Communitygithub.com

script-to-video · 文稿 → 竖版科普短视频

将任何文稿(工程纪实、报告、论文、说明书、科普资料)自动生成为 3:4 竖版科普/宣传短视频(1080×1440,60–150 秒)。纯代码渲染,无需剪辑软件或 AI 视频 API,全程本地零成本,逐帧可复现。

script-to-video · 文稿 → 竖版科普短视频 是什麼?

這個技能能將任何文字稿(如工程紀錄、報告、論文、說明書、科普資料)自動轉換為一條 3:4 豎版科普或宣傳短影片(解析度 1080×1440,長度 60–150 秒)。整個過程完全依賴程式碼進行:先產生含有確定性時間軸的單一 HTML 檔案,再透過 Playwright 逐幀截圖,最後用 ffmpeg 編碼合成影片。這項技能的核心優勢在於其「確定性時間軸」設計——動畫是純函數 `setTime(t)`,同一時刻永遠渲染同一畫面,這使得任意跳幀審計、多進程分段截圖、循環可驗證以及修改單一常量即可調整全片速度成為可能。此外,技能遵循「先配音、量時長、再排場景」的音畫同步策略,確保天然對齊。它適用於:已有文稿需要製作成影片、數據敘事或知識科普短影片、需要批次、可審計、可重現的影片生產,以及任何程式能力強的 LLM 直接執行生產。支援的平台包括 Claude Code、Cursor、Codex 等 AI 代理環境,依賴 Python 3.10+、Playwright、ffmpeg 等本地工具。

相容平台~Claude Code~Codex CLI~Cursor
npx skills add chrislitality-svg/script-to-video

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

script-to-video · 文稿 → 豎版科普短影片

三條總綱,所有決策回到它們:

  1. 確定性時間軸:動畫是純函數 setTime(t)——同一時刻永遠渲染同一畫面。這帶來 任意跳幀審計、多進程分段截圖、循環可證明、改一個常量全片變速。
  2. 配音實測時長驅動時間軸:先配音、量出每句時長,再排場景邊界——音畫天然同步, 不需要 ASR 對齊。
  3. 用戶的眼睛不該是第一道質檢:程序化審計(越界/重疊)歸零是截圖的前置條件, 關鍵幀目檢是美觀的最後一道門。

流程(九步,任何一步不過關就退回上游)

文稿 ─▶ ① 數據憲法 ─▶ ② 文案+字幕分塊 ─▶ ③ 配音(實測時長)
     ─▶ ④ 時間軸 sync ─▶ ⑤ 動畫 anim.html ─▶ ⑥ 雙審計歸零 + 關鍵幀目檢
     ─▶ ⑦ 配樂 + 混音 + 母帶 ─▶ ⑧ 逐幀截圖 → 編碼 → 合成 ─▶ ⑨ 七項校驗 → 交付

① 數據憲法

通讀文稿,把所有要進片子的數字/事實/人名固化成一張清單(寫進 shots/facts.md)。 之後任何畫面、文案、字幕只能引用清單,禁止臨場發揮。

  • 可驗證的數字放大,不可驗證的細節留白(寧可信息少,不可信息假)。
  • 每個數字只講一次,放在情緒峰值。
  • 數字必須"有事發生"地出現:配繪製生長、同步計數、砸落。

② 文案與字幕分塊

寫口播稿(shots/vo_lines.json):一句一行,每句 4–12 秒,全片 8–16 句。

  • 開場 5 秒決定完播:錢/衝突/懸念三選一壓進第一句(如"如果給你 X,去修一條路——敢接嗎?")。
  • 結構參考:鉤子 → 難題 → 否決 → 解法 → 檢驗 → 結算 → 人物 → 收尾(可裁剪)。
  • 每句手動指定字幕分塊("cues": [...],單塊 ≤18 字),比機械按標點切更穩。

③ 配音

python templates/vo_tts.py(預設 edge-tts,免費;本地有 GPU 時可換音色克隆模型, 見 references/audio.md)。每句輸出 wav + 實測時長 audio/vo/vo_dur.json。

