卡通短片：创意 → 脚本 → 配音 → 成品MP4

视觉效果：扁平2D豆形头卡通角色（画布绘制的“卡片”风格，带有粗线条轮廓），置于色彩鲜艳的3D世界中，具有黑色墨线、纹理涂绘、景深和滑行摄像机运动。输出为1080x1920，30fps，时长与配音完全一致。用户的配音保持不变。背景音乐和音效由合成器生成：音乐电平低于配音16 dB，音效电平不超过配音音量的50%。本技能已在《永不离开的士兵》（19.7秒，8个镜头）项目中得到验证。

如果此技能以文件形式发送到聊天中

用户可能会发送 SKILL.md 和 cartoon-short-kit.zip，并说“阅读此技能，安装并使用它”（اقرأ هذه المهارة، وثبّتها، واستخدمها）。然后：

通读本文件并遵照执行。不要解释什么是技能，也不要询问设置问题。
将工具包解压到一个可写文件夹（见4.0）。确认 engine/main.js 和 vendor/three.module.js 存在。
如果此环境有个性化技能文件夹（例如 ~/.claude/skills/），则将 SKILL.md 和工具包复制到其中的 cartoon-audio-short/ 目录。如果没有，不要说已永久安装：用一行说明它已为此聊天准备就绪，但两个文件在新建聊天时需要重新发送。
用一行简短回复，并直接进入阶段1。

语言：阿拉伯语或英语

聊天： 从第一条回复开始，用用户消息的语言作答。如果他们写阿拉伯语或要求阿拉伯语，则每条消息（问题、选项标签和描述、任务列表、创意、进度记录、错误信息以及交付说明）都使用阿拉伯语。使用简单的日常用语，如果用户使用某种方言，则匹配其方言。仅文件名和命令保留英语，并单独成行，以免从右到左的文本打乱它们。
脚本： 脚本语言遵循聊天语言，除非用户另有要求。在任何问题下输入“أريد أفكار بالعربي”，则跳转到阶段2，并使用阿拉伯语。
阿拉伯语变体： 除非用户书写或要求方言（伊拉克、埃及、海湾、黎凡特等），否则使用简单的标准阿拉伯语；不要停下来询问。在脚本回复的末尾添加一行：“تريده بلهجة ثانية؟ اكتب اللهجة وسأعيد كتابته。”切勿在一个脚本中混合标准语和方言，除非用户要求。
阿拉伯语固定问题。 使用以下措辞：
- “من أين نبدأ？”
  - “الصوت جاهز”：上传音频文件，如有脚本文本也一并上传，我将制作视频。
  - “عندي نص”：我将完善脚本并提供录音建议，音频上传后制作视频。
  - “أحتاج إلى أفكار ونص”：我将提出10个原创想法，然后为您选择的创意撰写脚本。
- “كم مدة الفيديو？”
  - “من 20 إلى 30 ثانية (مُوصى به)”：大约40到60个单词。
  - “من 30 إلى 45 ثانية”：大约60到90个单词。
  - “من 45 إلى 60 ثانية”：大约90到120个单词。

规则

故事、角色和镜头必须始终是原创的。切勿逐镜头复制其他创作者的视频。对同一创意提供原创演绎。
角色不得是真实、具名的在世人物，不得有品牌吉祥物或标识。
除非用户要求，否则不添加字幕。场景内文字（如雕刻信息、标志）没问题，且必须正确显示（不镜像）。标志、标签和标题使用脚本语言：阿拉伯语视频显示“بِيعَ”，而不是“SOLD”。按4.3节绘制它们。
切勿编辑或重新调整配音时间。画面根据配音计时，每个视觉反应应在相关词语之前0-3帧内落地。
音频电平： 背景音乐电平低于配音16 dB（门控RMS），确保叙述清晰。音效电平设置为50%或略低，峰值被限制以确保没有冲击声盖过叙述。始终使用 mix.py 混音，不得手动操作。不得使用会改变此比率的闪避或压缩；仅对整个混音应用一次线性增益加峰值限制器。
通过任务列表让用户了解进度。在长时渲染前发送静态帧联系表。

阶段1：信息收集（总是第一步）

如果已有音频文件附加，则跳转到阶段4。如果同时也提供了脚本，则用于定时计算。否则，提出一个AskUserQuestion（如果该工具不可用，则使用纯文本）：“您从何处开始？”

配音已就绪：要求他们上传音频文件，如果有脚本文本也一并上传（脚本使计时更精确）。文件到达后进入阶段4。
我有脚本，需要配音：如有必要按阶段3完善脚本，连同录音技巧一起返回，请求上传音频，然后进入阶段4。
需要视频创意和脚本：进入阶段2。同时询问目标视频长度（如果用户未说明）。默认为20-30秒；允许45-60秒。在阿拉伯语聊天中，使用“语言”部分下的措辞。

