Salt-555/SaltySkills

电影节拍视频风格

核心理念

视觉主导节奏。音频紧随其后。 动画和 ASCII 场景按其自然运行时间播放——它们不会被截断、加速或定格在最后一帧以匹配音频长度。节拍之间的静默是有意设计，而非需要填充的空白。

• TTS： 每个剪辑一句话。最大信噪比。无填充式旁白。
• 视觉： 完整的自然运行时。让动画自由呼吸。
• 剪辑： 仅用硬切。无交叉淡入淡出。
• 音乐： 用户提供的曲目，在语音部分自动进行闪避处理。
• 检查点： 在每个制作阶段之后，将资产交付给用户审阅，然后再继续。

项目结构

~/videos/[project-name]/
  project.md          # 活文档——故事板、决策、修订记录
  beats/              # 单个节拍资产
    beat-01/
      visual.mp4      # 生成的视觉素材（带运动的图像或动画）
      audio.mp3       # 此节拍的 TTS 片段（仅 MP3——参见关键规则）
      note.txt        # 此节拍所展示内容的一行描述
    beat-02/
      ...
  music/              # 用户提供的背景音乐曲目
  output/             # 中间和最终渲染输出

阶段 1：节拍脚本

创建 project.md 并包含节拍分解。每个节拍 = 一个视觉素材 + 一个 TTS 句子。

编写节拍

TTS 规则：

• 每个节拍仅一句话。句号。
• 最大信噪比——每个字都必须有其价值。
• 如果一个想法需要两句话，那就分成两个节拍。
• 目标：每个片段 5-15 个词。越短越好。
• 无介绍性填充词（"所以..."，"现在让我们看看..."）。直奔主题。

视觉规则：

• 描述视觉素材展示的内容——而不是持续多久。
• 视觉运行时由其自然完成时间决定，而非 TTS 长度。
• 图像剪辑：静态图像配合 Ken Burns 运动效果（缓慢缩放/平移）。运行时：至少 4-6 秒。
• 动画剪辑（p5js/manim/ascii）：完整动画播放。需要多久就多久——8s、12s、15s 均可。
• 节拍时长 = max(视觉时长, 音频时长) + 暂停。

project.md 中的节拍模板：

# [项目名称]

## 概念
[一段话——此视频的内容和想要传达的感觉]

## 音乐
- 曲目：[文件名或用户将提供的音乐描述]
- 氛围：[描述]

## 节拍

### 节拍 01
**视觉：** [类型: image | p5js | manim | ascii] — [提示/描述]
**TTS：** "一句有力的台词。"
**状态：** [ ] 视觉 [ ] 音频 [ ] 已批准

### 节拍 02
...

## 备注
[决策、修订、用户反馈的运行日志]

剪辑类型

类型	工具	运行时	最佳用途
image	image_generate + Ken Burns	4-6s	照片、场景、肖像、定场镜头
p5js	p5js 技能	自然（8-15s）	生成艺术、粒子、数据可视化、流场
manim	manim-video 技能	自然（8-20s）	数学动画、图表、技术讲解
ascii	ascii-video 技能	自然（6-12s）	终端美学、复古计算、黑客主题
caption	ffmpeg drawtext	4-8s	深色背景上居中的 TTS 文本——聚焦于文字本身

关键：在制作任何 p5js/manim/ascii 节拍之前，先用 skill_view(name) 加载技能。 这些技能包含品牌调色板、字体规则和必须精确遵循的实现模式。

阶段 2：脚本批准门

停。 将 project.md 呈现给用户。在获得明确批准之前，不要生成资产。

在 project.md 的备注部分更新批准时间戳。

阶段 3：生成视觉素材

按类型生成所有视觉资产。保存为 beats/beat-XX/visual.mp4。

图像节拍（VHS 滤镜 Ken Burns）

1. 通过 image_generate 生成图像
2. 对图像应用 VHS 滤镜（颗粒、扫描线、暗角、色差）：

python3 scripts/vhs-filter.py \
  --input beat-XX-image.png \
  --output beat-XX-vhs.png \
  --seed 42 \
  --intensity 1.0

