製作動畫短片 是做什麼的？
概述
這是一個垂直、有聲、字幕的動畫短片製作流程：角色美術、場景面板、克隆或資料庫語音、音樂、影像轉影片剪輯與嘴形同步，並由一個引擎根據實際對話音訊來排定每個鏡頭的時間。單一個 episode.json 即可承載整個專案，而 engine/episode.py 負責執行從中讀取的每個階段。兄弟技能則負責提供者（provider）的工作。
請直接使用引擎；不要自行撰寫編輯腳本。 時間軸、覆疊、字幕、從右到左文字、混音、持續時間與嘴形同步等所有功能都已內建於 engine/ 中。該引擎已透過重建一個真實的 3.5 分鐘短片獲得驗證：產生了完全相同的幀、完全相同的音訊，以及原始版本未能達到的精確長度。手寫的編輯腳本會重新發現 references/troubleshooting.md 中的每一個錯誤。
音訊是主控者。 鏡頭長度、字幕時間與嘴形同步部分皆來自完成的對話檔案。絕對不要根據文字來估算時間。
你無法觀看或聆聽。 你可以檢查幀、持續時間與數字。人類負責判斷角色相似度、語音、發音、時機與笑點。規劃人類的審查關卡並保護他們。
需求：
- 與此技能相鄰的以下技能：image-generation、elevenlabs-tts、generating-video-clips。
- Python 3 並執行
pip install -r <此技能目錄>/requirements.txt（需安裝包含 RAQM 的 Pillow、numpy；OpenCV 為選用）。 - ffmpeg 7 或更新版本。
- 字型：樣式與字幕名稱使用字型鍵（範例中的
bold、hblack、black），這些鍵會經由fonts對應到已安裝的.ttf檔案。對於希伯來文與拉丁文，Rubik 和 Heebo（免費，來自 Google Fonts）效果良好；check指令會在缺少字型時阻斷執行。 - 環境變數中的 API 金鑰，需在每個執行引擎的 shell 中設定：
OPENAI_IMAGE_API_KEY、ELEVENLABS_API_KEY、GEMINI_API_KEY、FAL_KEY。
若想在不進行任何 API 呼叫的情況下查看整個管線如何運作，請執行 python3 <此技能目錄>/engine/episode.py /tmp demo，然後對其建立的 demo 專案執行 check 和 build。
管線與其審查關卡
每個審查關卡都是一個停頓點：傳送成品、提問、等待。指令格式為 python3 <此技能目錄>/engine/episode.py PROJECT <command>。成本以 2026 年 10 月估算。
| # | 階段 | 指令 | 審查關卡（人類） | 成本 |
|---|---|---|---|---|
| 1 | 故事與劇本 | 從 templates/script.template.md 產生 script.md | 劇本，以及每個敏感話題 | - |
| 2 | 角色聖經 | templates/characters.template.md，然後在 episode.json 中設定 characters | - | - |
| 3 | 臉孔、卡片、升級 | chars face、chars card key=face.png、chars final keys | 角色相似度，在一張所有卡片的合成頁上 | 每個角色約 $0.30 |
| 4 | 場景面板 | panels draft，然後 panels final ids | 每個面板，在一張合成頁上 | 每個面板約 $0.30 |
| 5 | 語音 | 每個語音一個樣本（elevenlabs-tts） | 每個語音，在批次處理前用耳朵聽 | 美分 |
| 6 | 台詞 | lines | 用耳朵聽整個台詞集，包含時間戳；A/B 名稱比對 | 美分到幾美元 |
| 7 | 音樂與音效 | sound | 音樂 | 美分 |
| 8 | 動態腳本 | build（尚無剪輯：使用帶有攝影機運動的靜態圖片） | 在進行任何影片花費之前，檢查節奏與順序 | 免費 |
| 9 | 動畫 | animate、合成頁、使用 animate S --takes 2 + animate pick S K 進行重拍 | 從合成頁檢查動作 | 每個剪輯每秒約 $0.10，每次重拍 |
| 10 | 嘴形同步 | lipsync prep、配置中的臉部點位、lipsync run | 抽樣檢查幀 | 每秒約 $0.13 |
| 11 | 剪輯與交付 | build、sheet、deliver | 人類觀看 mp4 檔案 | 免費 |
每個階段的指令、輸入、輸出與失敗處理方式：references/pipeline.md。
撰寫劇本
經得起考驗的規則（詳細內容與一個完整的範例：references/script-writing.md）：
- 在最初 3-4 秒內建立鉤子（直接以問題開場），然後再出現標題。若短片少於 30 秒，請將標題與結束卡片作為覆疊放在故事鏡頭上，並跳過蒙太奇。
- 每個重複出現的角色至少說一句台詞。 開場的蒙太奇介紹，每個角色用自己的聲音說一句話，每張卡片約 1.2-1.5 秒，既便宜又受歡迎。
- 螢幕上的文字必須可讀： 每個字元約 0.06 秒，加上基礎 0.8 秒；短卡片約 1.2-1.5 秒；最終說明文字約 4-6 秒。請為卡片設定
mindur。 - 提早埋下線索並在後續兌現。 針對群體真實生活的內部笑話進行 callback，效果最好。
