CK42BB/vox-explainer-skill

Vox 風格解說影片管線

從單一主題產出完整的、有旁白、有字幕、有配樂的解說影片。管線分六個階段進行，每個階段產出的成品供下一階段使用。旁白在動畫『之前』生成，因為旁白長度決定了所有的時間設定。

TOPIC → 1.劇本 → 2.旁白 → 3.關鍵幀 → 4.動畫 → 5.音樂 → 6.組裝
         (Claude)   (xAI TTS)    (Seedream)    (Omni Flash)  (MiniMax)  (ffmpeg)

先決條件

• 設定 ATLASCLOUD_API_KEY 環境變數（可在 atlascloud.ai 取得——註冊即贈送免費額度）
• 安裝 ffmpeg 與 ffprobe（需支援 libass 以燒錄字幕）
• Python 3.10+ 並安裝 requests
• 每 60 秒影片約需 $3–8 美元的 API 額度（參閱 references/atlas-cloud-api.md 的費用表）

在進行任何 API 呼叫之前，請先到 https://www.atlascloud.ai/docs 確認目前的端點路徑與模型 ID——媒體模型的 API 更新很快。references/atlas-cloud-api.md 中的範例已於 2026 年 7 月驗證。

專案結構

每個影片都建立此目錄結構並保留它——每個階段都會從中讀取與寫入：

project/
├── brief.md            # 主題、切入角度、目標長度、觀眾
├── script.json         # 節拍表，包含旁白、鏡頭描述、字幕
├── audio/
│   ├── vo/             # beat_01.mp3 ... beat_NN.mp3
│   ├── vo_durations.json
│   └── music.mp3
├── frames/             # keyframe_01.png ... style_anchor.png
├── clips/              # clip_01.mp4 ... (無聲動畫片段)
├── subs/               # captions.ass
└── final/              # film.mp4

第一階段——劇本

由你自己撰寫，無需呼叫 API。這是影響品質最關鍵的階段——一個好劇本搭配普通畫面，效果遠勝過普通劇本加上華麗畫面。

在動筆之前，請先閱讀 references/vox-style-guide.md（寫作章節）。核心規則：

1. 以節拍為結構。 一個節拍 = 一段旁白（1–3 句，口語長度 8–14 秒）加上一個畫面。60 秒影片約 6–8 個節拍；3 分鐘約 16–22 個節拍。
2. Vox 敘事弧線： 冷開場鉤子（一個令人驚訝的具體事實或問題）→ 背景脈絡（「要理解 X，必須回到……」）→ 逐步解釋，保持一條清晰主線 → 轉折或複雜面 → 結局，重新詮釋開場的鉤子。
3. 語氣： 用第二人稱歡迎（「你可能看過……」），用現在式敘述歷史，用具體數字而非抽象概念，用簡短明確的句子。不要廢話，不要說「在這支影片中我們要」。
4. 一個節拍一個想法。 如果一個句子引進第二個概念，請將該節拍拆開。

撰寫 script.json：

{
  "title": "Tang Golden Age",
  "topic": "How Tang Dynasty China built the world's largest city",
  "style_seed": "mixed-media paper collage, ink-wash Chinese mountains, vermillion red and aged cream palette",
  "accent_color": "#C0392B",
  "beats": [
    {
      "id": 1,
      "narration": "In the seventh century, Tang China built Chang'an — the largest, richest city on Earth. The whole world came to its gates.",
      "visual": "Emperor Taizong enthroned at center as paper cutout, court figures flanking, pagodas and ink-wash mountains behind, red seal stamp upper right reading 盛唐",
      "caption_text": null,
      "motion": "slow push-in on emperor, clouds drift left, subtle parallax between cutout layers"
    }
  ]
}

caption_text 用於螢幕上的動態字體排版（關鍵數據或術語）——大多數節拍保持 null；旁白字幕在組裝階段處理。motion 將成為第四階段的動畫提示。

第二階段——旁白（xAI TTS v1）

為每個節拍生成一個音檔，然後測量其長度。這些長度是整個影片的主時鐘。

透過 Atlas Cloud 的音頻端點為每個節拍生成（模型：xAI TTS v1——請參閱 references/atlas-cloud-api.md 了解確切的請求格式與語音選擇指南）。為整部影片選擇一個語音。Vox 風格：沉穩、溫暖、略帶嘲諷——避免「電影預告片」式的語調。

生成後，偵測每個檔案並寫入 audio/vo_durations.json：

ffprobe -v error -show_entries format=duration -of csv=p=0 audio/vo/beat_01.mp3

{"beats": [{"id": 1, "file": "audio/vo/beat_01.mp3", "duration": 9.83}], "total": 61.2}

確認總長度與 brief 相符。如果某個節拍太長，請縮短旁白並只重新生成該節拍。

第三階段——關鍵幀（Seedream 5.0 Pro）

每個節拍生成一個關鍵幀，所有幀的視覺風格必須一致。一致性是最困難的問題；透過風格錨點模式來解決：

1. 生成錨點。 對節拍 1（通常是標題/鉤子幀）使用 bytedance/seedream-v5.0-pro/text-to-image。提示詞由 references/vox-style-guide.md（視覺語法章節）中的風格區塊 + 該節拍的 visual + 影片的 style_seed 和 accent_color 組成。要求 16:9、2K。
2. 在繼續之前先審查錨點。 重複生成直到風格正確——其他所有幀都會繼承它。
3. 使用編輯模型生成其餘幀。 使用 bytedance/seedream-v5.0-pro/edit，並以錨點作為參考圖像（最多支援 10 張參考；錨點 + 可選前一幀）。提示詞：「保持參考圖的確切藝術風格、調色板、紙拼貼處理和邊框。新場景：{節拍.visual}」