阶段2：10个视频创意

在一次回复中精确地给出10个创意，编号，并要求用户回复数字（或“更多”）。每个创意包括：

标题（5-8个单词，引人好奇，例如“永不离开的士兵”）。
引子：第一句口播词，一个陈述为事实的悖论（“一个人把埃菲尔铁塔卖了。卖了两次。”）。
反转：一行说明（视频结尾的反讽收尾）。
动画化优势：2-3个视觉高潮（倒塌、揭秘、追逐等）。
事实或传说：明确说明这是有据可查的历史、有争议的记述还是民间传说。

使创意“完美”适合本格式的因素：

一个令人惊讶的、具有可展示物理因果的故事。
一个清晰的普通人角色，不断升级的利害关系，以及最后一行的反转。
一个能用简单3D形状加卡通卡片构建的场景（城镇、桥梁、船只、城堡、沙漠、实验室、宫殿等）。
10个创意应跨越不同时代和主题：古代、中世纪、1800年代、现代、科学、动物、发明、灾难、奇特法律、幸运意外。
对于任何声称是事实的内容，在提供前应通过网络搜索核实关键事实。不要将流行的传说当作事实呈现。如果用户仍然想要，则标注为“传说如此”。
不得拿真实在世人物开玩笑，不得有血腥内容，不得涉及政治。

阿拉伯语创意：

用阿拉伯语撰写标题、引子、反转和备注。引子应为自然的阿拉伯语句子，而非翻译。外国姓名使用常见的阿拉伯语拼写。
混合来自阿拉伯和伊斯兰历史与科学的故事以及世界故事，使列表感觉贴近该受众。
同时用阿拉伯语和英语搜索。流行的阿拉伯故事也可能缺乏来源，因此以相同方式标注事实或传说。
切勿描绘先知、圣门弟子或其他神圣人物作为角色。不要开关于宗教、教派、部落或国籍的玩笑。

阶段3：脚本（用户选择后）

仅撰写旁白（口语文本中不含舞台指示）。英语语速约为3.7词/秒：20秒≈75词，30秒≈110词，60秒≈220词。阿拉伯语较慢，约2词/秒：20秒≈40词，30秒≈60词，60秒≈120词。 阿拉伯语单词包含更多音节，实测阿拉伯语配音速度为1.6-2.1词/秒。公式：

引子（第一句，无需铺垫）：荒谬的事实。
背景（1-2行）：时间、地点、人物、一个具体细节。
升级（2-4个节拍，逐步扩大）。他人怀疑或嘲笑。使用一个夸张笑话。
谜题或转折：“但当...时...”/“你看，”引入真正的机制，常伴以日常类比。
反转/收尾：简短、反讽，作为视频的最后几个词。使用简单的口语化英语，含缩略形式，句子约8-15个词，数字用文字写出。切勿描述观众已看到的内容。

阿拉伯语脚本：

保持句子约6-12个词，使用相同的五部分公式。转折如“لكن عندما…”和“والسبب？”效果很好。
数字和年份用文字写出（如ألف وتسعمئة وأربعة وتسعون），外来词汇和品牌名称用阿拉伯语字母拼写，便于配音正确朗读。
为配音添加标点：“，”和“.”用于呼吸，“…”用于揭示前的停顿，“？”用于疑问句。计时也使用这些标点。
提供一个可直接粘贴到语音生成器中的可复制语音块：
- 每个词加注发音符号（Tashkeel），对名字和有多重读法的词尤其有用。省略叙述者通常不读的格尾，方言按实际发音书写。如果用户要求不加发音符号，或听起来不对，则移除。
- 音频标签：英语使用Eleven v3的标签，如 [excited]、[curious]、[serious]、[whispers]、[warmly]。每个句子组最多使用一到两个，仅当词语本身需要时使用。
- 伊拉克语“g”： 在需要的地方使用گ和چ（如تِگْدَر, لْگِيت），因为ك读作“k”。
- 分段： 对于超过约700个字符的脚本，在句尾处将其分为编号段落。
字数和时长使用上述阿拉伯语速率计算，标签和发音符号不计入。

然后回复：

可复制的脚本块，附带字数和预估时长。
一段视觉计划（将动画化的镜头）。
录音提示：一个稳定、温暖的旁白声音；ElevenLabs效果不错（深沉旁白音色，速度约1.05-1.1，稳定性约45-55%）。Mp3或Wav格式均可。在句尾留出自然停顿。导出时不含音乐。
阿拉伯语录音提示：使用Eleven v3，因为旧模型会直接读出 [tags]。初始将稳定性设为Natural，速度约0.95，先试第一句再生成全部。使用其他生成器时，先删除标签。用户自己的声音也可以，无需标签或发音符号。
请求：“配音准备就绪后请上传，我将制作完整视频。” 保留最终脚本文本。它将用于阶段4的计时，因此无需语音识别。如果用户录制了更改过的版本，请索要最终文本。

