REEL-FROM-SCRIPT · v7 是做什么的？

一个根据你未编写的脚本、需要逆向分析的参考素材，以及一个毫无历史记忆的全新对话，制作一段 9:16 竖屏短片——它看起来经过精心导演，且绝不会出现制作事故。

v5 引入了布局并将设计硬编码到其中。v6 将所有数值移入了 PARAMS.json，并在渲染前放置了一个验证器。v7 是两个真实短片教会 v6 的成果——六色域循环、封面海报、每场卡片动画、连续场景跨度、自适应转场、音频陷阱，以及一个拒绝交付不良成片的单一 ./build.sh + scripts/qc.py。

承诺： 人类唯一编辑的文件是 PARAMS.json。唯一有权说 "不" 的是 prepare.py / qc.py。其他一切都是生成的，并且每个生成的内容都可以通过一个命令复现。

0 · 如果你是新手：前10分钟

export PATH=/home/user/node22/bin:$PATH        # Node >= 22
cd <project> && ./build.sh --from render        # 或从头开始遵循第3节

然后按此顺序阅读：第1节（外观如何构建）→ 第3节（管道）→ 第6节（设计手册）→ 第9节（故障目录）。不要自己发明布局：骨架就是设计。

永远不要做这四件事： 手动输入时长（测量配音）、将十六进制或像素值粘贴到合成中（修改 PARAMS.json）、手写 index.html（生成它）、或未经查看联系表就交付）。

1 · 为什么输出看起来是设计的（七条法则）

这些是该系列每个好镜头背后的实际决策。它们是规则，不是品味。

1. 一个固定到底部的锚定网格。 导语 → 主角 → 正文 → 芯片 → 主持人。下半部分从不移动：芯片始终处于同一纵坐标，主持人始终在相同位置被画框裁切。只有上半部分会重新构图。这就是为什么九个不同的场景读起来像一部电影。

2. 主角是一个词，不是一个句子。 1-3 个词，使用紧凑的显示字体，约占帧宽的 17-25%，行距紧密（0.88）。完整的句子放在芯片中（3-6 个词，供静音观看者阅读），细节放在卡片中。如果你不能用 3 个词说清楚，那么这个节拍就是两个节拍。

3. 每个节拍都使用不同的背景。 六个色域（奶油色 / 栗色 / 近黑色 / 鼠尾草色 / 海军蓝 / 薰衣草色）循环，确保没有两个相邻的节拍相同。颜色变化本身就是转场的另一半。prepare.py 如果发现两个连续场景共享一个色域，则会构建失败。

4. 证据，而非装饰。 卡片的存在是为了展示事物：文件列表、差异对比、浏览器、上传、仪表。如果一个节拍没有产物，则它是 type-led 类型，并且没有卡片。一张只有两行的卡片看起来有缺陷；四到六行看起来是刻意的（或者占卡片面积 ≥ 55% 的模拟图）。

5. 第一帧是海报。 场景 1 在 t=0 时构图（data-cover="1"）：导语、主角、卡片和角色已经出现在屏幕上，芯片在 0.65 秒时着陆。一个以空白域开头就开始播放的短片会失去滚动观看的用户。

6. 动画仅限变换，并且尽早着陆。 入场动画持续 0.24-0.34 秒，使用 power2/3/4.out 缓出函数，并在节拍的前半部分完成。永远不要动画文本内容，永远不要对数字进行补间，永远不要让一个 1.5 秒的场景花费 0.6 秒进行转场。主角上的缓慢漂移使最后一秒保持活力。

7. 声音是标点，不是壁纸。 每秒 ≤ 1 个提示音：每次切换时一个弹跳音、UI 上的按键音、两个最大转折点上的渐强音、揭示时刻的钟琴音、行动号召上的通知/叮咚音。背景音乐音量设为 0.15，低于 −16 LUFS 的配音；母带 −14 LUFS / ≤ −1 dBTP。

2 · 契约：什么是固定的，什么是你的

不变量——经过验证，不可凭感觉编辑

不变量	强制方式
每个文本/背景组合对可读	WCAG ≥ 4.5:1，对 10 个渲染对和 6 个色域对
主角是主角，并且始终适应	≥ 120 px，推导尺寸，必须适合 `--hero-lines` 在 `--hero-band` 内
主角位于导语下方，从不接触卡片	推导的 band + `--gap`，硬性失败
正文在手机上可读	≥ 24 px 且 ≥ `bodyMin`
无内容隐藏在平台 UI 下	芯片底部 ≤ 安全区域底部，≥ 55% 可用区域
芯片永远不会与卡片碰撞	`cardTop + cardHmax ≤ chipTop`
主持人始终被画框裁切，从不覆盖芯片	`presenterTop + h > 1.0`，`presenterTop ≥ chipBottom`
两个连续场景永远不共享色域	从每个合成中读取 `data-field`
第 0 帧是封面	`data-cover` + 快照门控
每个场景使用不同姿势	每个场景一个姿势文件，在审查时检查
交付物可播放且音量足够	`qc.py`: 分辨率，fps，帧，LUFS，真峰值，静默空洞

