Communitygithub.com

talking-explainer

指導 AI 代理如何規劃、建置或剪輯「會說話的解說員」影片,產出每個鏡頭都可辯護的具體動畫。流程涵蓋使用者偏好、背景、音效。當新任務需要這項工藝時使用。

talking-explainer 是什麼?

Talking Explainer 技能專門用於生成一種 16:9 (1920×1080, 60fps) 的動態設計解說影片,其中包含一個會「說話」的卡通主持人——由使用者自己的聲音驅動真實的嘴型同步、關鍵字觸發動作表情、以及眨眼。影片採用 Apple 產品頁風格的簡潔視覺設計(白色光源、Geist 字體、玻璃卡片、臨界阻尼彈簧運動、Solar 圖示、鏡頭脊柱),每一幕都有鏡頭推近和強調節奏,並整合使用者自己的品牌(開頭標誌、角落標誌、結尾行動呼籲卡片)。技能還支援製作使用者自己的說話角色、替換完成影片的聲音或語言(重新計時,不重建)、以及為 TikTok/Reels/Shorts 產生直式 9:16 版本。它依賴同時安裝的 explainer-kit 與 spatial-film 技能,並嚴格遵循一套從腳本、分鏡到平行場景產出、最終渲染與同步驗證的結構化流程。

相容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/jimjustinmposo/Explainer-GPT-Claude-Skills/tree/HEAD/talking-explainer/skills/talking-explainer

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

使用者偏好

始終記住並套用使用者已建立的所有偏好設定(喜歡、不喜歡、品質標準、工作流程需求),貫穿整個專案。除非需要釐清,否則不要重複詢問相同的偏好。

背景

每當場景需要背景時,一律使用 assets/background 中的背景。根據內容選擇最合適的背景,並在整部影片中維持視覺一致性。

音效

僅使用 assets/mascot/sound-fx 中的音效。

  • 轉場、移動和場景變化時,一律使用 whoosh 音效。
  • 出現文字、圖示、UI 元素、統計數據和提示時,一律使用 popup 音效。
  • 其他所有音效應智慧地匹配螢幕上的動作。
  • 精確地將音效與視覺同步,採用專業電影/UI 聲音設計。
  • 確保每個重要的動畫、轉場、互動和視覺事件都有適當的音效。

字型

  • 字型標題顏色應為橘色。
  • 內文應為黑色。

說話的解說員

聲音是時鐘,主持人會「說話」(嘴型同步),每個想法先以日常圖片呈現,每個場景都有縮放和強調時刻,視覺風格是 Apple 風格,且影片承載使用者的品牌。範例作品:「REA - Reverse Engineer Anything」(129.0 秒,12 個場景)-位於 references/example/(包含 SCRIPT、STORYBOARD、RETIME)。

下方使用的路徑:

  • <skill> = 此技能的資料夾。<kit> = <skill>/../explainer-kit。<engine> = <skill>/../spatial-film。
  • <home> = TALKING_EXPLAINER_HOME 或 ~/.talking-explainer;設定檔 = <home>/profile/(與 explainer-kit 共用)。
  • <py> = 儲存在 <home>/config.json(由 setup-check 設定)中的 python 指令(Windows 為 py -3.12,macOS 為 python3)。

從影片專案根目錄執行每個影片腳本。腳本是經過驗證的程式碼-執行它們,切勿重新產生。藉由檢視連續縮圖來評斷場景,切勿在主 Session 中閱讀場景的 HTML。工作人員會收到檔案路徑。

吉祥物動畫規則

所有臉部資產已在 Photoshop 中預先對齊。

僅允許影格切換。

嚴禁:

  • 混合嘴巴姿勢
  • 變形嘴巴姿勢
  • 內插嘴巴姿勢
  • 生成中間影格
  • 重新定位資產
  • 旋轉資產
  • 縮放資產
  • 扭曲資產
  • 自動對齊資產
  • 自動置中資產

允許:

  • 現有的嘴巴姿勢
  • 眨眼動畫
  • 單眼眨眼動畫

自然行為:

