Communitygithub.com

motion-reel

指导 AI Agent 如何规划、构建或剪辑“动态短片”,确保最终输出是一个完整的视频成品。流程涵盖运动短片(Demon Clips Studio)、用户期望一次性交付的内容、工作流程。当新任务需要此技能时使用。

motion-reel 是什么?

这个技能(motion-reel)定义了一个完整的、由代码驱动的短视频制作流程,专为 Demon Clips Studio 设计。它要求 AI Agent 像经验丰富的视频编辑一样工作,从构思、脚本、音频到最终渲染,全程通过代码(Remotion)和 Python 脚本在特定目录结构下协作完成。核心价值在于一次性交付用户期望的完整作品,包括印地语配音、双语字幕(罗马化和梵文书体)、双平台(Instagram 和 YouTube)的输出,并严格遵循特定的视觉风格(如 Paper Glass Lab 色彩方案)和运动语言(如钟摆、跳跃、拉伸等)。技能详细描述了工作流的九个步骤,重点在于避免重复提问,要求 Agent 第一次就交付所有内容。它还包含丰富的技术细节,如音视频同步、音量标准化(−14 LUFS)、运动模糊、镜头拉近、以及特定的音频合成库 `pipeline/synth.py`。支持平台包括 Claude Code、Cursor、Codex 等 AI 编码助手,要求 Agent 具备处理文件系统、运行测试、检查视频属性(ffprobe)等能力。

兼容平台✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/wearethedemon/motion-reel-skill/tree/HEAD

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

运动短片(Demon Clips Studio)

这些短片中的每一个像素和每一种声音都是用代码生成的:画面部分使用 Remotion,声音部分使用 pipeline/synth.py,语音部分使用 Edge TTS 或用户自己的录音。参考构建是 "Make in code":remotion/src/promo/MadeInCode.tsx、pipeline/promo.py、reels/261120-made-in-code/。在编写新短片之前先阅读它们。复制它们的模式,而不是它们的文案。

在 D:\Claude-Chrome\wearethedemon\studio 目录下工作,并遵循 studio/CLAUDE.md(环境、渲染路径、A: 驱动器用于暂存、下载前询问、仅在要求时提交、不添加 Claude 署名)。

用户每次期望的(不要让他们再问)

用户很直接,如果某事需要问两次就会感到沮丧。第一次就把整个事情交付完整:

  • 画外音。 印地语叙述,每行时间线与节拍对齐。使用 AI 语音(Edge TTS hi-IN-MadhurNeural),除非他们在语音录音机中录了自己的声音。一个只有音乐的短片会被退回,并附上“没有画外音?”的评论。
  • 附加结尾。 可发布的文件是 -ig.mp4(关注)和 -yt.mp4(订阅),带有结尾自己的音效,并且一个音轨贯穿短片和结尾。
  • 两种脚本。 罗马化的 Hinglish 和梵文(Devanagari),所以共 4 个文件:{roman,deva}-{ig,yt}。
  • 生动但流畅的运动。 东西会弹出、抖动、脉动和过冲。不要有任何生硬或仓促的感觉:给大的移动留出时间(一个钟摆摆动是 1.5 秒;1 秒被认为“太快且不流畅”),并为任何快速移动添加运动模糊拖尾。
  • 室内风格:Paper Glass Lab。 浅色网格,白色玻璃,渠道红色 #E5162D / #B80F22,墨色和白色。夜间插曲(#0E0E12 加红色发光)为了节奏是允许的,但用户尚未正式批准它们,所以将它们保持为可选项。没有黄色,视频中没有表情符号,没有虚假数字,没有验证徽章。
  • 诚实的声明。 如果短片说“每个声音都是代码”,那就必须是。屏幕上的代码是这个短片真实的源代码,并且有一个测试来检查它。
  • 按照要求构建。 如果他们要求 X,不要提供一个简化版然后再次询问。

工作流程

1. 格式和构思

如果有一个参考短片,只取其格式:结构、节奏和移动的类型。绝不取用其脚本、字幕或设计。编写 5-8 个节拍,每行一个:什么移动,什么文字出现,什么声音播放。在文案中使用之前验证任何事实。只有当 reward.md 中存在实际可交付成果时,才使用 "Comment KEYWORD" 卡片。草拟该文件并将其标记为需要用户批准;他们手动发送私信。

2. 文件夹和文案

创建 reels/<YYMMDD>-<slug>/ 目录,包含:

