Communitygithub.com

calesthio/generative-media-skills

提供者無關的字幕和媒體無障礙方向,供AI代理在製作或完成生成的影片、廣告、社交短片、解說影片、虛擬角色影片、紀錄片、播客/影片重剪、培訓媒體和本地化內容時使用。在規劃、編寫、審查、本地化、內嵌、匯出或QA字幕、隱藏式字幕、SDH、逐字稿、口述影像、閃爍/動作安全性、字幕可讀性或無障礙媒體交付文件時使用。

generative-media-skills 是什麼?

這個AI代理技能為生成式媒體製作提供全面且平台無關的字幕和無障礙方向。它將字幕和無障礙軌道視為核心製作資產,而非事後修飾,並引導AI代理從腳本、混音、剪輯、本地化計劃和平台交付目標中建構它們。此技能支援多種平台,包括Claude Code、Cursor和Codex,並專注於製作高品質的無障礙媒體。其運作方式是先分類媒體類型(如預錄影片、直播、純音訊)、受眾需求(如聽障者字幕、翻譯字幕)和交付目標(如社交媒體內嵌、網路播放器旁載檔案)。它整合了WCAG 2.2、Section508.gov、FCC規則和平台特定指南(如YouTube、Vimeo、Netflix)等關鍵標準,並提供基於事實的生產啟發法,涵蓋字幕編寫、內嵌設計、逐字稿製作、口述影像規劃和感官安全檢查。此技能確保AI代理生成的文件在技術上準確、易於閱讀,並符合各種無障礙法規,同時強調需要由合格的無障礙/法律顧問進行審查以確保合規性。

相容平台~Claude Code~Codex CLI✓Cursor
npx skills add https://github.com/calesthio/generative-media-skills/tree/HEAD/skills/production/audio-craft/captions-media-accessibility

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

字幕與媒體無障礙方向

將字幕和無障礙軌道視為製作資產,而非事後修飾。從腳本、混音、剪輯、本地化計劃和平台交付目標中建構它們。如果使用者要求法律合規性,請說明您使用的標準,並建議由合格的無障礙/法律顧問進行審查;請勿僅憑產生的檔案就承諾法律合規性。

首先分類媒體

在編寫或匯出字幕之前,請確認:

  • 內容類型:附帶音訊的預錄影片、直播/近直播影片、純音訊、純影片或無聲社交短片。
  • 觀眾需求:為聽障/重聽觀眾提供的字幕、為聽眾提供的翻譯字幕、SDH、逐字稿、描述性逐字稿、口述影像、手語或平台預設的自動字幕。
  • 交付目標:社交媒體內嵌、網路播放器旁載檔案、廣播/OTT、LMS/培訓入口網站、內部審查、本地化套件或存檔母版。
  • 無障礙風險:必要的視覺文字、圖表、螢幕錄製、多位講者、重疊對話、音樂/歌詞、聲音驅動的故事節拍、閃爍/頻閃、快速動態排版、低對比度、小型手機螢幕或平台UI疊加層。
  • 最終來源真實:鎖定的混音和最終畫面。產生的腳本、TTS草稿和ASR逐字稿是起點,在剪輯後並非權威。