  • 每 2-5 秒隨機眨眼一次
  • 偶爾較長的眨眼
  • 偶爾單眼眨眼
  • 自然的嘴型同步

目標: 自然的吉祥物行為,同時維持像素完美的資產對齊。

額外動作:

  • 施加微妙的 1-2% 浮動運動。
  • 說話時輕微點頭。
  • 上下縮放 0.5-1% 以模擬呼吸。
  • 加入非常小的旋轉偏移(-1° 到 +1°)。
  • 使用緩慢、平滑的緩動函數。
  • 切勿靜止不動超過 2 秒。

設定(僅首次執行)

如果尚無 <home>/profile/brand.json,則執行 explainer-kit 的階段 S(setup-check、品牌訪談 + profile.mjs init、voice.md、音樂)。其品牌訪談會設定主持人名稱(--presenter)。此技能還有兩件事,於同一訪談中詢問:

  • 開場與結尾台詞,寫在 voice.md 中,逐字記錄,包含使用者的名字(鉤子開場為「<主張>?是真的嗎?<名字>在此,來自 <品牌>……讓我們來分析。」)。
  • 主持人: 套裝範例中的說話主持人(一位面無表情的卡通眼鏡男),或使用者自己的角色-請見下方的「你自己的說話角色」。

預設值(不要重新詢問)

  • 旁白使用設定檔的語言,採用 voice.md 中使用者風格的語氣。螢幕文字為簡短的基礎英文(每個標題行約 6 個單字)。長度不限,只要資訊能傳達清楚即可(自然錄製時約每分鐘 150-160 字)。
  • 使用者從腳本錄製聲音(使用他們的 ElevenLabs 聲音克隆或自己的麥克風)。階段 1 會將腳本以可直接貼上的段落形式交給使用者,並等待一個 MP3 檔案。只有當使用者要求時,才透過 API 生成(<engine>/scripts/el-tts.py,金鑰存在環境變數 EL 中,絕不寫入磁碟)。
  • 開場 = 先下鉤子: 以一個關於主題最令人驚訝的主張作為問題開場,接著是 voice.md 中的開場台詞。主題的名稱在第二段才出現。結尾 = voice.md 中的結尾台詞 + 設定檔的 cta。
  • 概念性主題會獲得一個日常類比並以字面方式呈現(例如 REA 例子中的咖啡廳的秘密拿鐵食譜)。關於使用者自身工具或系統的「運作方式」主題,則直接進行真實的逐步解說-參見 references/real-apps.md。第三方工具和平台也是如此:說出真實產品名稱,展示真實的請求流程,並使用平台自身的文案、設定及從其即時頁面上讀取的數字。對於任何技術主題,預設使用逐步解說方式。
  • 短片(<= 30 秒): 約每秒 2.6 字,4 個段落 = 4 個影格(鉤子 + 識別 / 名稱 / 一個畫面 / 結尾),一行結尾台詞,2 個工作人員 x 2 個場景。
  • 議題 / 新聞主題: 先研究即時報導(地方媒體 + 一篇深度報導),然後平衡地撰寫:每個主張都要在旁白中標明來源(「根據該機構……」、「批評者說……」),恐懼要呈現其實際規模,然後列出一個編號的灰色地帶(官方聲明相互矛盾或關鍵細節未公開之處),一個公平的正面段落,以及一個提出問題的總結-絕不下定論。任何僅來自搜尋摘要的資訊(頁面本身無法載入),必須在 SCRIPT.md 的事實區塊中標記為「未經證實,不納入旁白」。這類影片 16 個影格 / 約 700 字是很合理的。
  • 腳本來自貼上的逐字稿: 保留來源的事實和想法順序,但用旁白者的語氣重寫每一行(絕不逐字翻譯),並刪除來源主持人的部分(例如「我建立了……」,程式碼展示,他們的名字)。長的貼文如果超過約 5 萬個字元會被截斷:在 SCRIPT.md 中標明截斷位置,然後使用標準機制補足缺失部分,並像檢查其他主張一樣檢查其正確性。在第一天將貼文儲存到 references/source-transcript.txt,並保留來源中提到的人物和里程碑。
  • 真實人物 = 人物卡片,而非名字標籤: 肖像(雙色調照片或插圖肖像)+ 姓名 + 一行角色說明 + 年份。在 SCRIPT.md 中列出所有提到名字的人物及其出現的場景,標題為「螢幕上的人物」。
  • 視覺風格 = Apple: 白色光源(#F5F5F7 背景),Geist 字體(含依尺寸調整的追蹤),仿玻璃(.ap-glass-在 3D 結構內絕不使用 backdrop-filter),.ap-window / .ap-dark 面板,臨界阻尼的 sp() 彈簧(禁止使用 back.*),節制(一個影格一個想法,脈衝 <= 1.1),藍色的 LENS 脊柱。顏色需有意義,每部影片重新定義。框架會設定所有這些。
  • 圖示 = Solar(480 Design, https://solar-icons.vercel.app)-主要圖示使用 bold-duotone,UI 裝飾使用 linear,來自 references/icons-solar.html。絕不使用 Lucide 或 Phosphor。此素材採用 CC BY 4.0 授權:每個交付物都應在影片說明中為使用者提供文字「Icons: Solar by 480 Design (CC BY 4.0)」。
  • 動態效果: 標題以逐字顯現的方式出現(上升 + 模糊 -> 0,彈簧效果),工具、解說圖表使用 UI 動畫,再加上每個場景都有一個鏡頭推近(ZOOM)和一個強調節拍(EMPH:脈衝、標記掃過、底線繪製、焦點拉動、數字衝入)。60fps 流暢度法則。
  • 解析度 1920×1080,60fps。品牌標誌出現在鉤子處,角落標誌出現在影片中間,結尾卡片 = 標誌 + cta。

