HyperFrames 媒體前置處理
三個 CLI 指令,用於產生組合的資產:tts (語音)、transcribe (時間戳) 和 remove-background (透明影片)。每個指令會在首次執行時下載模型並快取在 ~/.cache/hyperframes/ 下。將輸出放入專案中,然後從組合 HTML 中引用它 — 請參閱 hyperframes 技能以了解音訊/影片元素的慣例。
文字轉語音 (tts)
使用 Kokoro-82M 在本地生成語音音訊。無需 API 金鑰。
npx hyperframes tts "Text here" --voice af_nova --output narration.wav
npx hyperframes tts script.txt --voice bf_emma --output narration.wav
npx hyperframes tts --list # 全部 54 種語音
語音選擇
將語音與內容匹配。預設為 af_heart。
| 內容類型 | 語音 | 原因 |
|---|---|---|
| 產品展示 | af_heart/af_nova | 溫暖、專業 |
| 教學 / 操作指南 | am_adam/bf_emma | 中性、易於理解 |
| 行銷 / 宣傳 | af_sky/am_michael | 充滿活力或權威 |
| 文件 | bf_emma/bm_george | 清晰的英國英語,正式 |
| 休閒 / 社群 | af_heart/af_sky | 平易近人、自然 |
多語言
語音 ID 以第一個字母編碼語言:a=美式英語,b=英式英語,e=西班牙語,f=法語,h=印地語,i=義大利語,j=日語,p=巴西葡萄牙語,z=中文。CLI 會根據前綴自動偵測音素化器語言環境 — 當語音與文字匹配時,無需 --lang。
npx hyperframes tts "La reunión empieza a las nueve" --voice ef_dora --output es.wav
npx hyperframes tts "今日はいい天気ですね" --voice jf_alpha --output ja.wav
僅在需要覆寫自動偵測 (風格化口音) 時使用 --lang。有效代碼:en-us、en-gb、es、fr-fr、hi、it、pt-br、ja、zh。非英文音素化需要系統範圍安裝 espeak-ng (brew install espeak-ng / apt-get install espeak-ng)。
速度
0.7-0.8— 教學、複雜內容、無障礙功能1.0— 自然語速 (預設)1.1-1.2— 介紹、轉場、節奏明快的內容1.5+— 很少合適;請仔細測試
長腳本
對於超過幾個段落的文字,請寫入 .txt 檔案並傳遞路徑。超過約 5 分鐘語音的輸入可能適合分段處理。
需求
Python 3.8+ 及 kokoro-onnx 和 soundfile (pip install kokoro-onnx soundfile)。首次使用時下載模型 (~311 MB + ~27 MB 語音,快取在 ~/.cache/hyperframes/tts/)。
轉錄 (transcribe)
產生具有逐字時間戳的標準化 transcript.json。
npx hyperframes transcribe audio.mp3
npx hyperframes transcribe video.mp4 --model small --language es
npx hyperframes transcribe subtitles.srt # 匯入現有的
npx hyperframes transcribe subtitles.vtt
npx hyperframes transcribe openai-response.json
語言規則 (不可協商)
除非使用者明確說明音訊是英文,否則永遠不要使用 .en 模型。 .en 模型 (small.en、medium.en) 會將非英文音訊翻譯成英文,而不是轉錄。這會默默地破壞原始語言。
- 語言已知且非英文 →
--model small --language <code>(無.en後綴) - 語言已知且為英文 →