要求： pip install numpy Pillow（numpy 用于数组效果，Pillow 用于图像 I/O）。

强度级别：0.7（轻微——仅颗粒和暗角），1.0（标准——所有效果），1.5（大量——强烈色差，可见扫描线）。默认值为 1.0。

3. 对 VHS 滤镜后的图像应用 Ken Burns 运动以创建 MP4：

ffmpeg -loop 1 -i beat-XX-vhs.png -t 5 \
  -vf "zoompan=z='min(zoom+0.001,1.3)':x='iw/2-(iw/zoom/2)':y='ih/2-(ih/zoom/2)':d=125:s=1920x1080:fps=25" \
  -c:v libx264 -pix_fmt yuv420p -r 25 beats/beat-XX/visual.mp4

为什么先 VHS 后 Ken Burns？ zoompan 滤镜会模糊颗粒和扫描线。先在静态图像上应用 VHS，然后添加运动效果。在 VHS 滤镜图像上叠加 Ken Burns 运动，营造出具有年代感的模拟质感——就像通过略微老化的 CRT 观看旧影像。

动画节拍（p5js/manim/ascii）

首先加载相关技能，然后生成。将输出保存为 beats/beat-XX/visual.mp4。

分辨率： 所有视觉素材必须为 1920x1080，25fps。缩放 manim 输出：

ffmpeg -y -i raw-manim.mp4 \
  -vf "scale=1920:1080:flags=lanczos,setsar=1:1,fps=25" \
  -c:v libx264 -pix_fmt yuv420p -r 25 beats/beat-XX/visual.mp4

以 6 个为一组批量调用 image_generate。 若被标记，请中立地重新措辞并重试一次。

VHS 滤镜参考

VHS 滤镜（scripts/vhs-filter.py）对单张图像应用以下效果：

效果	作用	视觉结果
色差	R/B 通道偏移（0-2px）	边缘出现彩色条纹，像未对齐的 CRT
模拟噪点	每通道 ±8 颗粒（按强度缩放）	阴影和中间调具有胶片般的质感
扫描线	每第 4 行变暗至 96%	CRT 磷光体网格叠加
CRT 暗角	边缘变暗（基于强度 15-35%）	圆角屏幕，像老电视

对于图像： 所有效果以单一随机种子一次性应用。色差和噪点可见；抖动/跟踪线因只有一帧而较微弱。

注意： 此滤镜仅适用于图像——它不接受视频输入。要获得运动效果，请先对静态帧应用滤镜，然后添加 Ken Burns/zoompan 效果。

阶段 3.5：视觉检查点门

停。将每个视觉片段发送给用户审阅。

包含带有 MEDIA: 路径的截图或 MP4。按编号呈现它们：

节拍 01：[MEDIA 路径] — [简短描述]
节拍 02：[MEDIA 路径] — [简短描述]
...

询问："在进入音频之前需要任何修改吗？"

在用户批准视觉素材之前，不要生成 TTS。 将反馈记录在 project.md 的备注中。

如果要求修改，仅重新生成受影响的节拍并重新检查。

阶段 4：生成 TTS 音频

生成所有 TTS 片段——每个节拍一个。使用 text_to_speech 工具，并将 output_path 设置为 .mp3。保存为 beats/beat-XX/audio.mp3。

关键：始终对音频使用 MP3 格式。 OGG 与 Telegram 交付和 ffmpeg concat 操作存在编解码器兼容性问题。将 TTS 提供商设置为 OpenAI 并输出 MP3。

规则：

• 每次调用一句话。不要拼接。
• 生成后使用 ffprobe 测量每个片段的时长。
• 在 project.md 中每个节拍旁边记录时长。

ffprobe -v error -show_entries format=duration -of csv=p=0 beats/beat-XX/audio.mp3

阶段 4.5：音频检查点门

停。将音频片段呈现给用户。

应用语音滤镜（必需）

对每个 TTS 片段应用干湿比特压缩链——这是我们的标志性声音。有关完整技术和陷阱，请参见 references/dry-wet-bitcrush.md。

两种方法可用：

A) 静态混音（简单、一致）：

# 步骤 1：通过 wav 中间格式创建压缩版本（保持时长）
ffmpeg -y -i beats/beat-XX/audio.mp3 \
  -af "aresample=resampler=soxr:osr=2000,aformat=sample_fmts=u8,aresample=resampler=soxr,lowpass=f=2500" \
  temp-crushed.wav

