RAW KINETIQ
歌曲輸入，MP4 輸出。流程已經建置完成；你的工作是執行它，像剪輯師一樣審查時間軸，並修正機器可能出錯的地方。完成的影片應該讓每個字詞在演唱時精準落地，視覺效果與歌曲的能量一同呼吸。
影片是圍繞歌曲設計的，而不是將歌曲塞進既定的風格中。 歌曲的主題、感受、類型和節奏決定了一切：顏色、字型、螢幕上同時出現多少字詞、它們如何出現和消失、位置在哪裡、鏡頭撞擊的力度、背景中放置什麼，以及使用者的圖片放在何處。沒有可供選擇的預設，只有一個可組合的工具包（references/toolkit.md），當歌曲擁有工具包未涵蓋的影像時，你必須為那首歌自行建構。兩首歌不該看起來相似，一部影片應該看起來與 YouTube 上任何人的作品都不同。發揮創意，勇於冒險，然後檢查你的作品（步驟 5），確保冒險成功。
影片中的事件是由歌詞內容驅動的。 一部只有背景和字體變化的影片只是投影片。當歌詞提到「手」時，影片中就會出現一隻手；當歌詞說到「嘴巴」時，嘴會張開，鏡頭進入；當歌詞唱出「我知道每個出口」，出口標誌會飛速掠過。這些時刻由你透過程式碼繪製（SVG 形狀，在 Remotion 中製作動畫；絕不使用圖片生成器），並與歌詞精準對時（步驟 4b）。
以下路徑：SKILL = 此技能資料夾（${CLAUDE_SKILL_DIR}），PY = setup_env.sh 列印出的 Python 路徑（Windows 上為 ~/.raw-kinetiq/venv/Scripts/python.exe，其他系統為 ~/.raw-kinetiq/venv/bin/python）。使用 Bash 工具執行 .sh 腳本（Windows 上使用 Git Bash）。
0. 你需要從使用者那裡取得的資訊
只需要歌曲。取得歌曲（以及歌詞，如果他們有的話），然後 一次性、在最前面、透過單一 AskUserQuestion 呼叫 詢問外觀問題，讓使用者選擇後可以離開，讓分析在背景執行。跳過他們訊息中已經回答的任何問題。如果他們說「直接做」或不在，則使用預設值並說明你使用了哪些。
| 問題（標題） | 選項 | 預設值 |
|---|---|---|
| 格式 | 16:9 (1920x1080)（建議）／ 直式 9:16 適用於 TikTok、Reels、Shorts (1080x1920) ／ 正方形 (1080x1080) | 16:9 |
| 感覺 | 根據歌曲設計（建議）／ 然後從這首歌自身的影像中提取 2-3 個具體方向，每個用簡單文字描述（例如一首關於發燒的歌：「文字在熱浪中顫抖，汗水般的黃色襯托黑色」）。「其他」讓使用者用他們自己的話描述氛圍 | 根據歌曲設計 |
| 疊加層（多選） | 歌手名稱（左上角）／ 段落名稱（左下角）／ 計時器 + 進度條 ／ BPM + 節拍計數器。在問題中說明選擇「無」會得到一個乾淨的音樂影片 | 無 |
| 素材 | 「你有想要放進影片中的圖片嗎（封面藝術、照片、標誌、你的照片）？」沒有，根據歌曲設計（建議）／ 有，我會在這裡傳送／ 有，它們在一個資料夾裡 | 無 |
答案對應到 new_project.sh 的標誌：--size 和 --overlays artist,section,timer,bpm（僅選擇的項目）。除非使用者要求，否則始終使用 60 fps。感覺由你在步驟 2b 中設計，根據他們的回答引導。
如果他們有素材， 立即回覆：「請把它們傳過來（或告訴我資料夾位置），並簡單說明每個是什麼或你希望它們出現在哪裡，如果你有偏好的話。」描述是可選的：使用 Read 工具打開每張圖片，自己看看它是什麼。在步驟 2c 中將它們加入。
其他輸入，無需提問：
| 輸入 | 預設值 |
|---|---|
| 歌詞 | 貼上的 > 檔案標籤（Suno 會嵌入） > 你清理後的人工轉錄 |
| 標題 / 歌手 | 檔案標籤；如果標籤標題是垃圾（例如 [Rec] Oct 24 ...）則使用檔案名稱 |
| 背景 | auto：場景根據段落和你的設計進行 |
| 結束卡片 | 標題 + 歌手覆蓋在最後幾秒；當他們不想要時使用 --no-endcard |
1. 設定（每台機器一次，之後即時完成）
bash SKILL/scripts/setup_env.sh
建立共享的 Python 環境（faster-whisper、Demucs、librosa、Pillow；CPU 建構）並輸出其 Python 路徑。需要 Python 3.10+、Node 18+ 和 ffmpeg（含 ffprobe）在 PATH 中；如果缺少任何一個，請告訴使用者要安裝什麼，而不是自己安裝系統軟體。首次執行會下載數 GB（目前是 CPU torch，以及首次使用時的 Whisper 和 Demucs 模型）。