- 敏感話題由使用者決定。 列出所有你想使用的私人細節（健康、金錢、感情、家庭、爭吵），逐一詢問，並只使用他們確認的部分。
- 台詞不超過 12 個字，數字用文字表示。 螢幕上的文字保持正常拼寫；發音修正則放在
pronounce中。 - 即使有旁白，也要加入音樂與音效。 至少一個背景音樂與幾個音效（切換場景時的嗖聲、揭示時的撞擊聲）；無聲的背景音樂聽起來會不完整。
一目瞭然的 episode.json
templates/episode.example.json 是一個完整的小型短片範例；每個鍵的說明都在 references/config-schema.md 中。你最常編輯的部分：
characters：顯示名稱、顏色、語音，以及來自角色聖經的提示欄位。speakers：從不出現畫面的語音，例如旁白（{"display": null, "voice": "<id>"}可產生無名稱的字幕）。lines：ID、說話者、帶有音訊標籤的文字；單詞台詞可設定trim和level。shots：圖片、台詞（"[email protected]"表示與前一句台詞重疊 0.4 秒）、邊距、mindur、攝影機動作、特效、音效、覆疊、剪輯偏移與速度。music_cues：[提示名稱, 開始鏡頭, 結束鏡頭, 音量, 偏移量]。當提示時間比其區間短時，建置流程會發出警告。lipsync：指定哪些鏡頭、哪些台詞要跳過，每個部位一個臉部點位。prompts：覆寫char_style和panel_style以獲得不同的外觀（如 3D 卡通、水彩、寫實照片）。
建置與審查
- 批次處理修正。 完整建置需要數分鐘。收集一個審查回合中的所有筆記（台詞拍攝、邊距調整、剪輯偏移），一次套用，然後重新建置一次。
- 區段會被快取與追蹤。
build只會重新渲染輸入有變更的鏡頭：新的剪輯或嘴形同步版本、升級的面板、編輯過的台詞、鏡頭或樣式。build --only S05,S06強制渲染這些鏡頭；--force則重新渲染所有內容。 - 嘴形同步的鏡頭在剪輯、偏移、速度或台詞有任何變更後，都需要重新處理：
lipsync prep S05 && lipsync run S05。在此之前，建置流程會警告該鏡頭已過時，並使用原始剪輯。 - 重新產生現有資產需要
--force（sound theme --force、animate S05 --force）；不使用的話，只會填補空缺，不會覆寫現有檔案。 - 使用合成頁進行審查。
sheet會將每個鏡頭的 3 個幀放在一頁上。當人類根據時間點提到一個畫面時，請先透過ffmpeg -ss T -i build/<output>.mp4 -frames:v 1 f.jpg提取並讀取那些幀，再進行回覆。 - 每次建置前執行
check： 檢查缺失的資產、金鑰、兄弟技能，以及比畫面還寬的覆疊文字。 - 每次建置結束時都會驗證持續時間。 如果音訊比影片短，建置會失敗，而不是裁切結尾。
- 在傳送之前： 參閱
references/qa-checklist.md。
與人類協作
- 使用你的檔案傳送工具傳送每個成品，並提供在 Finder 中顯示的選項；不要只列印路徑。最後一步是執行
deliver並傳送該檔案。 - 對於音訊，請說明要聆聽的內容與位置（「在 0:41 處，Dani 的名字聽起來對嗎？」）。絕對不要聲稱你聽到了。
- 發音與語音選擇是他們的決定：提供帶有時間戳的 A/B 檔案（elevenlabs-tts）。
- 在每個付費階段之前，提供成本估算；之後則提供累計總額。
當出現問題時
| 症狀 | 修正方式 |
|---|---|
| 卡片或字幕過快難以閱讀 | 提高 mindur / post：短卡片約 1.2-1.5 秒，最終說明文字約 4-6 秒 |
| 標題被兩側邊緣裁切 | check 會發出警告：降低樣式的 size 或加上 wrap |
| 音樂在段落結束前停止 | 建置時已警告：提高提示的 seconds，然後執行 sound <cue> --force；或將該段落拆分為兩個提示 |
| 結尾被裁切 | 使用引擎時不可能發生（精確長度混音、持續時間檢查）；在手動合成的影片中，請參閱 deck-to-video |
| 台詞被音樂淹沒 | 對該台詞執行 level_clips.py --report，然後使用更強的音量拍攝；降低該提示的音量 |
| 角色在台詞之前做出指向或動作 | 將 clip_off 設定在該時間點之後，或拆分鏡頭並使用 clip_cam 裁剪掉前段 |
| 嘴形與台詞不匹配 | 執行嘴形同步階段；如果是錯誤的嘴在動，修正其臉部點位 |
| 群體鏡頭中有一個臉比較大 | 安裝 OpenCV（臉孔會自動均等化），或鏡像一個其道具遮住相鄰角色的卡片 |
| 希伯來文顯示為反轉或未連字 | Pillow 未包含 RAQM：check 會說明如何修正 |
| 名稱或外來詞發音錯誤 | 加入 pronounce 條目，用耳朵聽 A/B 比對 |
更多問題與成因：references/troubleshooting.md。
相關技能
- image-generation：角色卡片與場景面板（「重複出現的角色與故事面板」）。
- elevenlabs-tts：語音、單詞台詞、發音、音樂與音效。
- generating-video-clips：剪輯、拍攝合成頁、嘴形同步。
- deck-to-video：用於簡報影片的相同 ffmpeg 經驗。