  • 中文數字年份逐字轉寫(2022 → 二零二二);小數點轉"點"。
  • TTS 偶發空響應:腳本須重試 + 斷點續跑。

④ 時間軸同步

python templates/sync.py:場景時長 = 0.25s 提前量 + 句長 + 尾部呼吸(0.5–1.9s), 自動把 TL(時間軸)、CUES(字幕)寫回 anim.html,並生成 shots/timeline.json 供混音用。 換配音後必須重跑,且按新舊時長比例縮放場景內 VO 對齊的動作時刻。

⑤ 動畫

複製 templates/anim.html 改場景。骨架已含:藍圖風設計系統、工具函數、審計器、 掃描線轉場、字幕層、3 個示例場景。核心模式:

  • 每場景 defscene(id, cam=>{...; return (t,d)=>{...}}),render 是純函數。
  • 兩層運動:主動作(畫線/砸落)+ 持續層(虛線行進/漂浮/脈衝)。
  • 攝影機永遠有 1.4%–3% 緩推——畫面不是靜幀。
  • "先出後進":舊元素完全退場再進新元素,杜絕交叉疊加。
  • 視覺規範與動效語言:讀 references/design-system.md 和 references/motion.md。

⑥ 審計 + 目檢(品質門,不可跳過)

瀏覽器裡跑 auditText()(文字越界)與 auditOverlap()(元素重疊),歸零才能截圖。 審計器抓不到"醜":每場景選內容峰值幀截圖目檢(文字裁切/構圖空洞/風格跑色/圖形形狀), 硬傷立即修。設計意圖性重疊給元素加 data-okov="1" 豁免。

⑦ 聲音

python templates/music.py 程序合成輕快配樂(零版權風險);或用自備曲目(注意版權)。 python templates/mix.py:VO 按 RMS 歸一 → 配樂 ducking(人聲附近壓低)→ 音效只留重音(每場景 ≤2 個 thud,拒絕 whoosh 鋪底——音效是標點不是背景)→ 自寫峰值包絡限幅 → ffmpeg loudnorm 兩遍到 -14 LUFS / TP -1.5。

⑧ 渲染

python templates/shoot.py 0 <dur> a --html anim.html   # ×N 段並行
python templates/render.py                              # 編碼→末幀校驗→拼接→合成

Playwright 逐幀截圖(device_scale_factor=2,JPEG q93)→ 分段 x264 crf19 → 逐段末幀 vs 源圖校驗(RMS<8,抓無報錯壞段) → concat → 音畫合成 (pan 顯式複製為立體聲、+faststart)。

⑨ 七項校驗

python templates/check.py:無縫循環(首末幀 RMS<5)· 音軌存在 · 字幕可見性 · 風格色序(每幀 B>G>R 防跑色)· 空白幀 · 體積/時長 · faststart。全 PASS 才交付。 交付物:成片 mp4 + srt 字幕 + 發布文案(標題≤15字/一句話簡介/標籤)。

環境

python 3.10+,pip install playwright numpy soundfile pillow edge-tts
playwright install chromium
ffmpeg(PATH 中可用)

目錄約定(每個工程項目)

<project>/
├── shots/vo_lines.json    # 文案+字幕分塊(唯一的內容源)
├── shots/facts.md         # 數據憲法
├── shots/timeline.json    # sync.py 生成,供混音
├── tools/web/anim.html    # 動畫(從 templates/anim.html 複製改造)
├── audio/vo|music|mix/    # 聲音
└── out/                   # 幀、分段、成片

紅線

  • 不編造:數據、人名、事件必須有來源;[待核實] 不清零不進配音。
  • 紅色只表達"判定"語義(淘汰/驗收章),絕不做裝飾。
  • 引用外部音樂先確認授權;預設用程序合成配樂。
  • 涉及真實人物/企業後綴名與數字,交付前逐項核對數據憲法。

參考

文件內容
references/design-system.md視覺系統:色彩紀律、字號三級、圖簽、製圖語法
references/motion.md動效語言清單:何時用哪種動效、參數
references/audio.md聲音管線:TTS 選型、混音公式、母帶目標
references/pitfalls.md踩坑清單(按代價排序,出問題先查這裡)
templates/可直接運行的骨架與管線腳本

相關技能