变量——真正属于你的： 调色板值（6 个色域 + 4 个纸张色调，在对比度允许的前提下）· 格式（9:16, 4:5, 1:1, 720p）· 安全区域插入 · 在地板范围内的每个网格和比例 · 每场景原型 · 场景数量 · 词语 · 时长 · 姿势集 · 提示列表 · 磁盘上的字体。

如果你想要一个验证器无法检查的布局，你需要修改骨架并添加相应的检查。这就是自由的代价，也是输出不可能糟糕的原因。

3 · 管道（顺序不可协商）

#	步骤	命令	为什么在这里
0	逆向工程参考素材	第4节	你无法匹配一个你没有测量过的外观
1	事实	—	迟到的声明会迫使重新录制
2	脚本 → 章节	`assets/vo/sections.json`	每个节拍一个想法，1.2–9 秒
3	先做配音	`python3 scripts/process_vo.py`	`timeline.json` 是时钟；画面根据它剪裁
4	外观	`PARAMS.json`	调色板，格式，网格，排版地板
5	门控	`python3 scripts/prepare.py`	在对比度 / 排版 / 碰撞 / 色域节奏失败
6	场景	`./scenes.sh`	每个节拍调用一次 `new_scene.py`，注入 token
7	根	`python3 scripts/build_index.py`	连续跨度，自适应转场，无手写 index.html
8	检查	`npx --yes [email protected] lint`	0 个错误是门控
9	查看	`npx … snapshot --at "0,1.5,4,…"`	唯一能捕捉到“正确但丑陋”的步骤
10	渲染	`npx … render --output renders/_raw.mp4`	对于 1080×1920 的 32 秒视频，软件 GL 约需 1 分 45 秒
11	混音	`python3 scripts/mix_audio.py`	配音 + 背景音乐 + 提示音 → `renders/master.wav` (−14 LUFS)
12	混流 + 交付	`build.sh` 步骤 6–7	mp4 + `.srt` + 缩略图，然后 `qc.py`

./build.sh 一步运行 3 到 12。./build.sh --from render 在配音已测量后跳过配音步骤。

步骤 3 详解——配音是时钟

# 每个章节一个片段，在 assets/vo/ 中命名为 vo1.mp3 … voN.mp3
python3 scripts/process_vo.py

它会修剪静音，仅当设置了 script_target 时才应用 atempo，将每个片段归一化到 −16 LUFS，然后写入 assets/vo/timeline.json：每个章节的 start/dur/end + root_duration。下游任何部分都不能知道此文件中不存在的时长。

使用天城体书写 say 中的印地语，用拉丁字母书写英语技术词汇（resume，job description，ATS score，DM）—— hi-IN 配音能正确识别韵律，同时仍能说出英语单词。caption 是 .srt 文件显示的内容。

步骤 7 详解——根是机械化的

build_index.py 按数字顺序查找 compositions/s*.html，读取测量的跨度，使它们连续（0 → 剪切 → 剪切 → … → 根，这样 VO 中 0.30 秒的间隙就不会产生黑场），在每次剪切前 0.36 秒触发一个转场，转场颜色为即将到来场景的色域，并让最后一个场景持续到音频的尾部。转场时间会缩短到一个短场景长度的 34-62% —— 一个 1.4 秒的场景无法容纳一个 0.62 秒的转场。

步骤 11 详解——两个音频陷阱

alimiter 默认情况下 level=true：它会自动将电平提升回上限，所以你的“限制器”变成了一个压缩器+增益补偿，混音会落在 −12.5 LUFS，而你的目标是 −14。始终设置 level=false。
在单次线性通道中使用 loudnorm 会过冲。使用 ebur128 测量，精确移动 target − measured，然后限制。你可以验证的算术胜过一个会猜测的滤波器。

4 · 阶段 0——逆向工程参考视频

当需求是“观看这个并匹配它”时，测量它。十分钟，五个命令：

ffprobe -v error -show_entries format=duration:stream=width,height,r_frame_rate,codec_type -of default=nw=1 ref.mp4
ffmpeg -i ref.mp4 -vf "fps=1,scale=400:-1,tile=6x6" -frames:v 1 sheet.jpg      # 整部电影作为一张图像
python3 - <<'P'                                                                 # 每秒的色域调色板
from PIL import Image; import glob
for f in sorted(glob.glob("frames/f_*.jpg"))[::2]:
    im = Image.open(f).convert("RGB"); w,h = im.size
    print(f[-7:-4], im.getpixel((3,3)), im.getpixel((w-4,3)))
P
ffmpeg -i ref.mp4 -vn -ac 1 -ar 16000 -c:a pcm_s16le audio.wav                  # 用于脚本

从中读取出：时长和剪辑节奏（每个节拍多长）、色域调色板（采样角落，而非中间）、排版行为（紧凑大写？逐词构建？高亮框？）、布局（角色在哪里，文本块在哪里）、UI 产物（哪些模拟图）、声音（提示音密度）。这六个数字就是整个艺术指导。

