danbaruka/ai-video

ai-video 是做什麼的？

一部影片就是一個 video.json 檔案：包含語音要說的句子，以及針對每個強烈想法，從 16 種場景目錄中選出的一個場景。 scripts/make.mjs 腳本會處理所有其他事情。千萬不要手動撰寫 HTML、CSS 或動畫程式碼。唯一的例外是某個時刻值得一個自訂視覺效果（類型為 html）。

點子 ─► 腳本（句子） ─► video.json ─► make.mjs ─► 連絡表（審閱） ─► --rendu ─► MP4 + 封面 + 貼文文案

JSON 鍵名是法文（phrases、texte、scene、voix、marque……），場景類型也是如此（titre、chiffre、liste……）。請完全按照此技能中顯示的內容撰寫。語音說的文字可以是任何語言。

第一次製作影片之前（只需一次）

sh <skill>/scripts/install.sh      # 檢查 node ≥ 18、ffmpeg、python3；在 <skill>/.venv 中安裝 edge-tts

<skill> 是此檔案所在的資料夾。第一次執行會下載 HyperFrames（透過 npx）、GSAP 和標誌。之後所有內容都會被快取。

工作流程

1. 一句話的主題。 如果使用者沒有提供，建議 3 個主題並讓他們選擇。
2. 腳本。 閱讀 references/writing.md：有效的鉤子、結構、長度。
   • 目標是 9 到 14 個句子，以及 110 到 170 個單字。
   • 大約每秒 2.7 個字，句子間隔 0.35 秒：130 個字約為 50 秒。
3. 檔案。 在使用者的專案中撰寫 videos/<id>.json。格式如下，完整目錄在 references/scenes.md。將媒體檔案放在 videos/medias/。
4. 建構。 node <skill>/scripts/make.mjs videos/<id>.json 會產生語音、頁面、檢查和連絡表，但不進行渲染（約 1 分鐘）。
5. 審閱。 只開啟一張圖片：videos/rendus/<id>-planche.jpg。
   • 它會顯示第一幀，然後是每個場景結束時的畫面（在其所有元素都到達後），最後是片尾卡。
   • 修正 JSON 並再次執行命令。語音會被快取：只會重新製作有變更的句子。
6. 渲染。 加上 --rendu。45 秒的影片約需 1 分鐘。你會得到：
   • videos/rendus/<id>.mp4；
   • -couverture.jpg，即封面，也就是第一幀；
   • <id>.txt，包含標題、字幕、主題標籤和置頂留言。
7. 發布。 閱讀 references/publishing.md，了解依目標國家/地區的發布時間、發布節奏和字幕。未經使用者明確同意，切勿發布任何內容。

節省 token：重要的規則

這個技能很省錢，因為模型每部影片只需撰寫 60 到 120 行 JSON，而不是 250 到 400 行的 HTML 和動畫程式碼。在盲測中，一個全新的代理程式用大約 65,000 個 token（包含閱讀此技能的時間）就完成了一支 60 秒的影片。要保持這樣的效果：

• 不要開啟 make.mjs、lib/*.mjs、style.css 或產生的 index.html。場景目錄就足夠了。只有在命令失敗且錯誤訊息不足時才開啟程式碼。

• 只在對應的步驟閱讀參考文件：

  步驟	參考文件
  撰寫腳本	writing.md
  選擇場景	scenes.md
  語音、影片素材或螢幕截圖	modes.md
  發布	publishing.md

  不要在對話中重複閱讀已經讀過的參考文件。

• 只檢視一張連絡表，而不是螢幕截圖。 檢查影片時，只看一次 <id>-planche.jpg。不要每秒抓取一幀，也不要逐幀檢查 MP4。

• 相信檢查。 命令會執行 HyperFrames 檢查（溢出文字、隱藏文字、執行時期錯誤）並用幾行文字總結。

  • "aucun débordement, aucune erreur" 表示一切正常。
  • ✗ 行必須總是修正。
  • ⚠ 行值得閱讀：如果它影響文字則進行修正。

• 批次處理只需一個命令。 先撰寫好 N 個檔案。然後在背景執行 node make.mjs videos/a.json videos/b.json … --rendu，等待它完成，不要觀看其輸出。

• 原地編輯。 要修正某些東西時，只變更 JSON 中有問題的句子或場景。不要重寫整個檔案。

• 無需尋找素材。 標誌（logo:bitcoin、logo:metamask……）和 45 個圖示（icone:cle……）都已內建。只有在使用者要求時才在網路上搜尋圖片。

video.json 格式

{
  "id": "wallet-key",
  "titre": "Your crypto is not in your wallet",
  "langue": "en",
  "voix": { "nom": "en-US-AndrewMultilingualNeural", "debit": "+4%" },
  "marque": { "nom": "BDan", "visuel": "icone:etincelle" },
  "prononcer": { "USDT": "U S D T" },
  "phrases": [
    { "texte": "Your crypto is not in your *wallet*.",
      "scene": { "type": "titre", "lignes": ["Your crypto", "is not in", "your *wallet*"], "visuel": "icone:portefeuille" } },
    { "texte": "The key fits in *twelve words*.",
      "scene": { "type": "chiffre", "valeur": "12", "apres": "words", "au": "twelve", "couleur": "accent" } },
    { "texte": "It's called the recovery phrase." }
  ],
  "fin": { "texte": "I'm BDan.", "sous": "Let's talk new tech.", "audio": "medias/signature.wav" },
  "publication": { "titre": "…", "legende": "…", "hashtags": ["crypto"], "commentaire": "…" }
}