階段

#階段執行內容閘門條件
1腳本 + 錄音研究主題(真實事實,附來源)。載入 <kit>/references/voice-script.md + <home>/profile/voice.md。如上所述:鉤子優先的開場 + 結尾,無「!」號,一個類比(或逐步解說),12 個段落 = 12 個影格(格式:references/example/SCRIPT.md)。拼出以字母形式說出的名稱(例如「R-E-A」)。關於 AI「不能做」的主張必須是現今模型為真的事實。不使用行話數字(頁數,而非 token;四捨五入的數量)。撰寫 <film>/SCRIPT.md,將段落以純文字形式交給使用者(無程式碼區塊,最後一段後面不要有任何內容-他們會將整個訊息貼到 ElevenLabs;錄音提示放在該訊息之前),等待 MP3 檔案;使用 ffprobe 取得其長度取得錄音,並記錄長度
2框架 + 時間軸node <skill>/scripts/new-talking-explainer.mjs <film> --name <slug> --mp3 <take.mp3>;<py> <kit>/scripts/transcribe.py assets/audio/vo.mp3 src/timing --lang <code> --prompt "<names, jargon>";<py> <kit>/scripts/words.py src/timing/vo-words.json(提示點表)逐字稿與腳本匹配
3分鏡以全局時間(如下所述)撰寫 STORYBOARD.src.md,格式參照 references/example/STORYBOARD.md:每個段落一個影格,在句子停頓處剪接(總長 = 語音結束 + 2.8 秒),標頭每行一個欄位(- start: / - duration: / - src:),每個區塊標記其關鍵字上的 ZOOM 和 EMPH 節拍,顏色需有意義,包含真實事實和虛構額外資訊,當兩個場景共享一個主體物件時標記 STAGE POSE 接縫。<py> src/storyboard-local.py -> STORYBOARD.md。向使用者顯示影格列表(每行一個)使用者說「開始」
4合約 + 主持人 + 音訊編輯並執行 src/set-film.py(場景 + 語音長度)。編輯並執行 src/set-presenter.py(姿勢在關鍵字之前約 0.1 秒;思考/走路姿勢沒有嘴巴-絕不在語音說話時)。背景音樂:<py> <engine>/scripts/bgm-cut.py assets/audio/bed.mp3 assets/audio/bgm-edit.wav --len <total> --a 0 <total+3> --fade-out 2.6(若影片長於背景音樂則重複主體:--a 0 <len> --b <bar> <len> --b ... --xfade 0.3)-> <py> <kit>/scripts/master-audio.py --len <total> -> <py> <engine>/scripts/build-presenter.py(輸出「lip sync: N poses」)-> <py> <kit>/scripts/build-brand.py(輸出角落標誌視窗)。使用一個 <engine>/scripts/patch_exact.py 腳本重寫 frame.md 中每個 [FILM] 部分。編輯並執行 src/set-cues.py。<py> <engine>/scripts/make-harness.py;<py> <skill>/scripts/make-packets.py;node <engine>/scripts/test-scene.mjs m-presenter "<5 times>"主持人工作表:說話時嘴巴張開,關鍵字時有姿勢