阶段4：制作视频（配音上传后）

此后不间断地完成所有操作。仅在时间无法解析时提问。

4.0 获取工具包

代码工具包包含引擎、工具、工作示例、vendored three.js r160、来自 github.com/mromidev/claude-animated-shorts 的 toon.ts Pen 库（均采用MIT许可），以及 Lalezar 阿拉伯语字体（SIL OFL）。按以下顺序查找，并将其视为只读：

本 SKILL.md 旁边的 kit/ 文件夹，通过 find / -name SKILL.md -path "*cartoon-audio-short*" 2>/dev/null 查找。
已解压的 cartoon-short-kit 文件夹。
本次聊天发送文件中的 cartoon-short-kit.zip：find / -name "cartoon-short-kit*.zip" 2>/dev/null，然后将其解压到 ~/cartoon-short-kit-src/。工具包是该文件夹内包含 engine/ 的目录。

然后运行 bash <kit>/tools/setup.sh ~/shorts/<slug>。它将引擎和工具复制到项目目录，安装 vendored three.js，使用 Node 22 module.stripTypeScriptTypes 从 toon.ts 中移除类型，并链接 Playwright。无需网络。如果 vendored 文件缺失，则回退至 npm 或 git clone。

要求：Node 22.6+，Python 3 配合 numpy 和 Pillow，ffmpeg，以及带 Chromium 的 Playwright（如缺失则运行 npm i -g playwright && npx playwright install chromium）。
如果软件包注册表被屏蔽，通常可以通过 GitHub 的 git 进行。切勿禁用TLS或绕过代理。
Chromium：使用预装的 Playwright 浏览器，参数为 --use-angle=swiftshader --enable-unsafe-swiftshader --ignore-gpu-blocklist。这将提供CPU WebGL，渲染速度约为每帧3-10秒。

4.1 时间线

运行 python3 timing.py voice.mp3 script.txt --out work。如果没有脚本，则添加 --lang ar 以指定阿拉伯语。脚本可以是精确的语音块：它会移除 [tags] 和发音符号，并同时在阿拉伯语标点处拆分短语。

如果安装了 whisper 或 faster-whisper，则使用词时间戳。对于阿拉伯语，它使用多语言模型，并保留脚本自身的词语，因此误听的方言词不会改变文本。
否则，它将脚本短语（在标点处拆分）与静音检测到的语音片段对齐，使用动态规划算法，基于音节和时长进行匹配，并惩罚片段内部的句尾和短语内部的长间隔。
如果没有ASR且没有脚本，则请求脚本。Claude无法直接听辨音频。
检查 work/phrases.json：停顿应落在句尾。总帧数 = round(duration × 30)。

4.2 镜头计划（代码前的 `work/PLAN.md`）

每个镜头一行：帧数、台词、场景、灯光、摄像机运动、角色/姿势/表情、效果和音效提示。

第0帧已是引子画面。
通常每个短语一个镜头。将极短的短语合并到下一个镜头中。
逐句直观地阐释。道具承载笑点。
变化镜头景别：引子中景 → 全景展示 → 双人镜头 → 关键物品的特写插入 → 反应特写 → 环境移动用于收尾。
用灯光表达节拍：白天用于正常，金色用于衰退或戏剧性，夜晚蓝色用于解释。时间跳跃使用6帧白色闪白。
反转台词处使用突击音效（音乐停止，低音撞击，推镜头并旋转）。最后镜头的物理收尾在最后一个词处落地。

4.3 世界（`web/main.js`）

保留引擎部分：toon材质、墨线轮廓、add/tbox、天空、灯光、卡片、渲染目标/后期、applyLight、drawActors、swapForNd、renderFrame。替换 // ---------- world ---------- 和 // ---------- cards ---------- 之间的示例世界，以及 worldState() 中的故事部分。

使用基本几何体构建世界，配合画布绘制的纹理（paint.js：木板、横梁、朽木、石头、苔藓/常春藤、草、泥土、石膏、屋顶瓦、大理石、旗帜、雕刻文字）。使用相同的扁平暗缝风格编写新的绘制工具。
使用 tbox 保持恒定纹理密度，2阶toon渐变，以及雾效等于地平线颜色。
背景：小山丘（半埋球体），远山（圆锥+雪帽），柏树/松树，远景房屋，绘制的云朵公告板。
布景元素（倒塌、坠落、门）是由0..1进度驱动的枢轴组，使用 worldAt(f) 配合缓动和错开的部分。
弯曲的场景内文字使用平面UV。检查是否镜像。
任何物体上的阿拉伯语文字： 对于标志和标签，使用 P.signCanvas(text, opts) 配合 P.tex()；在自定义画布上使用 P.drawText()；或使用 P.carvedText() 进行雕刻。它们会加载捆绑字体，设置从右到左，并绘制整个字符串。切勿逐个绘制阿拉伯字母。

卡通音频短片：从创意到成品MP4