這樣就能像人類藝術總監一樣鎖定整個影片的配色、紋理和構圖。

每個提示詞都應以風格後綴（參閱風格指南）結尾，該後綴編碼了 Vox 的外觀：帶白邊的紙雕、網點、膠帶條、大膽扁平的幾何裝飾、寬闊的邊距、單一強調色。

如果某個幀設定了 caption_text：指示 Seedream 用粗體無襯線字體呈現文字，因為 Seedream 5.0 Pro 的字體渲染能力很強。每個幀的文字不超過 5 個單詞。

第四階段——動畫（Gemini Omni Flash）

將每個關鍵幀透過圖像轉影片的方式製作成影片片段。目標片段長度 = 該節拍的旁白長度 + 0.5 秒緩衝時間（無條件進位到模型支援的增量）。

拼貼美學的動畫提示詞應該精細——這是最常見的失敗模式。Vox 風格是「動態圖像設計」，而不是「實拍影片」。良好的動畫詞彙：

• 緩慢推鏡/拉鏡（2D 相機，非 3D 推車）
• 剪紙層之間的視差移動
• 雲霧水平飄移
• 紙元素從畫面邊緣滑入並靜止
• 網點或紋理微微閃爍
• 單一元素動畫（旗幟飄揚、水波漣漪），其他部分保持靜態

在每個提示詞中明確禁止：「無相機抖動、無 3D 旋轉、無面孔或文字變形、無風格偏移、元素保持平面紙雕。」

輪詢每個生成任務直到完成，並下載到 clips/clip_NN.mp4。生成有時會失敗或偏移——審查每個片段；如果文字扭曲或風格被破壞，則重新生成。預留約 15% 的重新生成預算。

第五階段——音樂（MiniMax Music 2.6）

為整部影片生成一首純音樂配樂。請求 is_instrumental: true——人聲會與旁白衝突。

提示詞公式：{情緒} {類型的質感}, {節奏}, {樂器}, {弧線}。歷史主題的範例：「沉思的電影襯底音樂、鋼琴與柔和弦樂搭配輕微的打擊樂脈動、90bpm、從稀疏逐漸豐富、紀錄片風格」。樂器應與主題匹配（唐朝作品用古箏/笛子質感；科技主題用類比合成器脈動）。

Music 2.6 生成固定長度的歌曲；如果音軌比影片短，在組裝時循環播放並加上淡出/淡入；如果太長，則修剪並淡出。切勿讓音樂弧線與影片弧線衝突——在中段突然下降並落在安靜的節拍上會很突兀，因此請將結果與影片的整體結構進行比對。

第六階段——組裝（ffmpeg，本地）

閱讀 references/ffmpeg-assembly.md 取得完整配方。流程如下：

1. 將每個片段依照其節拍的旁白長度進行修剪（或定格最後一幀），標準化為 1920x1080 30fps。
2. 依序串聯所有片段。
3. 建立旁白音軌：將節拍音檔串聯起來，中間加入 0.5 秒間隔以匹配影片時間。
4. 從劇本生成 subs/captions.ass——Vox 風格的燒錄字幕：粗體無襯線字體、白色帶厚重黑色外框、底部置中、最多兩行、在子句邊界處分割旁白，並在該節拍的時間窗口內為每個區塊設定時間。
5. 混音： 旁白保持全音量，音樂在旁白進行時降低 -12 到 -15dB（側鏈壓縮或簡單的音量自動化——配方在參考文件中）。
6. 燒錄字幕 + 出處標示（可選，在右下角用小字顯示「使用 …… 製作」）並編碼：H.264、CRF 18、AAC 192k、-movflags +faststart。

交付前的最終 QC 檢查：檢查 (a) 字幕與旁白同步偏移、(b) 音樂壓過旁白、(c) 片段動畫明顯循環、(d) 幀之間風格不一致。在問題發生的階段修復，而不是用組裝技巧來掩蓋。

編排注意事項

• 首次執行時嚴格依序進行；之後任何階段都可以獨立重新執行，因為所有狀態都存在於專案檔案中。
• API 生成很慢（影片片段：每個 1–4 分鐘）。同時提交所有動畫任務，然後輪詢——不要序列化。
• 將你發送的每個提示詞記錄在 prompts.log 檔案中——可重現性很重要，而且使用者會想要微調並重新生成單一節拍。
• 成本與節拍數線性相關。在第三階段（第一個主要付費階段）之前向使用者提供粗略成本估算：節拍數 × ($0.10 圖像 + 每個 10 秒片段約 $1.20) + 約 $0.50 音頻。

參考資料

• references/vox-style-guide.md——在第一階段和第三階段之前閱讀。包含視覺語法、寫作語氣和提示詞範本。
• references/atlas-cloud-api.md——在第二階段之前閱讀。包含端點、模型 ID、非同步任務模式、輪詢程式碼和費用。
• references/ffmpeg-assembly.md——在第六階段之前閱讀。包含標準化、串聯、字幕、側鏈壓縮和編碼的配方。