# 步骤 2：使用压缩粘合混合干音和湿音
ffmpeg -y -i beats/beat-XX/audio.mp3 -i temp-crushed.wav \
  -filter_complex "[0:a]volume=0.7[dry];[1:a]volume=0.3[wet];[dry][wet]amix=inputs=2:duration=first:normalize=0,acompressor=threshold=0.05:ratio=4:attack=10:release=100[out]" \
  -map "[out]" beats/beat-XX/audio-filtered.mp3

rm temp-crushed.wav

B) 动态混音（信号退化效果——首选）： 使用 Python 脚本（scripts/vibey-mix.py），采用零阶保持上采样，以正确的音高实现真实的比特压缩效果。

要求： pip install numpy pydub（numpy 用于数组处理，pydub 用于 MP3 读写）。

锁定参数（dec5-bit8 变体）：

• 抽取： 5 倍（每 5 个样本丢弃一个，然后通过零阶保持重复）
• 量化： 8 位（恒定）
• 干/湿基线： 80% 干音 / 20% 湿音
• 下降模式： 约每 1.2 秒，干音降至约 35%，湿音升至约 65%（持续约 0.25 秒）
• 仅对湿音施颤音： 4Hz 三角波，深度 70%（湿音在 30-100% 之间脉冲）
• 击拍延迟： 80ms 在 -18dB（约 0.12 音量），应用于最终混音

python3 scripts/vibey-mix.py beats/beat-XX/audio.mp3
cp beats/beat-XX/audio-dynamic.mp3 beats/beat-XX/audio-filtered.mp3

链式分解： 干净的干音信号与极端的数字伪影（5 倍抽取，通过零阶保持上采样的 8 位量化）分层，周期性下降提高湿音电平以达到"退化传输"效果，对湿音信号施颤音以产生节奏脉冲，以及拍击延迟营造空间感。保持链式结构完整——仅在需要时调整个别参数。

在所有后续阶段中使用 audio-filtered.mp3。保留原始 audio.mp3 以备参考。

将决定记录在 project.md 的备注中。

阶段 5：合成节拍

对于每个节拍，将视觉素材和音频以硬切（无过渡）合并。节拍时长由视觉和音频中较长者决定。

如果视觉>=音频：

音频在完整视觉素材下播放。无需填充。

ffmpeg -i beats/beat-XX/visual.mp4 -i beats/beat-XX/audio-filtered.mp3 \
  -c:v libx264 -pix_fmt yuv420p -c:a aac \
  -shortest -r 25 output/beat-XX-composed.mp4

如果音频>视觉：

视觉素材保持其最后一帧以填充剩余时间。在视频上使用 tpad：

AUDIO_DUR=$(ffprobe -v error -show_entries format=duration -of csv=p=0 beats/beat-XX/audio-filtered.mp3)
ffmpeg -i beats/beat-XX/visual.mp4 -i beats/beat-XX/audio-filtered.mp3 \
  -vf "tpad=stop_mode=clone:stop_duration=$AUDIO_DUR" \
  -c:v libx264 -pix_fmt yuv420p -c:a aac \
  -t $AUDIO_DUR -r 25 output/beat-XX-composed.mp4

如果未应用音频滤镜，则使用 audio.mp3 替代 audio-filtered.mp3。

节拍间暂停

在节拍之间添加短黑帧以提供呼吸空间：

ffmpeg -f lavfi -i color=c=black:s=1920x1080:d=0.15:r=25 \
  -c:v libx264 -pix_fmt yuv420p output/pause-XX.mp4

ASCII 字幕节拍（文字焦点）

当旁白本身是焦点而非视觉素材时，使用 ASCII 风格的节拍，将 TTS 文本居中显示在屏幕上。在 project.md 中将其标记为 [caption] 类型：

节拍模板：

### 节拍 03 [caption]
**视觉：** ascii caption — 居中文本，深色背景，微妙的终端美学
**TTS：** "屏幕上出现的准确文字。"
**状态：** [ ] 视觉 [ ] 音频 [ ] 已批准

使用 ffmpeg 的 drawtext 在黑色/深色背景上生成，配合等宽字体和 ALLMIND 金色 (#C5A55A) 文本：

TEXT="您的 TTS 句子此处"
ffmpeg -f lavfi -i color=c=black:s=1920x1080:d=6:r=25 \
  -vf "drawtext=text='${TEXT}':fontsize=42:fontcolor='#C5A55A':fontfile=/usr/share/fonts/truetype/dejavu/DejaVuSansMono.ttf:x=(w-tex