--model small.en - 語言未知 →
--model small(無.en,無--language) — Whisper 會自動偵測
預設模型是 small,而不是 small.en。
模型大小
| 模型 | 大小 | 速度 | 使用時機 |
|---|---|---|---|
tiny | 75 MB | 最快 | 快速預覽、測試流程 |
base | 142 MB | 快 | 短片、清晰的音訊 |
small | 466 MB | 中等 | 預設 — 大多數內容 |
medium | 1.5 GB | 慢 | 重要內容、有雜音的音訊、音樂 |
large-v3 | 3.1 GB | 最慢 | 生產品質 |
包含人聲的音樂:至少從 medium 開始;產出的音軌通常需要手動匯入 SRT/VTT。有關字幕品質檢查 (每次轉錄後強制執行)、清理 JS、重試規則以及 OpenAI/Groq API 匯入路徑,請參閱 hyperframes/references/transcript-guide.md。
輸出格式
組合使用一個扁平化的單詞物件陣列。id 欄位 (w0、w1、...) 在標準化過程中添加,用於在字幕覆寫中提供穩定的引用;為了向下相容,它是可選的。
[
{ "id": "w0", "text": "Hello", "start": 0.0, "end": 0.5 },
{ "id": "w1", "text": "world.", "start": 0.6, "end": 1.2 }
]
背景移除 (remove-background)
移除影片或影像的背景,使主體 (通常是人物 — 虛擬角色、講者、發言人) 在組合中作為透明疊加層。
npx hyperframes remove-background subject.mp4 -o transparent.webm # 預設:VP9 alpha WebM
npx hyperframes remove-background subject.mp4 -o transparent.mov # ProRes 4444 (編輯用)
npx hyperframes remove-background portrait.jpg -o cutout.png # 單張影像去背
npx hyperframes remove-background subject.mp4 -o subject.webm \
--background-output plate.webm # 一次處理兩個圖層
npx hyperframes remove-background subject.mp4 -o transparent.webm --device cpu
npx hyperframes remove-background --info # 偵測到的提供者
使用 u2net_human_seg (MIT 授權)。首次執行下載約 168 MB 的權重到 ~/.cache/hyperframes/background-removal/models/。
圖層分離 (--background-output)
傳遞 --background-output (或 -b) 以在去背圖像旁額外輸出一個透明影片:相同的來源 RGB,但 Alpha 是 255 − mask 而不是 mask。去背圖像是具有透明背景的主體;背景圖層是具有透明洞口的原始環境,該洞口即主體所在位置。
| 檔案 | Alpha 是… | 使用情境 |
|---|---|---|
-o subject.webm | 遮罩 — 主體不透明,背景透明 | 前景圖層,放置於最上層 |
--background-output plate.webm | 反向 — 周圍不透明,主體區域透明 | 底層;將文字或圖形放在此層與主體之間 |
兩個輸出共享相同的 --quality 預設,並在一次推論中產生 — 編碼成本大約翻倍,分割成本保持不變。僅對影片輸入和 .webm/.mov 輸出有效。
挖洞的背景圖層,而非修復的乾淨背景圖層。 plate.webm 中的主體區域是完全透明的 — 在其下方合成某個不透明物體來填充洞口。判斷 --background-output 是否為正確工具的唯一測試:在主體曾經所在的輪廓範圍內,是否會看到任何東西?