應保留的記錄事實

在相關時將這些用作事實限制,並在輸出或交接備註中引用來源,當該主張很重要時。

  • WCAG 2.2 要求在A級(SC 1.2.2)為同步媒體中的預錄音訊提供字幕,在AA級(SC 1.2.4)為現場同步音訊提供字幕,並在AA級(SC 1.2.5)為預錄影片提供口述影像。WCAG A級允許根據SC 1.2.3,為預錄同步影片提供口述影像或媒體替代方案。來源:W3C WCAG 2.2,驗證日期:2026-07-10。
  • WCAG 2.2 閃爍指南指出,內容在任何一秒內的閃爍次數不得超過三次,除非低於一般/紅色閃爍閾值。來源:W3C Understanding SC 2.3.1,驗證日期:2026-07-10。
  • WCAG 文字的最低對比度為4.5:1,大型文字為3:1。這是網頁文字的標準;內嵌字幕是影片像素,但除非有更嚴格的平台/規格適用,否則將其用作字幕可讀性的最低設計目標。來源:W3C WCAG 2.2 SC 1.4.3,驗證日期:2026-07-10。
  • Section508.gov 區分隱藏式字幕、開放式字幕、翻譯字幕和逐字稿:隱藏式字幕可以開啟/關閉;開放式字幕永久存在於影片中;翻譯字幕通常為聽眾翻譯對話,通常不包含講者識別或非語音音訊;逐字稿沒有時間碼。來源:Section508.gov 同步媒體指南,驗證日期:2026-07-10。
  • 美國FCC針對涵蓋電視節目的字幕品質規則規定了準確性、同步性、完整性和放置位置的品質;字幕應包括相關的非語言資訊、清晰可讀,並避免遮擋重要的視覺內容。來源:47 CFR Sec. 79.1 via Legal Information Institute/eCFR text,驗證日期:2026-07-10。此技能不判定特定專案是否受FCC規則涵蓋。
  • YouTube 說明將SRT和SBV/SubViewer列為基本格式,將WebVTT/TTML/SAMI/RealText列為進階格式;基本的SRT/SBV檔案必須是純UTF-8格式,YouTube指出樣式支援有限。來源:YouTube 說明,驗證日期:2026-07-10。
  • Vimeo 說明指出 Vimeo 支援 SRT 和 WebVTT 用於字幕,建議使用 WebVTT,並要求 UTF-8 編碼以處理特殊字元。來源:Vimeo 說明,驗證日期:2026-07-10。
  • WebVTT 是一種 UTF-8 定時文字格式,與媒體軌道一起使用;它以 WEBVTT 開頭,包含定時提示,可用於字幕、翻譯字幕、描述、章節或中繼資料,具體取決於播放器支援。來源:W3C/MDN 和 Library of Congress WebVTT 文件,驗證日期:2026-07-10。
  • W3C WebVTT 語法要求 UTF-8、WEBVTT 檔案簽名、帶有毫秒的提示時間、有序的提示開始時間以及大於開始時間的結束時間。格式允許提示重疊用於字幕/翻譯字幕,但許多字幕交付工作流程仍然拒絕或標記重疊。來源:W3C WebVTT Candidate Recommendation Draft,驗證日期:2026-07-11。
  • SRT 是一種廣泛使用但標準化程度較低的純文字旁載檔案約定,由重複的區塊組成:數字計數器、開始/結束時間行、字幕文字和空行分隔符。常見的交付實務使用 HH:MM:SS,mmm --> HH:MM:SS,mmm 時間格式和 UTF-8 用於現代平台上傳,儘管舊版 SRT 檔案可能使用其他編碼。來源:Library of Congress SRT format description plus platform guidance already cited here,驗證日期:2026-07-11。
  • Netflix 定時文字指南是平台特定的,並非普遍規律。其公開的合作夥伴幫助指南包括最大2行、語言特定樣式指南、一般要求中的最小/最大事件持續時間,以及美式英語 SDH 約定用於括號內的講者識別/音效。來源:Netflix Partner Help Center,驗證日期:2026-07-10。

應用的生產啟發法

這些是工藝預設值。為正式的客戶樣式指南、廣播規範、語言特定的字幕慣例或平台驗證錯誤覆蓋它們。

  • 只要平台支援,優先使用旁載字幕檔案以實現無障礙。僅在平台、廣告投放或用戶體驗要求文字始終可見時,才添加內嵌/開放式字幕。
  • 如果為了社交媒體而內嵌字幕,仍保留可編輯的旁載檔案/逐字稿母版。內嵌字幕無法切換、重新設定樣式、搜尋、翻譯或被輔助技術可靠地使用。
  • 對預錄媒體使用編輯過的字幕。自動字幕對於草稿比對很有用,但最終作品需要人工/代理根據音訊、講者身份、標點符號、音效、專有名詞和時間進行審查。
  • 保持提示易於閱讀:通常1-2行,平衡的行長度,自然的短語斷句,以及足夠的螢幕顯示時間以便從容閱讀。如果文字過於密集,僅編輯非必要的冗餘,同時保留含義和關鍵詞彙。
  • 將提示時間對齊其所代表的音訊:在語音/聲音開始附近出現,在其結束附近消失,避免提示重疊,並避免讓字幕在聽到之前就領先於笑話、揭露或安全關鍵指示。
  • 當字幕遮擋臉部、下方三分之一、產品UI、圖表、畫面中已有的翻譯字幕、法律疊加層或平台控制項時,重新定位字幕。
  • 在生成的影片中,透過為無障礙設計腳本和剪輯來減少字幕工作量:更少的競爭性聲音、可讀的螢幕文字、盡可能在旁白中描述視覺資訊,以及必要時為口述影像預留暫停。

字幕和SDH編寫

根據以下輸入建立字幕母版:

  • 鎖定的影片和音訊;
  • 最終旁白/對話腳本或逐字稿;
  • 講者清單,包含姓名、頭銜、角色、發音以及姓名首次揭露的時間;
  • 產品名稱、專有名詞、縮寫、技術術語、法律詞組和發明/生成名稱的詞彙表;
  • 音樂提示表和歌詞狀態;
  • 螢幕文字清單、圖表/數據標註以及任何僅視覺的故事節拍;
  • 目標格式、幀率/時間碼政策、語言/地區標籤和樣式指南。

