zerocrew-ai/faceless-video-skill

faceless-video

你就是整个团队：研究员、编剧、美术指导、旁白、动画师、剪辑师和质量检查员。用户提供一个主题，你交出一个渲染好的 MP4。在由 template/ 创建的项目文件夹中工作，并将所有中间文件保留在其中，这样用户就可以提出修改要求，你在几分钟内重新渲染。

阅读 references/pipeline.md 了解步骤细节，references/scenes.md 了解影片格式，references/style.md 了解外观，references/qa.md 了解审查要求。以下就是工作的顺序。

0. 设置（仅首次运行，约2分钟）

检查并在一份简短的列表中报告，对任何缺失项给出确切修复方法：

• Node 22+ (node -v)，ffmpeg (ffmpeg -version)，Claude Code（你就在其中）。
• 旁白：设置了 ELEVENLABS_API_KEY → 使用高级语音；否则使用免费的本地语音：pip install kokoro-onnx soundfile（如果存在多个 Python，则设置 HYPERFRAMES_PYTHON=<那个 python>）。
• 字幕：npx --yes [email protected] models install parakeet（一次性，约640 MB）。
• 图片：codex CLI 已登录 → 为用户生成图片；否则你编写提示词，用户将图片放入。 路径：下面的 $SKILL 表示该技能自己的文件夹（即此 SKILL.md 所在的文件夹；当技能加载时，Claude Code 会将其显示为技能的基础目录）。创建项目：将 $SKILL/template/ 复制到用户工作文件夹下的 videos/<slug>/ 目录中（slug 来自主题）。以下所有命令都在该项目文件夹内运行；在 Windows 上，在 Git Bash 中运行，或者将 $SKILL 替换为带引号的完整路径。

1. 简报（最多问一次）

主题。如果没有给出：观众（谁看）、时长（默认45秒）、一种强调色（默认橙色 #ec5626）、可选的行动号召（“评论 WORD 来…”）。然后停止提问，制作影片；结束时提供修改建议。

2. 调研与脚本 → script.md

• 3–5个来源（网络搜索）；保留你使用的事实及其来源。
• 结构：钩子（前3秒说明收益），3–5个节拍，一行结尾或CTA。每个单词 ≤ 2.6词/秒（45秒≈115词）。短句；每个句子都要说出一个可以放在桌上的东西。
• 将旁白以纯文本形式写入 vo.txt（无标题，无舞台指示）。向用户展示脚本；在自主模式下继续。

3. 分镜头列表 → shots.md

对于每个节拍：桌面上的一个站点——放置了什么（卡片、印刷品、剪纸、页面、便条），画了什么（记号笔、手写），每个东西在哪个词上移动。标记概览节拍和CTA（印章）。然后是图片列表：对于每个剪纸或印刷品，一个提示词（references/pipeline.md 中有提示词模式）→ images.md。

4. 图片 → assets/img/

• 使用 codex：每个图片执行一次 node "$SKILL/scripts/imagegen.mjs" assets/img/<名称>_raw.png "<提示词>"。
• 不使用 codex：向用户提供 images.md 并等待文件。
• 剪纸在纯品红色背景 (#FF00FF) 上生成并进行键控：node "$SKILL/scripts/cutout.mjs" assets/img/<名称>_raw.png assets/img/<名称>.png（ffmpeg 色度键；其他背景回退到本地 AI 移除器，该移除器专为人设计，可能会吃掉物体的一部分——在有色背景上检查每个剪纸）。印刷品保留其背景：将 <名称>_raw.png 复制为 <名称>.png。scenes.js 仅引用非 _raw 的文件。
• 查看每张图片（读取文件）。错误的物体、图片中的文字、奇怪的形状 → 重新生成；永远不要交付有问题的图片。

5. 旁白与单词时间

node "$SKILL/scripts/tts.mjs" vo.txt . → assets/audio/voice.wav。 npx --yes [email protected] transcribe assets/audio/voice.wav --json > transcript.json，然后 node "$SKILL/scripts/words.mjs" transcript.json . → words.js。阅读打印出的单词：在 words.fix.json 中修复听错的品牌名称或数字（{"听到的": "正确的"}），然后重新运行。影片时长 = 最后一个单词结束 + 1.5 秒。

6. 影片 → scenes.js

根据分镜头列表编写 window.FILM（格式：references/scenes.md），每个 at 对应 words.js 中的单词。使其看起来经过设计而非生成的规则：每次只移动一个东西（间隔≥0.3秒），每个站点停留2–5秒，站点在二维平面上排列，使用一种强调色，帧顶部220像素 / 右侧150像素 / 底部420像素内不放重要内容，相机飞入在下一个句子开始前约0.9秒启动，以CTA印章或整个桌面的宽幅概览结束。

7. 构建与查看

node "$SKILL/scripts/apply.mjs" . → npx --yes [email protected] lint（0 错误）→ npx --yes [email protected] snapshot --at <每个节拍一个时间点> 并读取帧。修复重叠、裁剪的文字、空白帧、超出帧范围的元素。重复直到每个节拍都可读。

8. 声音

可选：assets/audio/music.mp3（任何免版税曲目）和 assets/sfx/{whoosh,thud,marker,stamp,pop,slide}.wav（名称决定它们的位置：whoosh 用于每次相机飞入，thud 用于卡片落下，marker 用于绘制，stamp 用于盖章）。如果当前会话中 Epidemic Sound MCP 工具可用，请使用它们：搜索“airy whoosh short”、“paper card drop thud”、“marker pen stroke”、“rubber stamp”、“woody click”、“paper slide”，各自下载一个作为上述文件，以及一个平静的器乐背景（lo-fi / 柔和节拍，无人声）作为 music.wav；使用 ffmpeg 将每个音效剪辑为单个敲击音。然后 node "$SKILL/scripts/mix.mjs" . → assets/audio/mix.wav（旁白 + 闪避音乐 + 拟音，-14 LUFS）。即使没有音乐或音效也运行——引擎会播放 mix.wav。 在影片计时后重新录制了旁白？ node "$SKILL/scripts/retime.mjs" words_old.js words.js . 将 scenes.js 中的每个时间点移动到新的录音。

9. 渲染

npx --yes [email protected] render -o renders/<slug>_v1.mp4（1080×1920，30 fps）。然后 node "$SKILL/scripts/sheet.mjs" renders/<slug>_v1.mp4 并读取联系表。

10. 审查（二次检查）与交付

对照 references/qa.md 审查联系表，就像你没有制作这部影片一样——如果子代理可用，让其中一个盲审。修复每个发现的问题，重新渲染为 v2，绝不交付已知缺陷。交付：MP4、一份5行摘要（主题、时长、来源、用户可以更改的内容），以及提议“告诉我需要修改什么，我会重新渲染”——每条备注都是一次 scenes.js/脚本编辑和2分钟的渲染。