MB | 快 | 短片、清晰的音频 |
small | 466 MB | 一般 | 默认——大多数内容 |
medium | 1.5 GB | 慢 | 重要内容、嘈杂音频、音乐 |
large-v3 | 3.1 GB | 最慢 | 生产质量 |
对于带人声的音乐:至少从 medium 开始;完成的作品通常需要手动导入 SRT/VTT。有关字幕质量检查(每次转录后必须执行)、清理 JS、重试规则以及 OpenAI/Groq API 导入路径,请参阅 hyperframes/references/transcript-guide.md。
输出格式
合成消费一个扁平的单词对象数组。id 字段(w0、w1...)在标准化过程中添加,用于在字幕覆盖中提供稳定引用;为了向后兼容,它是可选的。
[
{ "id": "w0", "text": "你好", "start": 0.0, "end": 0.5 },
{ "id": "w1", "text": "世界。", "start": 0.6, "end": 1.2 }
]
背景去除 (remove-background)
去除视频或图像的背景,使主体(通常是人物——头像、演示者、主播)作为透明叠加层放置在合成中。
npx hyperframes remove-background subject.mp4 -o transparent.webm # 默认:VP9 alpha WebM
npx hyperframes remove-background subject.mp4 -o transparent.mov # ProRes 4444(剪辑)
npx hyperframes remove-background portrait.jpg -o cutout.png # 单张图片裁剪
npx hyperframes remove-background subject.mp4 -o subject.webm \
--background-output plate.webm # 一次处理同时生成两层
npx hyperframes remove-background subject.mp4 -o transparent.webm --device cpu
npx hyperframes remove-background --info # 检测到的提供程序
使用 u2net_human_seg(MIT 许可)。首次运行将下载约 168 MB 的权重文件到 ~/.cache/hyperframes/background-removal/models/。
图层分离 (--background-output)
传递 --background-output(或 -b)以在裁剪视频之外再输出一个透明视频:相同的源 RGB,但 alpha 是 255 − mask 而不是 mask。裁剪视频是带有透明背景的主体;底板是带有透明空洞的原始场景(主体所在位置被挖空)。
| 文件 | Alpha 是… | 用途 |
|---|---|---|
-o subject.webm | 遮罩——主体不透明,背景透明 | 前景层,放在顶部 |
--background-output plate.webm | 反转——场景不透明,主体区域透明 | 底层;在底板和主体之间放置文本或图形 |
两个输出共享相同的 --quality 预设,并通过单次推断运行生成——编码成本大约翻倍,分割成本保持不变。仅适用于视频输入和 .webm/.mov 输出。
这是挖空底板,而非修复后的干净底板。 plate.webm 中的主体区域是完全透明的——在其下方合成一个不透明元素以填充空洞。判断 --background-output 是否为正确工具的单一测试是:主体轮廓原本所在的位置是否会有任何东西可见?
| 使用场景 | 正确工具 |
|---|---|
| 在裁剪和底板之间放置文本/图形(此命令存在的原因) | 挖空 (--background-output) |
| 将主体放置到不相关的场景上 | 仅使用 subject.webm;忽略底板 |
| 展示_没有人_的房间,单独显示,上方无其他内容 | 干净底板——需要修复工具(LaMa、ProPainter、E2FGVI)。不是此命令。 |
| 将主体替换为不同的主体 | 干净底板——同上 |
如果用户要求“移除人物后的房间”并打算单独展示,切勿使用 --background-output。请告诉他们需要的是一个修复工具。
典型的图层合成(挖空的规范用例):
<!-- z=1 反转 alpha 的底板填充除主体区域外的所有内容 -->
<video
src="plate.webm"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<!-- z=2 图形/文本位于两层之间 -->
<h1 id="headline" style="z-index:2; ...">用 HYPERFRAMES 实现</h1>
<!-- z=3 裁剪视频将主体浮回标题上方 -->
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3">
<video
src="subject.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
这在功能上等同于下面的文本在主体后面模式,但您无需在项目中保留原始的 presenter.mp4——底板取而代之。当您只想分发两个透明层并允许用户在其间放置任意内容时,这非常有用。
输出格式
| 格式 | 使用场景 |
|---|---|
.webm(VP9 + alpha) | 默认。合成直接通过 <video> 播放。 |
.mov(ProRes 4444) | 在 DaVinci/Premiere/FCP 中剪辑。文件较大。 |
.png | 单张图片裁剪(静态主体,叠加在背景上方)。 |
Chrome 原生解码 VP9 alpha,因此 .webm 可以像任何其他静音自动播放视频一样插入合成中——请参阅 hyperframes 技能以了解 <video> 轨道约定。
质量预设
--quality fast|balanced|best 仅控制 VP9 编码器的 CRF——分割质量是固定的。
| 预设 | CRF | 使用场景 |
|---|---|---|
fast | 30 | 迭代中,较小的文件,颜色匹配较宽松 |
balanced | 18 | 默认。对于大多数用途,视觉上相同 |
best | 12 | 母版/最终交付。最大文件,最精确的颜色匹配 |
合成模式——选择正确的方式
裁剪后的 WebM 是源 MP4 RGB 的重新编码副本。这一选择根据您在其后放置的内容会产生不同的后果:
| 模式 | 裁剪后的内容背后是什么 | 结果 |
|---|---|---|
| 裁剪在不同场景之上(最常见) | 静态图像、渐变或不相关的视频 | 效果很好。裁剪后的 RGB 是主体的唯一来源——没有双重影像,没有边缘光晕。这就是 remove-background 的设计初衷。 |
| 裁剪在其自己的源 MP4 之上(文本在主体后面) | 与生成裁剪视频相同的 MP4 | 同一个人的两个 RGB 源。在默认的 --quality balanced(CRF 18)下,双重影像几乎不可见;在 --quality fast(CRF 30)下,您会看到轻微的颜色偏移/边缘光晕。对于母版,使用 --quality best(CRF 12)。 |
| 裁剪在同一个人的_不同_拍摄片段之上 | 同一主体的不同素材 | 看起来像是两个不同的人重叠在一起。请不要这样做。 |
文本在主体后面(标题位于演示者身后):
<video
src="presenter.mp4"
id="bg"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<h1 id="headline" style="z-index:2; ...">用 HYPERFRAMES 实现</h1>
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3;opacity:0">
<video
src="presenter.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
两条关键规则:
- 将裁剪后的视频包裹在一个非计时的
<div>中,并动画化包裹层的透明度,而不是视频元素本身。框架会强制激活剪辑(任何带有data-start/data-duration的元素)的透明度为 1,因此直接动画化视频元素的透明度会被静默覆盖。包裹层没有data-*属性,因此它由您的 CSS/GSAP 控制。 - 两个视频都使用
data-start="0"和data-media-start="0",以便框架从 t=0 开始同步解码它们。延迟挂载裁剪视频(data-start=3.3)会引入一次查找和预热,导致其帧与基本 MP4 错位——表现为在切割处出现一帧的视觉错位。
然后使用 GSAP 在切割处切换包裹层的透明度:tl.set(cutoutWrap, { opacity: 1 }, 3.3)。
TTS → 转录 → 字幕
当没有预先录制的配音时,先生成一个,然后将其转录回来以获得字幕的词级时间戳:
npx hyperframes tts script.txt --voice af_heart --output narration.wav
npx hyperframes transcribe narration.wav # → transcript.json
然后生成的 transcript.json 可以与 hyperframes 播放器一起使用,以生成同步字幕(请参阅 hyperframes 技能文档中的文本轨道约定)。