2. 分析歌曲（快取，在背景執行）
專案資料夾：<歌曲資料夾>/<歌曲名稱> 歌詞影片/，除非使用者另有指定。
如果使用者貼上了歌詞，請先將其儲存為 <project>/work/lyrics.txt，保留 [Section] 標籤。
PY SKILL/scripts/prepare.py "<song>" "<project>/work"
對於一首 3 分鐘的歌曲，CPU 大約需要 8-10 分鐘（Demucs，然後 Whisper large-v3 兩次）。每個步驟都會快取其輸出，因此重新執行只會執行缺少的部分。永遠不要刪除這些輸出以「重新開始」；要重做某個步驟，只需刪除該檔案。它會輸出：
- 時長、BPM、小節長度（
240 / BPM）、每秒能量（能量跳躍處是過門點）， - 人聲出現 的範圍（間隙 = 純樂器部分），
- 兩種 Whisper 轉錄（完整混音，以及分離出的人聲主幹）。
2b. 為這首歌設計影片
從歌曲開始，而不是從工具包開始。 暫時不要打開工具包：一個現成動作的選單會把每首歌都拉向少數幾個相同的風格。首先弄清楚這首歌是什麼，並將其寫入 <project>/work/design.md：
- 用幾行描述這首歌： 故事、誰在對誰說話、地點、時間、歌詞反覆出現的物體和影像，以及它的感受（緊張、溫柔、麻木、挑釁、頑皮、偏執）。感受比類型更能決定動態。
- 它存在的世界。 閱讀詞彙，而不僅僅是故事：歌詞詞彙會聚集成一個世界，這個集群說明了歌曲所在的世界，通常比標題的日常意義更有說服力。充滿「判決」、「作證」、「判刑」的歌詞存在於法庭；「錨」、「漂流」、「港灣」在海上；「平衡」、「欠款」、「利息」在金錢世界。然後列出標題和主題句的每個含義，包括俚語以及在遊戲、電影、運動和次文化中的意義（「鬼魂」是靈魂、突然消失的人，以及玩家術語），然後選擇詞彙支援的含義，或融合兩個含義。寫下候選項以及你選擇一個的原因。
- 核心影像， 來自那個世界和歌詞本身的詞語，絕不來自類型。一首關於被監視的歌：窗戶一個接一個亮起。一首關於時間耗盡的歌：保險絲在畫面中燃燒。
- 標誌性動態：歌詞文字本身用這首歌的語言做了什麼。 兩個或三個，每個用一句話：一個詞如何出現，如何消失，主題句做了什麼。它們來自核心影像：在一首關於發燒的歌中，文字在熱浪中顫抖出現，然後冷卻靜止；在一首關於未寄出信件的歌中，文字用滲墨的墨水寫成，然後頁面將它們折疊起來。測試： 如果同樣的動態可以套用在隨機的另一首歌上，那它就不是標誌性的。讓它足夠引人注目：一個副歌之後，觀眾應該能夠描述文字做了什麼。一絲微光或一瞬間的模糊等於什麼都沒看到；讓動態在高峰時佔據空間和時間，在主歌中保持低調。
你將把這些寫成這首歌的特效（
video/src/custom，工具包「歌曲自己的片段」）。 - 分鏡表： 每個段落及其場景、攝影機、歌詞佈局、調色板以及它使用哪種動態。核心影像像一部短片一樣在其中演變（如下所示），每個段落的構圖都不同：對同一視圖進行新的色調或添加幾盞燈光並不是一個新的鏡頭。
- 你不會做什麼： 說出你可能為這種類型和情緒選擇的顯而易見的動態，但你正在避免它們，這樣你就不會不知不覺地回到它們。
- 所有時刻將共享的繪圖風格（步驟 4b），來自歌曲的世界：霓虹線條藝術、平面剪紙、墨水和水彩、藍圖線條、粗體剪影、漫畫面板、木刻。整首歌使用一種風格，讓所有時刻看起來像一部電影。
為此需要閱讀的事實：BPM（注意半拍感覺：140 BPM 的陷阱節奏通常感覺像 70）、人聲密度（whisper_full.json 中的每秒字數：快速饒舌需要短爆發；緩慢、持續的演唱可以維持短語）和每秒能量（能量跳躍處，影片會改變：副歌與主歌不同的動態，橋段打破模式，最後的副歌比第一個更強烈）。
現在閱讀 references/toolkit.md 並建構設計：
- 時刻 在時間軸建立後繪製（步驟 4b），但現在就規劃它們：分鏡表塑造了分鏡表，而一個圍繞時刻建構的段落可以在其背後保持簡單。
- 首先處理歌曲自身的片段。 將標誌性動態寫成
effects，核心影像寫成layers（以及當某個時刻需要時，一個線條樣式寫成modes），全部寫在video/src/custom/index.tsx中。在歌曲的高峰處使用標誌性動態（至少是副歌），並將其保持在影片的中心，而不是一次性使用。 - 工具包是配角。 其內建的入場、離場、線條樣式和圖層承擔了過渡歌詞和填充場景。其中許多是為早期歌曲製作的（為一首 phonk 曲調製作的猛擊、斜線、切割和毛刺，被切成兩半的吟唱，隧道），預設使用它們正是導致兩部影片看起來相似的原因。僅在工具包確實符合這首歌的影像時才使用它，並在