  • copy.yaml:
    • handle、keyword、brand。
    • 一个 roman: 和一个 deva: 块用于屏幕上的文字。
    • 一个 voice: 块:id、rate、lines: [{at, text, roman}]。text 是用于 TTS 的梵文,英语单词按照 hi-IN 语音的发音拼写(코드, क्लॉड, एडिटर, डी एम)。roman 是用户在录音机中阅读的内容。
  • reward.md:草稿,直到用户批准。
  • notes.md:
    • 构建命令和要发布的文件;
    • 发布前检查清单和封面框架建议;
    • 发布文案:一个带有最多 5 个标签的 IG 标题,一个最多 100 个字符的 YT 标题,以及一个带有 3-5 个标签的描述。

3. 先处理节拍表

将节拍时间放在一个 JSON 文件中:remotion/src/promo/<slug>.beats.json,以秒为单位。

  • 共享: 合成和 Python 音轨都读取它,这使每个声音都在其帧上。
  • 名称: 根据发生的事情命名节拍(cut、wall、land[]、reveal、stretch、toCard、keyword、brand、fadeOut)。
  • 结尾: 最后 0.4 秒保持平静和静音,以便干净地循环回第 0 帧。
  • 时长: 25-30 秒的短片,加上 3.5 秒的结尾。

4. 合成

编写 remotion/src/promo/<Name>.tsx 并在 Root.tsx 中注册它,使用 calculateMetadata 从节拍中获取时长。

  • Schema: 为每一部分文案(script: "roman" | "deva"、lines、card、brand、audio、fps)设置一个 zod schema。罗马化文案是默认值。
  • 时间: 以秒为单位,通过 ../motion(seconds、springAt、ramp、wiggle、pulse、loop、stagger)和 brand/tokens.ts 中的弹簧(SPRING.ui 18/160/0.8、SPRING.stamp 11/220/0.7)。永远不要用帧计数,这样任何 fps 都能工作。
  • 工具包: Backdrop、NightBackdrop、FitLine(将一行文本适配到指定宽度)、Card、Chip、Stamp、Rich、Phone、CaptionBar、SafeOverlay。
  • 文字:
    • 保持在安全区域内:x 60-950,y 250-1560。任何需要阅读的内容都不应小于 34 px。
    • 罗马化字幕是大写 Rajdhani 字体;第二行是 Poppins 600 斜体红色。
    • 梵文不大写。它需要更大的最大尺寸(约 148/120 对比罗马文的 150/128,药丸形状 72 对比 64),lineHeight ≥ 1.25 和 lang="hi"。
  • 多样性: 从下面的运动词汇中混合 4-6 种方法,每个短片以不同的顺序使用。YouTube 将重复的模板视为非原创内容。

5. 声音和语音

参见下面的“声音”。音乐和音效在节拍时间放到一个 Bus 上。音乐在语音下方降低 −9 dB,音效降低 −5 dB。然后是限制器,然后是 loudnorm 到 −14 LUFS。每个语音行在前一个结束后再开始。

6. 管道模块

pipeline/promo.py 连接到那个“Make in code”短片(SLUG、COMPOSITION、BEATS_JSON、其 music/sfx)。

第一次构建第二个短片时,将其通用化而不是复制文件:

  • 将共享部分(load_copy、voiceover、soundtrack、_master、render、filmstrip、final)移动到一个接受短片配置的模块中:slug、合成 id、节拍路径以及该短片的 music(b) 和 sfx(b)。
  • 将 promo.py 保持为 Make in code 的薄配置,并为 CLI 添加 --reel <slug>。
  • 对录音机做同样的事:pipeline/recorder.py 的 Project 接受 slug,并且 pipeline record --reel <slug> 可以工作,这样语音录音机应用可以为任何短片配音。

保持测试通过,并在你的报告中说明你做了这个更改。

7. 在完整渲染前进行胶片条预览

将关键节拍帧(每行 6 张,--filmstrip)渲染到 A:\claude-workspace\screenshots\demon-studio\<slug>\ 并自己查看。检查:

  • 文字可读且在安全区域内,并且梵文不会太小;
  • 检查空白时刻(一张卡片空白停留 0.6 秒看起来像出错了,所以在大约 0.4 秒内开始其文字);
  • 检查最后一行长文本是否触及边缘,以及分层效果是否对齐。

