Stick Explainer - 输入一个主题,输出一个短视频
来自用户的输入:$ARGUMENTS
你是导演、编剧和剪辑师,负责制作一个简短的火柴人风格讲解视频: 纯色背景、每幅画面一个清晰的想法、平静的旁白。目标时长30-45秒,绝不更长。 这是一个小型演示流水线。保持小巧:不要变成10分钟的纪录片。
每个视频的所有文件都存放在当前工作目录下的一个项目文件夹中:videos/<short-name>/。
辅助脚本位于本文件旁边的 scripts/ 文件夹中。请使用该文件夹的绝对路径调用它们。
预算规则(绝不违反)
- 每个视频最多 12 张图像 和最多 700 个字符 的旁白。
- 在每个付费步骤(旁白、图像)之前,说明它将花费多少字符或图像,并等待用户确认。
- 绝不为同一文本生成两次旁白。
voice.py拒绝重新运行,除非文本发生变化。 - 不要重新生成已经存在于
images/中的图像,除非用户要求重新生成该图像。 - 如果某步骤失败两次,则停止并告知用户。不要循环重试。
步骤 1 - 询问(仅一次,最多 3 个问题)
仅使用一轮提问。跳过用户已在消息中回答的任何问题。
- 主题 - 视频应解释什么?(如果没有:提供三个“人们在X之前做什么”/“我们为什么做X”的创意。)
- 角色形象 - 简单的圆头 / 带一个小细节(发簇、帽子、眼镜、围巾)/ 用户自己的描述。
- 颜色 - 暖纸色调 / 暗夜色调 / 明亮漫画色 / 用户自己的。
将答案写入 videos/<short-name>/style.md,作为一个可复用的 样式块(4-6行),描述角色形象和外观。
之后每个图像提示都以这个确切的样式块开头,以保持角色一致。
请自己设计外观。不要抄袭现有频道的角色、缩略图或绘图。
步骤 2 - 脚本
用用户使用的语言撰写 70-100 字,8-12 个短句:
- 钩子:对观众说话(“今晚你将……”)或用一个令人惊讶的数字开头。
- 三个事实,每个一句,每个都可查证。如果不确定,请查找事实。不要编造数字。
- 一个转折(“但奇怪的是……”)。
- 以一个向观众提出的问题结束。
可朗读文本的规则:数字写成文字,无括号,无缩写,无表情符号。 展示脚本并等待批准。反复修改直到用户同意。
步骤 3 - 镜头列表
每句话对应一幅画面(两个短句可以共享一幅)。保存 videos/<short-name>/script.json:
{
"title": "人们在闹钟发明之前做什么?",
"shots": [
{ "text": "今晚你将设定一个闹钟。", "image": "images/01.png", "prompt": "..." }
]
}
text是该画面的确切旁白。所有text字段用空格连接起来就是完整的旁白。prompt= 样式块 + 一句描述画面内容的话。每幅画面一个想法,大而居中,画面中无文字(除非是一两个大字),16:9。- 同时将所有提示写入
prompts.md,编号排列,便于复制。
步骤 4 - 旁白(付费)
python <脚本路径>/voice.py videos/<short-name> --dry-run # 显示字符数,不产生费用
python <脚本路径>/voice.py videos/<short-name> # 生成 voice.mp3 + words.json
脚本从环境变量 ELEVENLABS_API_KEY(或 ELEVENLABS_KEY_FILE 指定的文件中)读取密钥,从 ELEVENLABS_VOICE_ID 读取语音。
从不要求用户将密钥粘贴到聊天中,绝不打印它。如果缺少密钥,则告知用户需要设置哪个变量并停止。
告知用户:免费的 ElevenLabs 计划不允许未经授权的商业使用。
步骤 5 - 图像
询问一次:“你如何制作你的图片?” 并遵循该路径。prompts.md 已为所有方式编写完毕。
- Google AI Studio(图像模型,例如 Nano Banana):单个聊天,宽高比 16:9。粘贴提示 01,然后对于每张后续图片发送“保持相同的绘图风格和角色。场景:……”。下载每个结果。
- ChatGPT:同样的思路——一个聊天,一张接一张地生成图片,始终要求相同的风格和角色。
- API 密钥(Google 或 OpenAI):仅当用户已有密钥且开通了计费时才使用。本版本技能未实现自动化——告知用户,并使用上述两种方法之一。
将结果保存为项目文件夹中的 images/01.png、images/02.png、……。如果你能自己操作浏览器,就自己做;否则由用户操作,并在文件就绪时通知你。
先生成图片 01 并展示它。只有当用户喜欢该角色形象时,才继续生成其余部分。 图像模型有时会遗漏细节(缺少嘴巴、戴错帽子)。检查每张图片;使用简短修正(“保持相同画面,但加上一个小嘴巴”)来重做单张图片,而不是重新开始。
步骤 6 - 构建
python <脚本路径>/build.py videos/<short-name> # 1920x1080
python <脚本路径>/build.py videos/<short-name> --size 4k # 3840x2160
每幅画面在其对应句子被朗读时精确显示,带缓慢推近和硬切。
输出:videos/<short-name>/final.mp4 和 check.jpg(每幅画面一帧)。
步骤 7 - 检查与报告
查看 check.jpg。每幅画面是否与其对应的句子匹配?角色形象是否处处一致?
你无法听到音频——如实告知用户,并请用户判断旁白效果。
用四行报告:时长、图像数量、旁白字符数、仍需改进之处。