• phrases[].texte：語音要說的文字，逐字對應。

  • *word* 標記強調詞：它會以彩色斜體顯示，在說話時脈動，並且鏡頭會推進到該詞。
  • 每個句子最多使用一個。

• scene：開始一個新場景。

  • 沒有 scene 的句子會延續前一個場景，這會留下閱讀時間。
  • 在 filmed 模式中，沒有場景的句子會顯示臉部；在那裡，"scene": "suite" 會延續場景。

• au（「在」）：元素會在句子的那個詞出現，例如 "au": "Ledger"。

  • 沒有 au 時，元素會自行平均分佈：當元素數量與句子數量相同時，每個句子一個；否則以均等間隔出現。

• 視覺效果，無論場景使用何種："logo:binance"、"icone:cadenas"、"emoji:🔑"，或路徑如 "medias/screenshot.png"（.svg 檔案會被內嵌）。

• voix：語音。nom 是語音名稱，debit 是速度。fichier 指向你自己的錄音。

• langue：預設為 "fr"。英文設為 "en"，並搭配一個英文語音。

• marque：左下角的小品牌膠囊。nom 是品牌名稱，visuel 是其標誌。

• prononcer：發音形式。它們會改變語音說某個詞的方式，但絕不會改變螢幕上顯示的文字。

• fin：片尾卡，包含 marque 標誌、texte 和 sous（副標題）。

  • audio 會在卡片上播放錄製的結尾語音。
  • 沒有 audio 時，卡片會停留 2 秒，靜音。

• titre：檔案中影片的名稱。YouTube 標題則放在 publication 中。

• 可選項：

  鍵	效果
  musique	一個音樂檔案，在語音下方降低音量
  couleurs	顏色，例如 {"accent": "#2f6bff", "accent2": "#5fa3ff"}
  sons: false	轉場時沒有咻聲
  blanc	句子之間的靜音時間，預設為 0.35 秒
  pause	在某個句子之後額外的靜音
  sousTitres: false	不加字幕

• 句子 1 一定有一個場景。 第一幀是人們在動態消息中看到的封面，所以使用一個簡短、引人入勝的 titre。

16 種場景（參數和範例在 references/scenes.md 中）：

要展示…	類型
鉤子、一句有力話語	titre
一個數字（價格、紀錄、百分比）	chiffre
2 到 6 個要點、工具或提示	liste
一個 2 到 5 個步驟的方法	etapes
A 對比 B、前 / 後、迷思 / 事實	duel
品牌、貨幣、應用程式	logos
應用程式截圖或螢幕錄影	telephone
一個網站、一個頁面	navigateur
一張照片，以卡片或全螢幕顯示	image
一段對話（AI、客服、詐騙）	chat
一個危險、一個詐騙、一個好消息	alerte
一個趨勢、一個數字比較	graphique
一個命令、一個安裝	terminal
某人的引言	citation
一個概念及其解釋	carte
值得一個自創視覺效果的時刻	html

變化場景。

• 為每個強烈想法分配一個專屬場景：每部影片 6 到 10 個場景。
• 不要連續兩次使用相同類型，並且從一部影片到下一部要改變類型的順序。
• 固定的風格不能變成模板。如果連續三部影片共享相同的場景序列，觀眾會流失。

三種模式（詳細資訊在 references/modes.md）

• Generated：你只需要 JSON。
  • 語音是 edge-tts：免費、無需金鑰、支援多種語言。
  • 設定 voix.nom 來更換語音或口音。
• Images：你的螢幕截圖和照片會放入 telephone、navigateur 或 image，從 videos/medias/ 讀取。
  • 錄製或克隆的語音放在 "voix": { "fichier": "medias/voice.wav" }。
  • 它會在本機轉錄（whisper）並與你的句子同步。
• Filmed：設定 "rush": "medias/clip.mp4"。剪輯的音訊就是語音。
  • 沒有場景的句子會顯示臉部，字幕在底部。
  • 場景會在其想法的持續時間內覆蓋整個畫面。
  • 根據轉錄稿撰寫句子：技能會逐字同步它們。

渲染前的檢查清單

• 句子 1 清楚地陳述主題，且其標題在一秒內可讀。
• 每個專業術語都在同一個句子或下一個句子中解釋。
• 每個句子最多有一個強調詞，並有 6 到 10 個不同類型的場景。
• 數字來自真實、已驗證的來源。當數字來自他人時，chiffre 場景會帶有 source。
• 連絡表已審閱，檢查結果乾淨，且沒有留下「mot introuvable」（找不到單字）的警告。
• 結尾提供一個留下的理由（接下來會發生什麼、一句值得記住的話），而不是一個模糊的問題。
• 展示品牌是為了討論它們，絕非暗示合作關係。
• 虛構對話帶有 "mention": "Exemple fictif"，或英文的 "Example"。

當問題發生時

訊息	處理方式
voix : … edge_tts	執行 sh <skill>/scripts/install.sh
mot « x » introuvable	au 必須重複其場景句子中的一個詞，且拼寫一致
logo « x » introuvable	提供一個檔案（"medias/x.svg"），或試試不帶空格的品牌名稱
文字溢出	縮短文字，或切換到更寬的場景（carte 或 liste 而不是 duel）；不要碰 CSS
某個詞發音錯誤	將其加入 prononcer，例如 {"Ledger": "Ledjer"}