HyperFrames 媒體前置處理
三個用於產生合成素材的 CLI 指令:tts (語音)、transcribe (時間戳) 和 remove-background (透明影片)。每個指令在首次執行時會下載模型,並快取在 ~/.cache/hyperframes/ 目錄下。將輸出放入專案後,即可在合成 HTML 中引用 — 音訊/影片元素的慣例請參閱 hyperframes 技能。
文字轉語音 (tts)
使用 Kokoro-82M 在本機產生語音音訊。無需 API 金鑰。
npx hyperframes tts "Text here" --voice af_nova --output narration.wav
npx hyperframes tts script.txt --voice bf_emma --output narration.wav
npx hyperframes tts --list # 所有 54 種聲音
聲音選擇
根據內容類型選擇聲音。預設為 af_heart。
| 內容類型 | 聲音 | 原因 |
|---|---|---|
| 產品示範 | af_heart/af_nova | 溫暖、專業 |
| 教學 / 操作指南 | am_adam/bf_emma | 中立、易於理解 |
| 行銷 / 宣傳 | af_sky/am_michael | 充滿活力或權威感 |
| 文件 | bf_emma/bm_george | 清晰的英式英語、正式 |
| 休閒 / 社群 | af_heart/af_sky | 平易近人、自然 |
多語言
聲音 ID 透過第一個字母編碼語言:a=美式英語、b=英式英語、e=西班牙語、f=法語、h=印地語、i=義大利語、j=日語、p=巴西葡萄牙語、z=中文。CLI 會自動從前綴偵測音素化區域設定 — 當聲音與文字匹配時,無需 --lang 參數。
npx hyperframes tts "La reunión empieza a las nueve" --voice ef_dora --output es.wav
npx hyperframes tts "今日はいい天気ですね" --voice jf_alpha --output ja.wav
僅在需要覆蓋自動偵測(例如風格化口音)時使用 --lang。有效的語言代碼:en-us、en-gb、es、fr-fr、hi、it、pt-br、ja、zh。非英語的音素化需要系統全域安裝 espeak-ng(brew install espeak-ng / apt-get install espeak-ng)。
語速
0.7-0.8— 教學、複雜內容、無障礙存取1.0— 自然語速(預設)1.1-1.2— 開場、轉場、活潑內容1.5+— 很少適用;請仔細測試
長篇幅腳本
對於超過幾段的內容,請寫入 .txt 檔案並傳遞檔案路徑。超過約 5 分鐘語音的輸入,最好分段處理。
系統需求
Python 3.8+ 並安裝 kokoro-onnx 和 soundfile(pip install kokoro-onnx soundfile)。模型在首次使用時下載(約 311 MB + 27 MB 聲音,快取在 ~/.cache/hyperframes/tts/)。
轉錄 (transcribe)
產生包含逐字時間戳的標準化 transcript.json 檔案。
npx hyperframes transcribe audio.mp3
npx hyperframes transcribe video.mp4 --model small --language es
npx hyperframes transcribe subtitles.srt # 匯入現有檔案
npx hyperframes transcribe subtitles.vtt
npx hyperframes transcribe openai-response.json
語言規則(不可協商)
除非使用者明確指出音訊是英語,否則絕對不要使用 .en 模型。 .en 模型(small.en、medium.en)會翻譯非英語音訊成英語,而非進行轉錄。這會靜默地破壞原始語言。
- 語言已知且非英語 →
--model small --language <code>(不加.en後綴) - 語言已知且為英語 →
--model small.en - 語言未知 →
--model small(不加.en、不加--language)— whisper 會自動偵測
預設模型為 small,而非 small.en。
模型大小
| 模型 | 大小 | 速度 | 使用時機 |
|---|---|---|---|
tiny | 75 MB | 最快 | 快速預覽、測試管線 |
base | 142 MB | 快 | 短片、清晰音訊 |
small | 466 MB | 中等 | 預設 — 大多數內容 |
medium | 1.5 GB | 慢 | 重要內容、吵雜音訊、音樂 |
large-v3 | 3.1 GB | 最慢 | 製作品質 |
含人聲的音樂:至少從 medium 開始;生成的音軌通常需要手動匯入 SRT/VTT。對於字幕品質檢查(每次轉錄後必須執行)、清理 JS、重試規則以及 OpenAI/Groq API 匯入路徑,請參閱 hyperframes/references/transcript-guide.md。
輸出格式
合成使用一個包含單字物件的扁平陣列。標準化過程中會新增 id 欄位(w0、w1、...),以便在字幕覆寫中提供穩定的引用;為保持向後相容,這是選用欄位。
[
{ "id": "w0", "text": "Hello", "start": 0.0, "end": 0.5 },
{ "id": "w1", "text": "world.", "start": 0.6, "end": 1.2 }
]
背景移除 (remove-background)
移除影片或圖片的背景,使主體(通常是人 — 虛擬替身、簡報者、說話頭像)作為合成中的透明疊加層。
npx hyperframes remove-background subject.mp4 -o transparent.webm # 預設:VP9 alpha WebM
npx hyperframes remove-background subject.mp4 -o transparent.mov # ProRes 4444(剪輯用途)
npx hyperframes remove-background portrait.jpg -o cutout.png # 單張圖片去背
npx hyperframes remove-background subject.mp4 -o subject.webm \
--background-output plate.webm # 一次處理產生兩層
npx hyperframes remove-background subject.mp4 -o transparent.webm --device cpu
npx hyperframes remove-background --info # 偵測到的供應商
使用 u2net_human_seg (MIT 授權)。首次執行會下載約 168 MB 的權重至 ~/.cache/hyperframes/background-removal/models/。
圖層分離 (--background-output)
傳遞 --background-output(或 -b)以在去背圖層旁另外產生一個透明影片:相同的原始 RGB,但 Alpha 是 255 − 遮罩 而非 遮罩。去背圖層是帶有透明背景的主體;底層圖層是原始背景,主體位置則為透明空洞。
| 檔案 | Alpha 是… | 用途 |
|---|---|---|
-o subject.webm | 遮罩 — 主體不透明,背景透明 | 前景圖層,放置在上方 |
--background-output plate.webm | 反向 — 背景不透明,主體區域透明 | 底層圖層;將文字或圖形放在此層與主體之間 |
兩個輸出共用相同的 --quality 預設值,並由單次推論產生 — 編碼成本約為兩倍,分割成本不變。僅對影片輸入和 .webm/.mov 輸出有效。
挖洞底層,非修補底層。 plate.webm 中的主體區域是完全透明的 — 在其下方合成不透明內容以填補空洞。判斷 --background-output 是否為正確工具的唯一測試:在主體原本所在的位置,是否會有任何東西透過主體的輪廓被看到?
