Th3warhawk/cartoon-audio-short

卡通短片：创意 → 脚本 → 配音 → 成品MP4

视觉风格：采用扁平2D豆形头卡通角色（由勾勒有李子色轮廓的“卡片”画布构成），置于色彩斑斓的3D世界中，搭配黑色墨水轮廓、手绘质感纹理、景深效果及流畅运镜。输出格式为1080x1920，30 fps，时长与配音完全一致。用户原声不变。音乐和音效经过合成处理，音量设定为人声的50%。经《永不离开的士兵》（19.7秒，8个镜头）验证有效。

规则

• 故事、角色和镜头必须始终原创。不得逐帧复刻其他创作者的视频。应针对相同创意提供自己的原创演绎。
• 不得使用真实、在世的人物作为角色，也不得使用品牌吉祥物或标识。
• 除非用户要求，否则不加字幕。剧情内文字（如雕刻信息、标志）是可接受的，且必须正确可读（不得镜像）。
• 不得编辑或重新调整配音的时长。画面必须与配音同步，每个视觉反应应在其对应词汇出现前0-3帧完成。
• 音频电平： 音乐背景电平设定为人声电平的50%（−6 dB，门控RMS）。音效电平为50%或略低，峰值经过限制以确保没有爆音超出旁白音量。始终使用mix.py进行混音，不得手动操作。不得使用会改变此比率的闪避或压缩处理；整个混音只允许应用一次线性增益加上一个峰值限制器。
• 通过任务清单及时告知用户进度。在开始长渲染前，向用户发送静帧联系表。

阶段1：信息录入（始终优先）

如果音频文件已附带，则直接跳至阶段4。如果还提供了脚本，则使用该脚本进行时间对齐。 否则，提出一个AskUserQuestion（如果该工具不可用，则使用纯文本）：“您想从哪里开始？”

• 配音已就绪：要求用户上传配音文件，如果他们有脚本也一并提供（脚本有助于精确计时）。收到后进入阶段4。
• 已有脚本，需要配音：如必要，按阶段3要求精简脚本，连同录音技巧一起返回给用户，要求上传，然后进入阶段4。
• 需要视频创意和脚本：进入阶段2。 同时询问目标时长（如果用户未提及）。默认时长为20-30秒；45-60秒也可接受。

阶段2：10个视频创意

一次性提供恰好10个创意，编号列出，并要求用户回复数字（或“更多”）。每个创意应包含：

• 标题（5-8个词，激发好奇心，例如“永不离开的士兵”）。
• 钩子句：第一句台词，将悖论作为事实陈述（例如“一个人卖了埃菲尔铁塔。两次。”）。
• 反转一行描述（视频结尾的讽刺性转折）。
• 为何适合动画化：2-3个重大视觉时刻（如崩塌、揭露、追逐）。
• 真实还是传说：明确说明是记录在案的历史、有争议的记载还是民间传说。

什么样的创意对这个格式来说是“完美”的：

• 一个具有可展示的物理因果关系的惊人故事。
• 一个鲜明的普通人角色，不断升级的风险，以及最后一句台词揭示的反转。
• 一个可以通过简单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）。
• 10个创意应跨越不同时代和主题：古代、中世纪、19世纪、现代、科学、动物、发明、灾难、奇特法律、幸运巧合。
• 对于任何声称真实的内容，在提供前应通过网页搜索验证关键事实。不得将流传的传说作为事实呈现。如果用户仍然想要，则应表述为“传说称”。
• 不得以真实在世人物为嘲讽对象，不得涉及色情或政治内容。

阶段3：脚本（用户选择创意后）

仅编写旁白内容（口述文本中不包含舞台指示），语速约为3.7词/秒：20秒 ≈ 75词，30秒 ≈ 110词，60秒 ≈ 220词。结构公式：

1. 钩子（第一句，无需铺垫）：荒谬的事实。
2. 背景1-2行：时间、地点、人物、一个具体细节。
3. 升级过程2-4个节拍，每个更重大。其他人表示怀疑或嘲笑。使用一个夸张的笑话。
4. 谜团或转折：“但当……时”/“你看，”引入真正的机制，通常用一个日常类比。
5. 反转/收尾：简短、讽刺，并且是视频的最后几个词。 使用平实的英语口语，使用缩写，句子长度在8-15个词左右，数字拼写为单词。切勿描述观众已经看到的内容。

然后回复：

• 将脚本放在一个可复制的代码块中，附带词数和预计时长。
• 一段视觉规划（将要动画化的镜头描述）。
• 录音技巧：一个稳定、温暖的叙述者声音；ElevenLabs效果不错（深沉的叙述者声音，速度约1.05-1.1，稳定性约45-55%）。Mp3或wav格式均可。在句子结尾留有自然的停顿。导出时不含音乐。
• 要求：“配音准备好后请上传，我将制作完整视频。” 保留最终脚本文本。它将驱动阶段4的时序，因此无需语音识别。如果用户录制了修改版，请索要最终文本。

