Communitygithub.com

AI视频生成器(提示→片段→成品视频)

计划并完成由生成式视频模型(Google Veo 3.1 / Flow、Kling、Seedance、MiniMax、LTX、PixVerse、Gemini Omni Flash)制作的视频——将创意或脚本转化为分镜表,附带可直接复制的逐镜头提示(文生视频和图生视频),然后将用户生成的片段组合成带有旁白、背景音乐(自动回避人声)、字幕高亮关键词以及9:16/1:1/16:9格式导出的成品视频。

AI视频生成器(提示→片段→成品视频) 是什么?

此技能通过两阶段流程,帮助用户从构思到成品,使用生成式AI视频模型完成视频创作。第一阶段(A模式)负责规划和提示编写:通过收集用户需求(主题、时长、画幅、风格等)来辅助生成脚本,并创建详细的分镜表,其中每个镜头都配有独立、完整的文生视频或图生视频提示,以确保角色和场景在不同镜头间保持连贯。它还包含一个“角色/产品手册”,可帮助用户保持视觉一致性,并针对不同AI模型(如Veo、Kling、Flow等)的实际能力提供最佳实践指导。第二阶段(B模式)负责组装:用户将根据提示生成的视频片段上传后,此技能会使用FFmpeg生成接触印表以检查质量,然后运行一个Python脚本(assemble.py),自动完成片段修剪、音频对齐(旁白和对白)、自适应音乐混音(自动回避人声)、基于单词的高亮字幕渲染以及标准的loudnorm -14 LUFS标准化处理,最终输出可用于发布的高质量视频。支持多种画幅比例(9:16、16:9、1:1)和多语言字幕(包括印地语)。该技能遵守严格的内容准则:禁止生成逼真的真实人物AI肖像,禁止编造虚假推荐或数据,并提醒用户遵守YouTube和Meta等平台对AI生成内容的标注要求。

兼容平台~Claude Code~Codex CLI~Cursor✓Gemini CLI
npx skills add https://github.com/1Harsh88/Video-skill/tree/HEAD/.claude/skills/ai-video-generator

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

AI视频生成器(提示→片段→成品视频) 是做什么的?

此技能镜像了Fliki的“AI视频生成器”栈(参见 references/fliki-notes.md):生成式视频模型负责镜头制作,后期处理层负责添加语音、字幕、音乐和尺寸调整。

模型访问: 此容器无法访问模型。用户需要在其自己的Flow/Kling/Fliki账号(或其他工具)中,根据此处编写的提示生成片段。此技能仅负责规划和后期处理。

A模式 — 规划与提示

  1. 简报。 收集以下信息,如果用户未说明则使用默认值:
    • 主题或脚本
    • 时长(默认30-60秒)
    • 画幅(9:16短视频、16:9 YouTube、1:1信息流)
    • 风格(电影感、动漫、3D、UGC手机拍摄、产品工作室……)
    • 他们拥有哪些模型
    • 旁白和字幕使用的语言
  2. 脚本。 编写脚本,要求在最初3秒内设置悬念,每个镜头一个想法,并包含行动号召(CTA)。对于事实信息,仅使用用户提供的来源或经过验证的搜索结果。展示脚本并等待用户确认。
  3. 分镜表。 每3-8秒一个镜头(大多数模型生成4-10秒的片段),以表格形式呈现:# | 时间 | 旁白台词 | 镜头画面 | 模型 | 文生视频或图生视频。
  4. 逐镜头提示。 使用 references/prompt-guide.md 中的模板,每个镜头使用一个代码围栏块,以便用户逐个复制。
    • 每个提示必须独立完整:重复描述主体、场景、光线、镜头、运动、风格和宽高比。模型不会记住之前的镜头。
    • 一致性: 在一个“角色手册”中定义每个角色和产品(面部、发型、服装、颜色、道具),并在每个镜头中粘贴同样的描述。对于困难情况,首先为参考静帧编写图像提示,然后基于该图像生成视频片段。
    • 原生音频: 如果模型生成音频,则添加 Audio: 行(仅环境音和特效音)。仅当用户希望镜头中出现人物说话时,才将对话放在引号内。
    • 模型擅长处理的内容: 每个镜头一个动作。镜头移动加上主体移动是可以的,但同时发生三个事件通常会导致失败。
    • 文字: 不要要求模型生成可读的文字、Logo或UI。请在后期处理中添加这些内容,或作为代码绘制的叠加层。
  5. 交付。 向用户提供:
    • 分镜表
    • 提示列表
    • 下载文件的命名规则(s01.mp4, s02.mp4……)
    • “将片段发送回此处,我将完成视频制作”

B模式 — 组装片段

  1. 获取片段(聊天上传、Drive链接或工作区中的文件)。使用接触印表(ffmpeg … tile)进行检查,并对照分镜表逐个核对:错误的主体、变形的手或面部、不需要的文字。对于质量差的片段,建议重新生成,而不是直接使用。
  2. 语音。 选择一种:
    • 用户提供的MP3文件
    • 通过 request_credential 调用ElevenLabs(主机 api.elevenlabs.io,请求头 xi-api-key)——绝不要在聊天中询问密钥
    • 无语音(仅字幕)
  3. 如果有语音,运行 scripts/align.py 进行对齐,生成 words.json。
  4. 编写 edit.json(格式见 scripts/assemble.py 文件顶部):
    • 每个片段的裁剪点:裁掉前0.3秒和后0.3秒(模型在开头和结尾常出现抖动)
    • fit 覆盖/包含,fade 淡入淡出
    • 语音、音乐 + music_db 音乐分贝,words 单词,caption style 字幕样式
    • fontsdir 包含本地woff2/ttf字体文件(印地语需要)
  5. 渲染。 运行 python scripts/assemble.py edit.json final.mp4。脚本会将每个片段归一化为统一的宽×高和帧率,进行交叉淡入淡出,混合片段音频、语音和音乐(音乐在语音时自动回避),渲染单词高亮字幕,并应用 loudnorm −14 LUFS 标准化。
  6. 其他比例。 更改宽/高并重新渲染。全出血画面使用 cover 模式,无法裁剪的宽景镜头使用 contain 模式。
  7. 交付。
    • 使用 blackdetect 检查黑帧。
    • 生成一个小于20MB的720p版本,用于WhatsApp。
    • 使用 SendUserFile 发送两个版本。

规则

  • 真实人物: 禁止生成对真实在世人物(政客、名人、普通人)的逼真AI肖像,除非是用户本人并已获得同意。应使用剪影或象征性镜头代替。提醒用户YouTube和Meta要求对逼真的AI生成内容进行标注。
  • 禁止编造: 禁止虚假推荐、编造的统计数据,或伪装成真实客户评价的UGC内容。在不声称是真实个人经历的前提下,使用UGC风格是可以接受的。
  • 模型规格变化快: 片段长度、价格和模型名称都作为带日期的注释保存在 references/ 目录中。在必要时查询用户所使用的工具,不要承诺确切的积分或价格。

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

相关技能