修复,重新渲染帧,然后渲染视频。

8. 渲染、结尾、最终文件

构建音轨,然后渲染每个脚本。final() 然后:

  • 附加平台结尾:O.render_outro(platform, script, keyword=..., reward=...),包含第三个要点 "Comment KEYWORD: reward";
  • 连接两个视频并将一个音轨混音贯穿两者;
  • 编码为 H.264 CRF 18、BT.709 limited range、AAC 320k 48 kHz、+faststart。

9. 验证,然后报告

  • 格式(ffprobe):1080×1920、30 fps、yuv420p、BT.709、AAC 48 kHz 立体声、时长 = 短片 + 结尾。
  • 响度: 每个最终文件的 −14 ±1 LUFS 且真峰值 ≤ −1 dBTP。
  • 音频存在: 使用 ffmpeg 检查每秒的 RMS。
  • 结尾帧: 标题、卡片、点击、关注/已订阅、关键词要点。
  • 测试: uv run python -m pytest -q 通过。为新短片添加测试:
    • 屏幕上的代码是真实的;
    • 节拍按顺序排列;
    • 道具对两个脚本都有效;
    • 每个语音行在下一个开始前 0.05 秒结束;
    • 音轨运行完整时长,最后 0.4 秒静音;
    • 关键词有一个奖励。

用简单的语言报告:

  • 要发布的 4 个文件,作为链接;
  • 逐节拍的短片描述,作为一个短列表;
  • 你检查了什么,以及你无法检查什么(你无法听,所以他们应该播放它);
  • 未解决的决策:奖励批准、封面帧。

提醒他们,VS Code 预览可以静默播放这些文件(“为什么没有音频?”)。VLC、Windows Media Player 或 Chrome 可以正常播放它们。

运动词汇(MakeInCode.tsx 中的代码)

一个英雄对象驱动短片(红色球体)。其他所有事物都对其位置做出反应,这形成了因果关系:球体经过,文字出现。

路径

  • 钟摆。 ballAt:x = 540 − SWING·cos(t·TURN),y 在弦的圆上(stringY),TURN = π / pass,一个 1.5 秒的摆动。PendulumString 有一个柔和的阴影,并在切割后卡到轴上。
  • 跳跃。 hop(a, b, u, h) 是一条直线减去 4·h·u·(1−u):一个真实的抛物线,顶点高度为 h。链式跳下楼梯的落脚点。用 Easing.out(Easing.back(1.5)) 缓和最终稳定。
  • 飞入墙壁。 Ease-in quad,加上一个小的 sin(u·π) 弧线。
  • 滑行。 lensAt:通过关键帧的 Catmull-Rom 曲线,在第一个线段缓入,在最后一个线段缓出。
  • 运动模糊拖尾。 Trail:采样路径的最后 0.09 秒,并绘制 ceil(length / 5 px) 个圆(最多 48 个)在一个 SVG feGaussianBlur 下,朝向尾部缩小和淡出(0.16·(1−k)^1.4)。副本重叠,因此它看起来像一条彗星,而不是珠子。

文字

  • 跟随对象的擦除。 SceneSwing/SwingText:每个字幕是一个全帧图层,使用 clip-path: inset() 在球体的 x 位置裁剪。新字幕显示在球体后面,旧字幕在它前面,并且方向在每个摆动中交替。
  • 着陆时的盖章。 StackLine:该行使用 springAt(c, at, SPRING.stamp) 正好在着陆节拍时弹出。

冲击和活力

  • 挤压和拉伸。 squashAt:在着陆后的 0.14 秒内,sx += 0.3·sin 且 sy −= 0.26·sin,transform-origin: 50% 100%。墙壁撞击则向另一个方向拉伸。
  • 涟漪。 一个扁平的椭圆环,在 0.45 秒内从接触点扩大。
  • 爆发。 14 个火花和点,用 random() 播种以确保渲染完全可重复。只在最重要的时刻(关键词)使用它。
  • 抖动和脉动。 wiggle(c, at, dur, hz, amp) 摇晃旋转;pulse(c, at, dur, amount) 放大缩放。将多个脉冲相乘,并在结束时每秒钟添加一个柔和的脉冲,使卡片保持呼吸感。
  • 闪光。 一个倾斜的白色渐变条横穿药丸形状一次。