| 使用案例 | 正確工具 |
|---|---|
| 文字/圖形位於去背圖像和背景圖層之間 (此指令存在的原因) | 挖洞 (--background-output) |
| 將主體放到不相關的場景 | 僅使用 subject.webm;忽略背景圖層 |
| 單獨顯示移除人物後的房間,無其他內容 | 乾淨背景圖層 — 需要修復工具 (LaMa、ProPainter、E2FGVI)。此指令不支援。 |
| 用另一個主體替換主體 | 乾淨背景圖層 — 同上 |
如果使用者要求「移除人物後的房間」並打算單獨顯示它,不要使用 --background-output。告訴他們需要一個修復工具。
典型的圖層組合 (標準的挖洞使用案例):
<!-- z=1 反向 Alpha 的背景圖層填滿除了主體區域以外的所有空間 -->
<video
src="plate.webm"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<!-- z=2 圖形 / 文字位於兩個圖層之間 -->
<h1 id="headline" style="z-index:2; ...">用 HYPERFRAMES 打造</h1>
<!-- z=3 去背圖像將主體浮在標題之上 -->
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3">
<video
src="subject.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
這在功能上等同於下面文字在主體之後的模式,但你不需要在專案中保留原始的 presenter.mp4 — 背景圖層取代了它。當你想要只輸出兩個透明圖層,並讓使用者在它們之間放置任意內容時很有用。
輸出格式
| 格式 | 使用時機 |
|---|---|
.webm (VP9 + alpha) | 預設。組合透過 <video> 直接播放此格式。 |
.mov (ProRes 4444) | 在 DaVinci/Premiere/FCP 中編輯。檔案較大。 |
.png | 單張影像去背 (靜態主體,疊加在背景上)。 |
Chrome 原生解碼 VP9 alpha,因此 .webm 可以像任何其他靜音自動播放影片一樣插入組合中 — 請參閱 hyperframes 技能以了解 <video> 音軌慣例。
品質預設
--quality fast|balanced|best 僅控制 VP9 編碼器的 CRF — 分割品質是固定的。
| 預設 | CRF | 使用時機 |
|---|---|---|
fast | 30 | 迭代中、較小的檔案、寬鬆的顏色匹配 |
balanced | 18 | 預設。對大多數用途而言視覺上相同 |
best | 12 | 母版 / 最終交付。最大的檔案,最嚴格的匹配 |
合成模式 — 選擇正確的
去背的 webm 是來源 mp4 RGB 的重新編碼副本。這個選擇會根據你放在它後面的內容而產生不同的後果:
| 模式 | 去背圖像後面是什麼 | 結果 |
|---|---|---|
| 去背圖像在不同場景之上 (最常見) | 靜態影像、漸層或不相關的影片 | 看起來很棒。去背圖像的 RGB 是主體的唯一來源 — 沒有重疊,沒有邊緣光暈。這就是 remove-background 的設計目的。 |
| 去背圖像在其自己的來源 mp4 之上 (文字在主體之後) | 產生去背圖像的相同 mp4 | 同一個人有兩個 RGB 來源。在預設 --quality balanced (crf 18) 下,重疊幾乎不明顯;在 --quality fast (crf 30) 下,你會看到微弱的顏色偏移 / 邊緣光暈。對於母版,請使用 --quality best (crf 12)。 |
| 去背圖像在該人物的一個_不同_鏡次之上 | 相同主體的素材 | 看起來像兩個不同的人重疊。不要這樣做。 |
文字在主體之後 (標題在講者後面):
<video
src="presenter.mp4"
id="bg"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<h1 id="headline" style="z-index:2; ...">用 HYPERFRAMES 打造</h1>
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3;opacity:0">
<video
src="presenter.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
兩個關鍵規則:
- 將去背影片包裝在一個非計時的
<div>中,並動畫包裝器的不透明度,而不是影片元素本身。框架會強制讓作用中剪輯 (任何帶有data-start/data-duration屬性的元素) 的不透明度為 1,因此直接動畫影片的不透明度會被靜默覆寫。包裝器沒有data-*屬性,因此它由你的 CSS/GSAP 控制。 - 兩個影片都使用
data-start="0"和data-media-start="0",以便框架從 t=0 開始同步解碼它們。延遲掛載去背圖像 (data-start=3.3) 會引入搜尋和預熱,導致其幀與基礎 mp4 相差一幀 — 在切換時會看到一幀的錯位。
然後使用 GSAP 在切換點翻轉包裝器不透明度:tl.set(cutoutWrap, { opacity: 1 }, 3.3)。
TTS → 轉錄 → 字幕
當沒有預先錄製的旁白時,生成一個然後將其轉錄回來,以獲得字幕的逐字時間戳:
npx hyperframes tts script.txt --voice af_heart --output narration.wav
npx hyperframes transcribe narration.wav # → transcript.json
...
[為翻譯而截斷]