design.md中寫明原因。 - 調色板： 顏色來自歌曲的世界或使用者的圖片，並根據段落進行調整。寫出所有顏色；不要從主題開始。
- 字型： 任何 Google Font 用於
display和一個對比的alt，為這首歌的聲音選擇。 - 攝影機、能量和反應： 每個段落一個動態，鏡頭撞擊的力度，以及視覺效果是跟著節奏還是人聲脈動。
- 素材： 每個使用者的圖片放置在哪裡，以及文字如何為它讓路（2c）。
影片是一系列鏡頭，絕不是一張帶有文字的圖片。 一個核心想法是正確的，一個不變的畫面則不是。像一部短片一樣規劃歌曲，一個段落一個段落：觀眾在開頭看到什麼，第一段主歌如何構圖，副歌中打開了什麼，橋段中打破了什麼，如何解決。核心影像應該演變：改變比例、角度或攝影機運動、時間、調色板、畫面中的內容。一個自訂圖層會獲取段落及其進度，因此它可以在不同段落中顯示不同的內容。每個副歌必須看起來與其主歌明顯不同，最後的副歌要比第一個更大。如果兩個相鄰段落共享場景、攝影機、佈局和調色板，請改變其中一個。
改變構圖，而不僅僅是顏色。 當一個自訂圖層承擔了歌曲的主要視覺時，賦予它真實的鏡頭：不同的攝影機位置（從上方、從內部、在地面水平、聚焦於一個細節）、不同的比例、畫面中不同的主體。對同一視圖重新著色或添加燈光，仍然讀起來像一個鏡頭，而檢查會標記出一個佔據了歌曲太多時間的構圖（one-shot）。
將文字與影像結合。 歌詞的位置是設計的一部分：在場景表面、在窗戶中、在主體旁邊、隨著音樂移動到新的位置。整個段落中完全在同一位置的爆發就是字幕。一個特效的 burst 鉤子可以將爆發移動到任何地方（其 transform）。
緩慢不等於靜止。 一首柔和、緩慢或低語的歌曲移動緩慢但從不停止：攝影機飄移或推進，光線隨著人聲膨脹（"react": "voice"，柔和歌曲的預設值），每個段落都會改變場景。保持感覺（溫柔保持溫柔），同時讓每個段落都是一個新的畫面。給緩慢的歌詞空間變得宏大：一次顯示更少的字詞，設定得大一些，有目的地放置，而不是整首歌都在同一行上作為一個小字幕。
大膽嘗試：跨越類型借鑑（一首靈魂歌曲搭配野獸派字型，一首 drill 曲調使用襯線字體）並承擔風險；自檢（步驟 5）會捕捉到不成功的部分。它也會標記出沒有 design.md 的影片（no-design）、只使用內建動態的副歌（no-signature）、從早期歌曲借用的內建元素（borrowed），以及僅由內建圖層組成的背景（stock-world）。
用兩三句簡單的文字告訴使用者設計理念（「一首關於被監視的歌，所以文字位於一棟夜晚建築物的窗前，窗戶一個接一個亮起；每個字詞在演唱時像窗戶一樣亮起，而副歌將街道調暗到只剩一個亮著的房間」）。
然後設定影片專案（它會重複使用現有專案）：
bash SKILL/scripts/new_project.sh "<song>" "<project>" --size 1920x1080 --fps 60 [--overlays artist,timer] [--no-endcard]
並將設計寫入 video/src/data/config.json（顏色、字型、動態、場景、素材）。重新執行 new_project.sh 會保留你放在那裡的所有內容。對於使用此技能舊版本製作的專案，請新增 --update：它會交換目前的範本程式碼，並保留歌曲的資料、其自訂片段和素材。
2c. 使用者的圖片
PY SKILL/scripts/assets.py "<project>" <image files or folder> [--cutout name1,name2 [--person]]
將它們複製到專案中（直立、合理大小），輸出每張圖片的形狀、亮度和主色，並寫入 video/public/assets/sheet.png。查看 sheet。裁剪出應該在畫面中出現但無需背景的主體（--cutout；如果是人，則新增 --person，否則模型可能只保留手或臉）。檢查 sheet 上的每個裁剪；如果邊緣不對，請嘗試其他模型，或改用該圖片作為背景或海報。
根據使用者對每張圖片的說明來使用它們；當他們沒有說明時，根據你所看到的來決定。將它們放置在歌曲需要的地方（工具包，「素材」）：一張人像剪影放在主歌旁邊，封面藝術作為背景