5場景references/workers.md:6 個 Sonnet 工作人員 x 2 個場景,最多同時執行 4 個(修正輪次則計入次數),其提示模板(區域法則包含推動峰值、0.12 限制、僅使用 Solar、Apple 標準、絕不發明數字)。你自己審查中間結果;將修正輪次交給同一個工作人員每張工作表與其區塊匹配,可在工作表縮放比例下閱讀
6交付<py> <engine>/scripts/fromto-scan.py compositions/s*.html(0)-> <py> <engine>/scripts/assemble.py -> npx hyperframes@<film.json hyperframes> lint . + check . -> <py> <engine>/scripts/seam-check.py + node <kit>/scripts/seam-diff-all.mjs -> node <engine>/scripts/render-final.mjs <slug>-1080p60(背景執行;結束時會有閃爍掃描)-> 將渲染結果轉錄到 .hyperframes/work/sync 中 + <py> <kit>/scripts/sync-check.py src/timing/vo-words.json .hyperframes/work/sync/vo-words.json -> <py> <skill>/scripts/frames.py renders/<slug>-1080p60.mp4 frames.jpg --at <每場景一張> 和 --zone --at <每個 ZOOM 峰值> -> node <engine>/scripts/encode-web.mjs renders/<slug>-1080p60.mp4 renders/web --name <slug> --poster <t> -> 交付路徑 + Solar 信用標示行lint/check 報錯為 0,主持人框外接縫為 0.00%,無閃爍,同步中位數約 0.000 秒,任何峰值處紅線下方無殘留

時間只寫一次,使用全局秒數

用手動方式將 20 個場景的字詞時間轉換為場景本地時間是錯誤的來源。在 STORYBOARD.src.md 中,給每個影格 - start: <global> 並將關鍵字標記為 "word"@g<global>;ZOOM 範圍和「退出時間」可以是一般的全局數字。<py> src/storyboard-local.py 會撰寫 STORYBOARD.md,其中每個時間都是本地時間,檢查開始時間是否連續以及每個提示點是否落在其場景內,並輸出用於 set-film.py 的場景列表。SFX(src/set-cues.py)和主持人(src/set-presenter.py)也使用全局秒數撰寫。

建置後替換錄音 / 語言 / 開場(重新計時,絕不重建)

新的錄音 -> 備份 compositions/、film.json、STORYBOARD.md、src/ 到 .hyperframes/work/<old>/,將舊渲染移動到 renders/<old>/ -> 將新錄音複製到 assets/audio/vo.mp3 -> 轉錄 -> 在 set-film.py 中設定新的剪接 -> 主持人姿勢、背景音樂、主音軌、build-presenter、build-brand、set-cues、make-harness -> 撰寫 RETIME.md(每個場景:每個節拍 -> 其新的關鍵字 @ 本地時間;有新內容的場景提供完整區塊;格式 references/example/RETIME.md;「此檔案優先於 STORYBOARD.md 時間」)-> 修補 frame.md 的持續時間 / 標誌視窗 / 接縫 -> 向每個相同工作人員發送其 RETIME 區塊(一次 4 個)。較快的錄音會使場景變短:告訴工作人員在放棄節拍之前先縮短彈簧。

相關技能