如果需求提供了参考素材但没有脚本，那么参考素材就是脚本：转录音频（faster-whisper，int8，base 模型 → 对于 32 秒的印地英语约需 7 秒）并从帧中读取屏幕上的文案。不要重写文案——一个系列有自己的声音。

翻译，不要复制。 这里的参考素材是 1280×720；交付物是 1080×1920。相同的调色板，相同的排版，相同的模拟图——但主角区域、芯片锚点和主持人裁切是作为比例重新推导的。在 9:16 格式中，参考素材的 8-10 个词块会低于 24 像素的正文地板，因此文案被不同地拆分：主角 1-3 个词，芯片一句，卡片细节。

5 · 文件

PARAMS.json                     唯一的设计文件
tokens.css                      生成的收据（勿编辑）
index.html                      由 build_index.py 生成（勿编辑）
SKILL.md · COMPONENTS.md · README.md
build.sh                        整个管道
scenes.sh                       每个场景，可复现
components/                      7 个卡片主体，可使用 --card-body @… 传递
compositions/
  _scene-base.html.tmpl          核心骨架——零字面十六进制，零字面像素
  wipe.html                     唯一的转场
  sN-*.html                     由 new_scene.py 生成
  _examples/                    三个已实现场景（未挂载：build_index 只读取 compositions/s*.html）
scripts/
  process_vo.py                 配音 → timeline.json
  prepare.py                    门控：地板 + token 注入
  new_scene.py                  基础模板 → 正确的场景
  build_index.py                时间线 + 场景 → 根
  mix_audio.py                  配音 + 背景音乐 + 提示音 → master.wav
  make_deliverables.py          .srt + 缩略图
  qc.py                         一个命令，PASS/FAIL 基于 10 个门控
  cutout.py · gen_sfx.py        素材
assets/{fonts,presenter,vo,sfx,music}/

6 · 设计手册（实际该选什么）

节拍 → 原型。 证据 → card-led。一个数字 → stat-led（里程表，--digits）。陈述句、过渡、品牌卡片 → type-led。开场钩子和行动号召几乎总是 card-led，因为两者都需要一个产物（证明问题的文件列表；证明行动号召的评论线程）。

节拍 → 色域。 冷暖交替，从不重复。一个实用的六色域循环：accent → ground → ink → secondary → tertiary → quaternary。深色域（ink，tertiary）会使主持人消失，因此那里的光晕设为 0.20 → 0.42（骨架从 data-field 执行此操作）；在工具揭示和“AI 完成了工作”的节拍中使用它们，戏剧性有助于效果。

节拍 → 姿势。 相同角色，相同服装，每个场景一个姿势，与台词的 emotional 匹配：耸肩（疑问）· 扶额（问题）· 呈现（提议）· 托腮（好奇）· 回忆（回想）· 竖拇指（胜利）· 指（步骤）· 灵光一现（啊哈）· CTA（请求）。从基础图像生成缺失的姿势，并使用 cutout.py 进行遮罩；保持白色背景规则和大腿中部裁切，以便干净地抠像。

屏幕上的文字。 主角：情绪化的动词或数字（SAME RESUME?，CUSTOMIZE KARO，TAILOR，ATS SCORE）。芯片：静音观看者需要的句子（har company mein bhej rahe ho?）。卡片标题：产物的名称（applied / 12 companies）。卡片元数据：一个微小的事实（this week，matched 3 of 7）。

当一个节拍太短无法设计时（1-2 秒）。 保留场景，去掉第二层：主角 + 芯片 + 主持人，type-led，一次揭示。不要将一张卡片和一个交错列表塞进 1.4 秒——它看起来像故障。

当一个节拍很长时（8-9 秒，通常是 CTA）。 间隔 1.8-2 秒安排三次揭示（评论 → DM → 链接），让缓慢漂移拖出尾巴。一个 8 秒的静态帧是“看起来廉价”的最常见原因。

转场。 一个转场，持续 0.34-0.62 秒，颜色 = 即将到来场景的色域，方向交替。没有其他转场类型：一致性使八个切换感觉像是有作者创作的。

最后一秒。 最后一帧必须是一个经过设计的帧，包含手柄和网站——在那里暂停的观看者应该能够采取行动。

7 · 音频手册

时刻	提示音	增益
每次剪切	`pop`	0.50
两个最大的转折	`riser` 在剪切前 0.3 秒	0.28–0.30
UI 元素着陆	`click`，`key`	0.38–0.45
列表逐个出现	`key` ×N，间隔 0.12 秒	0.40
揭示 / 分数	`chime`	0.36–0.42
CTA	`notify`，然后 1.7 秒后 `ping`	0.32–0.40
错误 / 拒绝	`error`（谨慎使用——它只作为喜剧元素阅读一次）	0.30

提示音偏移量是相对于章节的，在 assets/sfx/cues.json 中（"vo7+1.68"），因此重新录制的配音不会使设计失效。永远不要让提示音落在单词的第一个音节上；一个按键音属于该音节开始后的 20-60 毫秒处。

REEL-FROM-SCRIPT · v7