| 使用案例 | 正確工具 |
|---|---|
| 文字/圖形位於去背圖層與底層之間(此指令存在的原因) | 挖洞 (--background-output) |
| 主體放置到不相關的場景 | 只需 subject.webm;忽略底層 |
| 單獨顯示沒有人的房間,沒有其他內容 | 修補底層 — 需要修補器(LaMa、ProPainter、E2FGVI)。非此指令。 |
| 將主體替換為不同主體 | 修補底層 — 同上述理由 |
如果使用者要求「移除人之後的房間」並打算單獨顯示,不要使用 --background-output。告訴他們需要使用修補器。
典型的圖層合成(標準的挖洞使用案例):
<!-- z=1 反向 Alpha 底層填滿整個畫面,除主體區域外 -->
<video
src="plate.webm"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<!-- z=2 圖形 / 文字位於兩層之間 -->
<h1 id="headline" style="z-index:2; ...">用 HyperFrames 打造</h1>
<!-- z=3 去背圖層將主體浮在標題之上 -->
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3">
<video
src="subject.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
這在功能上等同於下方文字在主體之後的模式,但不需要在專案中保留原始的 presenter.mp4 — 底層取代了它。當您只想提供兩個透明圖層,並讓使用者在它們之間放置任意內容時,這非常有用。
輸出格式
| 格式 | 使用時機 |
|---|---|
.webm (VP9 + alpha) | 預設。合成直接透過 <video> 播放。 |
.mov (ProRes 4444) | 在 DaVinci/Premiere/FCP 中剪輯。檔案較大。 |
.png | 單張圖片去背(靜態主體,疊加於背景之上)。 |
Chrome 瀏覽器原生支援 VP9 alpha 解碼,因此 .webm 可以像其他靜音自動播放影片一樣插入合成中 — <video> 軌道慣例請參閱 hyperframes 技能。
品質預設
--quality fast|balanced|best 僅控制 VP9 編碼器的 CRF — 分割品質是固定的。
| 預設 | CRF | 使用時機 |
|---|---|---|
fast | 30 | 疊代調整、檔案較小、色彩匹配較寬鬆 |
balanced | 18 | 預設。對大多數用途來說視覺上無差異 |
best | 12 | 母版 / 最終交付。檔案最大,匹配最嚴謹 |
合成模式 — 選擇正確的模式
去背 WebM 是來源 MP4 RGB 的重新編碼副本。此選擇會根據您放在其後方的內容而產生後果:
| 模式 | 去背圖層後方是什麼 | 結果 |
|---|---|---|
| 去背圖層疊加於不同場景(最常見) | 靜態圖片、漸層或無關影片 | 效果極佳。去背圖層的 RGB 是主體的唯⼀來源 — 沒有重複,沒有邊緣光暈。這是 remove-background 的設計目的。 |
| 去背圖層疊加於自身的原始 MP4(文字在主體之後) | 產生去背圖層的那個 MP4 | 同一個人有兩個 RGB 來源。在預設 --quality balanced (crf 18) 下,重複幾乎不可見;在 --quality fast (crf 30) 下,您會看到輕微的色彩偏移 / 邊緣光暈。製作母版時使用 --quality best (crf 12)。 |
| 去背圖層疊加於同一個人的_不同_鏡次 | 同一主體的素材 | 看起來像是兩個不同的人重疊。請勿這樣做。 |
文字在主體之後(標題位於簡報者後方):
<video
src="presenter.mp4"
id="bg"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<h1 id="headline" style="z-index:2; ...">用 HyperFrames 打造</h1>
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3;opacity:0">
<video
src="presenter.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
兩個關鍵規則:
- 將去背影片包裹在一個不具時間屬性的
<div>中,並動畫化包裹層的不透明度,而非影片元素本身。框架會強制作用中的片段(任何具有data-start/data-duration屬性的元素)的不透明度為 1,因此直接動畫化影片的不透明度會被靜默覆蓋。包裹層沒有data-*屬性,因此它歸您的 CSS/GSAP 控制。 - 兩個影片都使用
data-start="0"和data-media-start="0",以便框架從 t=0 開始同步解碼它們。延遲裝載去背圖層(data-start=3.3)會引入一次尋軌 + 預熱,導致與基礎 MP4 相差一幀 — 在切換點會出現一幀的錯位。
然後,在切換點使用 GSAP 翻轉包裹層的不透明度:tl.set(cutoutWrap, { opacity: 1 }, 3.3)。
TTS → 轉錄 → 字幕
當沒有預先錄製的旁白時,產生一個並將其轉錄回來,以獲得用於字幕的逐字時間戳:
npx hyperframes tts script.txt --voice af_heart --output narration.wav
npx hyperframes transcribe narration.wav # → transcript.json