阶段4：制作视频（配音上传后）

从此刻起不间断地完成所有操作。仅在时序无法确定时提问。

4.0 获取工具包

代码工具包随技能一起存放在kit/文件夹内（包含引擎、工具、工作示例，以及来自github.com/mromidev/claude-animated-shorts的已购买的three.js r160和toon.ts笔库，均为MIT协议）。使用find / -name SKILL.md -path "*cartoon-audio-short*" 2>/dev/null定位文件夹，并将其kit/视为只读。

然后运行bash <skill>/kit/tools/setup.sh ~/shorts/<slug>。它会将引擎和工具复制到项目中，安装已购买的three.js，使用Node 22的module.stripTypeScriptTypes从toon.ts中剥离类型信息，并链接Playwright。无需网络连接。如果购买文件缺失，会回退到npm或git克隆。

• 要求：Node 22.6+、带有numpy和Pillow的Python 3、ffmpeg，以及带有Chromium的Playwright（如缺失，运行npm i -g playwright && npx playwright install chromium）。
• 如果包注册表被屏蔽，git over GitHub通常可用。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。这样可使用CPU WebGL，每帧渲染约3-10秒。

4.1 时序对齐

运行python3 timing.py voice.mp3 script.txt --out work。

• 如果安装了whisper或faster-whisper，则使用单词时间戳。
• 否则，它将脚本短语（根据标点符号分割）与静音检测到的语音片段对齐，使用动态规划匹配音节与时长，并惩罚片段内的句尾和短语内的长间隔。
• 如果没有ASR也没有脚本，则索要脚本。Claude无法听到音频。
• 检查work/phrases.json：停顿应出现在句尾。总帧数 = round(duration × 30)。

4.2 镜头规划（代码前的work/PLAN.md）

为每个镜头创建一行：帧数、台词、场景、光线、镜头运动、角色/姿势/表情、效果和音效提示。

• 第0帧已经是钩子图像。
• 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。
• 逐句形象化地表现每一句台词。道具承载笑话。
• 变化镜头景别：钩子特写 → 全景揭示 → 双人镜头 → 关键物品插入特写 → 反应特写 → 收尾时的环境移动。
• 利用光线表现节拍：白天代表正常，金色代表衰落或戏剧性，夜晚蓝色代表解释。时间跳跃使用6帧白色闪烁。
• 反转台词处使用刺耳音效（音乐停止，低音打击，推进加滚动）。最终镜头的物理效果在最后一个词上落实。

4.3 世界（web/main.js）

保留引擎部分：卡通材质、墨水对比、add/tbox、天空、灯光、卡片、渲染目标/后期效果、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。

• 使用带有绘制画布纹理（paint.js：木板、横梁、朽木、石头、苔藓/常春藤、草地、泥土、灰泥、屋顶瓦片、大理石、横幅、雕刻文字）的基本几何体构建。以相同的扁平深色接缝风格编写新的绘制器。
• 使用tbox保持恒定纹理密度、两步卡通渐变和雾效（雾颜色 = 地平线颜色）。
• 背景：山丘（半埋球体）、山脉（圆锥+雪顶）、柏树/松树、远处房屋、绘制云广告牌。
• 场景装置（坍塌、坠落、门）是由0..1进度驱动的旋转组（通过worldAt(f)实现），具有缓动和错开的部分。
• 弯曲剧情内文字使用平面UV。检查是否镜像。

4.4 演员角色（web/roman.js → web/toon.js）

• romanFront(p, outfitKey, opts)在600x1000的设计画布上绘制，脚底在y=975处。卡片高2.25米，因此1单位 = 0.00225米。
• 在OUTFITS中添加服装（束腰外衣/披风/盔甲/头盔/发型/帽子/胡须/围裙/连衣裙/托加袍），以及相同风格的新头饰和道具。
• 手臂姿势：下垂、持矛、指向、举起、挥手、叉腰、抱腹、按太阳穴（+旋转）、举起、伸手（+举起）、托腮、持盾、交叉、拇指。
• 表情：toon.ts的FACE集加上打鼾、固执、眯眼。扩展FACE以增加更多。
• 编辑后通过cat web/toonbase.js web/roman.js > web/toon.js重建。在使用新设计前，渲染一张角色测试表。
• 广告牌仅绕偏航轴旋转，获得接触斑点和alpha测试阴影，且世界通道不对其进行墨线处理。
• 使用q()舍入值构建卡片键（以便画布仅在可见变化时重绘）。
• 分离的部件（例如抬起的头盔）是独立的卡片，与headCenter(seed)对齐：y = DECK + (partY − hc) × 0.00225。