场景

  • 亮到夜。 球体将一个 NightBackdrop 面板拖过纸张。其前沿是一个倾斜的线(panelEdge/edgeX,倾斜缓动 0 → 14° → −6°),用于将夜晚层剪裁为多边形。
  • 回到纸。 在一个强节拍上切回。
  • 相机推近。 每个场景 3-6 %,但绝不在有放大镜的场景中使用。

焦点和揭示

  • 球到透镜。 lensRadius/Lens:球体膨胀成一个红色圆环(弹簧),填充玻璃,长出把手,并在一个灰色代码层上滑行,其余部分变暗。然后揭示的文字在玻璃内部弹出,并且它再闭合回球体(Easing.in(Easing.back(1.4)))。
  • 放大。 在玻璃内部,以 ZOOM(2.1)的缩放比例绘制同一图层,transform-origin 在透镜中心。如果基图层移动(相机推近),则放大后的副本会漂移不对齐。
  • 屏幕上显示代码。 它来自 code-lines.ts:该短片自身源代码的逐行复制,由一个测试保持同步,仅在透镜内部进行颜色高亮。

CTA 变形

  • 形状。 Morph 从三个弹簧构建一个圆角矩形:宽度 sW、高度 sH(较松,所以会 wobble)和卡片 sC。w = 60 + 840·sW + 20·sC,h = hPill + 430·sC,半径从药丸形状变为 52。
  • 序列。 球体 → 带有 CTA 文字滑入的药丸形状 → 抖动和闪光 → 卡片。卡片容纳 MessageCircle + "comment karo",然后一个 190 px 的斜体关键词从 1.7 缩放到 1 并伴有爆发,然后是发布行。
  • 结束。 Brand 锁定(标志、Anton 字体 wordmark、等宽标签),淡入夜晚,最后 0.4 秒静止。一个 @handle 水印在全过程中位于左上角。

声音(pipeline/synth.py、pipeline/audio.py)

S.Bus(seconds) 是一个立体声时间线:

  • add(clip, at, gain_db, pan) 放置一个片段。
  • mix(other, db) 合并两个总线。
  • duck_under(key, depth_db) 在另一个总线下面做侧链闪避。
  • fade_out(start, end) 和 peak()。

每次从节拍 JSON 读取。规则:每个视觉节拍都有一个声音,快速移动有空气声。给每个“whoosh”设置自己的 seed,并将小声音的声像设置为 ±0.15-0.7。

视觉声音增益 dB
快速经过或飞翔whoosh(dur, lo, hi, peak, seed),在其移动最快时达到峰值,声像随方向移动−11 到 −16
经过极端点、UI 滴答声tick(freq, dur)−24
切割、弦子啪声snap() + riser(dur) 进入下一个打击−13 / −17
大冲击(墙壁、关键词)impact()−9 / −10
着陆thud(150, 50, 0.4) + pop(900+80·i, 300),随每次着陆升高−8 / −13
亮起、完成ting(Hz):1318.5、1568、1760、2093、2637−13 到 −15
膨胀、拉伸、变形boing(f0, f1, dur)−10 到 −14
揭示、闪烁、闪光shimmer(base, gap)−13 到 −22
缩小、关闭zip_down()−14
抖动rattle()−13

音乐 速度为 120 BPM,A 小调 Am F C G,2 秒一个小节(一个 1.5 秒的摆动 = 3 个节拍,因此运动和音乐锁定)。

  • 每个小节一个 pad,在观众阅读或观看时更安静和更暗。
  • 一个 pluck Karplus-Strong 琶音在八分音符上,高两个八度。
  • kick 在运动重音上以及在构建中的四拍底鼓。
  • hat 和 sub 仅在夜间场景中。
  • 在 wordmark 下的最后一个 pad。

语音

  • AI 语音: Edge TTS 7.3.1,hi-IN-MadhurNeural 在 +8 %(hi-IN-SwaraNeural 是女性选项)。它在 build/voice/ 中缓存,并且只发送脚本文本。
  • 自己的声音: voiceover(mode="auto") 优先使用录音机的录音(audio/voice-take.json),然后是 audio/my-voice.*(由 pipeline/ownvoice.py 在停顿处剪切的一个录音),最后是 AI 语音。--voice ai|own 强制指定一个。
  • 行: 每行 2-6 个单词,并在其节拍上开始。测量每个片段:它必须在下一个行开始前 ≥ 0.05 秒结束,并且最后一行在 fadeOut 之前。如果不行,缩短单词。高通 80 Hz,……

相关技能