chrislitality-svg/script-to-video

script-to-video · 文稿 → 竖版科普短视频

三条总纲，所有决策回到它们：

1. 确定性时间轴：动画是纯函数 setTime(t)——同一时刻永远渲染同一画面。这带来 任意跳帧审计、多进程分段截图、循环可证明、改一个常量全片变速。
2. 配音实测时长驱动时间轴：先配音、量出每句时长，再排场景边界——音画天然同步， 不需要 ASR 对齐。
3. 用户的眼睛不该是第一道质检：程序化审计（越界/重叠）归零是截图的前置条件， 关键帧目检是美观的最后一道门。

流程（九步，任何一步不过关就退回上游）

文稿 ─▶ ① 数据宪法 ─▶ ② 文案+字幕分块 ─▶ ③ 配音（实测时长）
     ─▶ ④ 时间轴 sync ─▶ ⑤ 动画 anim.html ─▶ ⑥ 双审计归零 + 关键帧目检
     ─▶ ⑦ 配乐 + 混音 + 母带 ─▶ ⑧ 逐帧截图 → 编码 → 合成 ─▶ ⑨ 七项校验 → 交付

① 数据宪法

通读文稿，把所有要进片子的数字/事实/人名固化成一张清单（写进 shots/facts.md）。 之后任何画面、文案、字幕只能引用清单，禁止临场发挥。

• 可验证的数字放大，不可验证的细节留白（宁可信息少，不可信息假）。
• 每个数字只讲一次，放在情绪峰值。
• 数字必须"有事发生"地出现：配绘制生长、同步计数、砸落。

② 文案与字幕分块

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

• 开场 5 秒决定完播：钱/冲突/悬念三选一压进第一句（如"如果给你 X，去修一条路——敢接吗？"）。
• 结构参考：钩子 → 难题 → 否决 → 解法 → 检验 → 结算 → 人物 → 收尾（可裁剪）。
• 每句手动指定字幕分块（"cues": [...]，单块 ≤18 字），比机械按标点切更稳。

③ 配音

python templates/vo_tts.py（默认 edge-tts，免费；本地有 GPU 时可换音色克隆模型， 见 references/audio.md）。每句输出 wav + 实测时长 audio/vo/vo_dur.json。

• 中文数字年份逐字转写（2022 → 二零二二）；小数点转"点"。
• TTS 偶发空响应：脚本须重试 + 断点续跑。

④ 时间轴同步

python templates/sync.py：场景时长 = 0.25s 提前量 + 句长 + 尾部呼吸（0.5–1.9s）， 自动把 TL（时间轴）、CUES（字幕）写回 anim.html，并生成 shots/timeline.json 供混音用。 换配音后必须重跑，且按新旧时长比例缩放场景内 VO 对齐的动作时刻。

⑤ 动画

复制 templates/anim.html 改场景。骨架已含：蓝图风设计系统、工具函数、审计器、 扫描线转场、字幕层、3 个示例场景。核心模式：

• 每场景 defscene(id, cam=>{...; return (t,d)=>{...}})，render 是纯函数。
• 两层运动：主动作（画线/砸落）+ 持续层（虚线行进/漂浮/脉冲）。
• 摄像机永远有 1.4%–3% 缓推——画面不是静帧。
• "先出后进"：旧元素完全退场再进新元素，杜绝交叉叠加。
• 视觉规范与动效语言：读 references/design-system.md 和 references/motion.md。

⑥ 审计 + 目检（质量门，不可跳过）

浏览器里跑 auditText()（文字越界）与 auditOverlap()（元素重叠），归零才能截图。 审计器抓不到"丑"：每场景选内容峰值帧截图目检（文字裁切/构图空洞/风格跑色/图形形状）， 硬伤立即修。设计意图性重叠给元素加 data-okov="1" 豁免。

⑦ 声音

python templates/music.py 程序合成轻快配乐（零版权风险）；或用自备曲目（注意版权）。 python templates/mix.py：VO 按 RMS 归一 → 配乐 ducking（人声附近压低）→ 音效只留重音（每场景 ≤2 个 thud，拒绝 whoosh 铺底——音效是标点不是背景）→ 自写峰值包络限幅 → ffmpeg loudnorm 两遍到 -14 LUFS / TP -1.5。

⑧ 渲染

python templates/shoot.py 0 <dur> a --html anim.html   # ×N 段并行
python templates/render.py                              # 编码→末帧校验→拼接→合成

Playwright 逐帧截图（device_scale_factor=2，JPEG q93）→ 分段 x264 crf19 → 逐段末帧 vs 源图校验（RMS<8，抓无报错坏段） → concat → 音画合成 （pan 显式复制为立体声、+faststart）。

⑨ 七项校验

python templates/check.py：无缝循环（首末帧 RMS<5）· 音轨存在 · 字幕可见性 · 风格色序（每帧 B>G>R 防跑色）· 空白帧 · 体积/时长 · faststart。全 PASS 才交付。 交付物：成片 mp4 + srt 字幕 + 发布文案（标题≤15字/一句话简介/标签）。

环境

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

目录约定（每个工程项目）

<project>/
├── shots/vo_lines.json    # 文案+字幕分块（唯一的内容源）
├── shots/facts.md         # 数据宪法
├── shots/timeline.json    # sync.py 生成，供混音
├── tools/web/anim.html    # 动画（从 templates/anim.html 复制改造）
├── audio/vo|music|mix/    # 声音
└── out/                   # 帧、分段、成片

红线

• 不编造：数据、人名、事件必须有来源；[待核实] 不清零不进配音。
• 红色只表达"判定"语义（淘汰/验收章），绝不做装饰。
• 引用外部音乐先确认授权；默认用程序合成配乐。
• 涉及真实人物/企业后缀名与数字，交付前逐项核对数据宪法。

参考

文件	内容
references/design-system.md	视觉系统：色彩纪律、字号三级、图签、制图语法
references/motion.md	动效语言清单：何时用哪种动效、参数
references/audio.md	声音管线：TTS 选型、混音公式、母带目标
references/pitfalls.md	踩坑清单（按代价排序，出问题先查这里）
templates/	可直接运行的骨架与管线脚本