4.5 动画：流畅而生动（web/motion.js）

• 摄像机：camFromKeys(keys, f, {kicks})。使用smootherstep滑动（18-45帧）、easeOut用于揭示和甩镜头，以及path via-points（Catmull-Rom）用于曲线移动。每一个静止镜头都应带有微动，任何镜头保持超过4帧都不应完全静止。在戏剧性场景中使用3-5°的翻转，在撞击中使用7帧的抖动。
• 连续性：优先使用连续运动（从特写拉出到全景、变焦、起重机穿过甲板、推近到物体）。仅在场景或时间跳跃时使用硬切，并伴随闪烁。
• 角色从不冻结：对每张卡片应用idle(f, seed)，blinkAt控制眨眼，重读单词时头部摆动。
• 动作：预备动作 → back回弹 → spring稳定。跺脚是2帧下压+灰尘团+踢腿。笑是交替的倾斜+摆动。
• 次要动态：旗帜布料飘动、树叶/灰尘/水滴/Zzz效果卡片、流水。总有一些东西在动。
• 行走：walk()给出距离+步幅相位。双脚着地，上下摆动3-7%。
• 镜头：特写和中景使用景深（弥散圆8-14像素），焦点在眼睛。全景清晰。变焦约需14帧。

4.6 视觉检查（完整渲染前）

在每个镜头的中间位置以及转场和关键动作处渲染静帧：node render.mjs stills/a "5,40,..." 然后 python3 sheet.py stills/a stills/sheet_a.jpg。查看联系表并修复以下陷阱：

• 狭窄的垂直框架：水平半宽 = d·tan(hfov/2)，其中hfov = 2·atan(tan(vfov/2)·0.5625)。在4米距离和40度视场角下，水平范围为±0.8米，因此需要在深度上安排角色。
• 栏杆或柱子遮挡面部（相机应在栏杆内或大约2.5米高处）。相机路径穿过房屋、屋顶或灌木丛。前景道具距离相机应小于2米。主角被柱子挡住。
• 镜像的文字。分离部件卡片的偏移方向错误。
• 挤出材质组：0 = 顶盖，1 = 侧面+顶部。
• 缺少墨线：调试仅边缘输出的布线。墨线半径在1080p下约为2.5像素。天空被视为远距离深度，而不是卡片。
• 将联系表连同单行镜头摘要发送给用户，然后开始完整渲染。

4.7 声音（audio.py → 分轨 → mix.py）

根据故事重写提示表；合成器保持不变。audio.py仅写入分轨（music.wav，sfx.wav）。

• 音乐：一个简短的行进风格循环（底鼓/军鼓、拨弦贝司、铜管垫）。在反转台词处停止，然后持续低音嗡鸣。
• 音效按事件触发（以帧/30秒计）：大动作时使用嗖嗖声，跺脚时用重击声，坍塌时用隆隆声+碎裂声，金属刮擦声，揭示时用叮当声，反转时用刺耳音效，吱吱声，啪嗒声，溅水声，鼾声，树叶声，环境水声。
• 使用python3 mix.py voice.mp3 music.wav sfx.wav进行混音。它将音乐精确设定为人声门控RMS的50%（−6 dB），音效为50%，峰值限制在人声峰值的0.7倍。它会打印测量的电平：确认音乐显示为相对于人声的−6.0 dB，音效等于或低于该值。
• 在制作声音之前锁定画面时序。任何时序更改都意味着需要重新运行audio.py和mix.py。

4.8 渲染 + 完成

• 使用Bash的run_in_background运行node render.mjs frames "0-<N-1>"，并通过监控循环报告进度，捕获错误或进程退出。RESUME=1允许在中断后继续。不要在小型机器上同时运行繁重的Python任务。
• 运行bash finish.sh "Title"。它应用一次线性增益将响度调整至约−14 LUFS，并应用−1 dBFS峰值限制器，编码为H.264 CRF 17 + AAC，进行冻结/黑帧和响度质量检查，并写入out/qa_sheet.jpg。查看检测图。冻结跨度≥0.4秒或出现黑帧需要修复。
• 通过SendUserFile交付MP4文件，并附上关于每个镜头内容的简要说明。提供字幕、微调或列表中的下一个创意选项。

引擎注意事项（保留在工具包中；如果重建请保留）

• #include <fog_vertex> / <fog_fragment> 必须单独占一行。
• 最终通道写入linearToOutputTexel(...)（渲染目标是线性HalfFloat）。
• 法线+深度通道按网格交换材质：世界 → 法线/深度，卡片 → alpha测试遮罩（rgb为0，a = 深度），斑点/云/天空隐藏，水面 → 平面法线。雾和阴影在此期间关闭。
• 墨线仅应用于深度跳变的近侧。折痕来自法线点积。跳过相邻卡片。墨线在大约140-520米处淡出。
• 景深：48个采样点，每个样本进行弥散圆测试（无前景渗出）。
• 太阳位置根据光照预设的方位角/仰角确定。阴影相机以每个镜头的动作为中心。

架构（用于编辑工具包的参考）

• web/index.html通过本地HTTP服务器加载main.js（ES模块）。
• main.js：渲染器、卡通材质、世界、卡片（1200x2000 CanvasTexture平面，原点在脚底），通道处理：颜色（RT采样4次） → 法线/深度 → 墨线+调色（饱和度、增益/提升、

…

[截断以进行翻译]