對於每個字幕提示:

  • 按順序包含口語單詞。除非可讀性/時間限制要求壓縮且所選標準允許,否則不要改寫。
  • 保留含義、語調和基本詞彙。當刻畫角色、幽默、安全或指示需要時,保留有意的俚語、語法錯誤、重複或猶豫。
  • 使用標點符號來釐清含義,而非裝飾。
  • 當觀眾無法從放置位置或畫面可靠推斷誰在說話時,識別講者。僅在內容揭露後使用已知姓名;否則使用中性描述詞,例如 [旁白], [畫外音], [女性1] 或客戶批准的標籤。
  • 當非語音音訊影響含義、情緒、安全、故事或指示時,將其包含在內:[警報響起], [輕柔鋼琴音樂], [觀眾笑聲], [門解鎖]。不要為每個附帶聲音都加上字幕。
  • 當歌詞可聽見且重要時,在權利/客戶指示下為歌詞加上字幕。如果歌詞未加字幕,則在影響體驗時識別音樂。
  • 避免揭露聽覺觀眾在那一刻無法獲得的資訊。不要為神秘講者命名,不要提前揭露轉折,或解釋隱藏的原因。
  • 除非字幕代表聲音或講者識別,否則避免在字幕中包含視覺描述。視覺存取屬於旁白、整合式描述、口述影像或描述性逐字稿。

換行:

  • 在句子、子句或短語邊界處斷行。
  • 避免分開冠詞與名詞、形容詞/修飾語與名詞、名字與姓氏、助動詞與主動詞、介詞與其受詞,或主詞代名詞與其動詞。
  • 當有更清晰的拆分方式時,不要將一個句子的結尾和另一個句子的開頭放在同一行。
  • 盡量少用雙講者提示;當不可避免時,使用目標格式/平台支援的一致慣例,使講者在視覺上有所區分。

時間:

  • 將字幕對齊最終音訊,而非腳本時間。
  • 除非出於可讀性需要且不會產生誤導,否則不要讓字幕在語音結束後持續過久。
  • 當有助於提高可讀性時使用間隙,但避免因非常短的間隙而產生不必要的閃爍。
  • 如果講者被打斷,使用能讓打斷易於理解的標點符號。
  • 對於快速的免責聲明、安全指示或法律文字,應回絕難以閱讀的傳遞方式,而不是將問題隱藏在極小的字幕中。

內嵌/開放式字幕設計

內嵌是疊加在動態影像上的排版。像設計可讀的UI一樣設計它:

  • 在所有代表性畫面上使用高對比度。當背景變化時,添加半透明方塊、陰影、描邊或漸層。
  • 保持文字足夠大,以適應最小的預期螢幕和壓縮路徑。在手機尺寸上預覽,而不僅僅是在桌面顯示器上。
  • 為平台UI預留邊距:字幕、帳號、反應按鈕、進度條、下方三分之一和區域因平台和方向而異。
  • 避免將字幕放置在臉部、唇形同步/虛擬角色作品中的嘴巴、正在展示的產品、圖表、已存在的翻譯字幕和手語翻譯員上方。
  • 保持動畫克制。動態逐字字幕可以幫助社交媒體保留率,但如果它們省略單詞、移動過快、缺乏對比度或無法關閉,則不能替代無障礙字幕。
  • 不要僅使用顏色來區分講者或含義。將顏色與標籤、放置位置或其他非顏色線索配對。

逐字稿和描述性逐字稿

當使用者要求時、當媒體僅為音訊時、當培訓/搜尋/審查工作流程從中受益時,或當無障礙要求需要基於時間的媒體替代方案時,提供逐字稿。

基本逐字稿:

  • 包含語音、講者姓名、有意義的非語音音訊以及音樂/歌詞備註。
  • 修正明顯的ASR錯誤、標點符號和專有名詞。
  • 當有助於導航時,添加標題或時間戳。

描述性逐字稿:

  • 包含基本逐字稿以及必要的視覺資訊:螢幕文字、圖表、動作、場景變化、示範、手勢以及僅視覺的笑話或指示。
  • 使用與字幕和口述影像相同的真實來源。
  • 偏好簡潔的描述,讓讀者無需觀看或聆聽影片就能理解內容。

口述影像規劃

盡可能在畫面鎖定之前規劃口述影像。對於許多解說、示範和培訓影片來說,最便宜且最乾淨的解決方案是整合式描述:編寫主要旁白,使其自然地說出必要的視覺資訊。

選擇方法:

  • 整合式描述:最適合新的解說影片、培訓影片、螢幕示範、產品導覽和教育媒體,其中旁白可以提及視覺上重要的事物。
  • 單獨的口述影像音軌:最適合原始混音應保持不變且播放器/平台支援替代描述音軌的情況。
  • 描述性影片替代匯出版本:最適合平台不支援用戶可選擇的口述影像但可以託管第二個版本的情況。
  • 定時文字描述檔案:在播放器支援從文字進行描述時可能可行;驗證播放支援。
  • 描述性逐字稿:對於廣泛存取很有用,並且在某些WCAG背景下是必需的,但並不總是能夠在要求的符合性級別上取代同步口述影像。

要描述什麼:

  • 必要的動作、身份、場景變化、設定、圖表、圖表、螢幕操作、螢幕文字、產品狀態、手勢以及僅視覺的因果關係。
  • 在引導觀眾時,從一般到具體進行描述。
  • 優先考慮跟隨、理解和欣賞內容所需的事項。不要填滿每一個停頓。
  • 使用現在時、主動語態、客觀的措辭和適合受眾的詞彙。
  • 當一個可見的事實就足夠時,避免解釋情緒或意圖。除非情緒另有說明、明確無誤且相關,否則偏好“Maya 握緊拳頭”而不是“Maya 非常憤怒”。
  • 盡可能在相關視覺時刻之前或期間放置描述,而不是在觀眾需要它之後。
  • 除非必要,否則避免在對理解至關重要的對話或音訊上說話。

閃爍、動作和感官安全

對生成的動態圖形、故障剪輯、閃電、警報、相機閃光燈、頻閃、快速剪輯、高對比度模式閃爍、紅色閃爍和激進的動態排版進行感官安全檢查。

  • 避免閃爍超過 WCAG 每秒三次閃爍的閾值

…

[為翻譯而截斷]

Individual skills in this repo

This repo contains 9 individual skills — each has its own dedicated page.

calesthio/brand-launch-film-production

Provider-independent production workflow for AI agents creating brand launch films, product reveal videos, manifesto films, campaign hero films, website hero videos, investor/customer launch assets, and social cutdowns. Use when planning, scripting, generating, editing, reviewing, or delivering launch films that must align strategy, claims, brand voice, visual direction, product proof, accessibility, compliance, and multi-platform delivery.

calesthio/character-design-continuity

Provider-independent character design and continuity direction for generated media. Use when an agent must create, preserve, revise, or QA a recurring character across AI-generated images, video clips, avatars, animation, comics, ads, product mascots, serialized social posts, or multi-shot campaigns; especially when building character bibles, reference packs, prompts, expression/pose ranges, costume/hair/makeup/prop continuity, identity and likeness safeguards, iteration plans, handoff notes, or continuity reviews.

calesthio/generative-media-skills

Provider-independent cinematic trailer production for AI agents creating movie-style trailers, teaser trailers, launch trailers, game trailers, documentary trailers, series promos, and high-impact generated-media previews. Use for trailer strategy, structure, shot planning, voiceover/title-card copy, music and sound-design direction, generated-video prompt translation, edit pacing, platform/runtime choices, delivery handoff, rights/claims caveats, and trailer QA.

calesthio/generative-media-skills

Provider-independent explainer video production for AI agents creating educational, product, concept, nonprofit/public-service, onboarding, training, animated, mixed-media, and short social explainers. Use when an agent must turn a topic, brief, research corpus, product, process, policy, dataset, or complex idea into a factual, accessible, narrated, captioned, storyboarded, generated-media-ready explainer video with claim review, localization, pacing, variants, and QA.

calesthio/generative-media-skills

Use this skill to plan, direct, finish, and QA provider-independent mono or stereo 180-degree, 360-degree, spherical, spatial, wide-FOV, and immersive video. It covers format choice, capture rigs, stitching, nadir and seam management, stereoscopic comfort, attention direction, stabilization, ambisonic and spatial audio, titles, captions, accessibility, edit, color, VFX, projection metadata, Vision Pro, YouTube, headset delivery, device QA, and privacy, location, and likeness rights. Do not use it for interactive XR apps, volumetric/world-model generation, game-engine experiences, or provider-specific video generation prompts.

calesthio/generative-media-skills

Provider-independent production workflow for AI agents creating music videos, lyric videos, visualizers, performance/narrative/dance videos, social cutdowns, album or single launch assets, and generated-media clips synchronized to songs. Use when planning, directing, prompting, editing, reviewing, or delivering video content built around a recorded song, artist performance, lyrics, beat timing, choreography, platform variants, music rights, likeness consent, accessibility, or synthetic-media disclosure.

calesthio/generative-media-skills

Provider-independent dialogue editing and ADR direction for AI agents producing generated videos, films, ads, avatar clips, explainers, localization/dubbing, podcasts, recuts, and social content. Use for dialogue prep, repair, room tone, take comping, sync, ADR cueing, dubbing direction, pronunciation, de-essing, plosives, mouth clicks, voice continuity, synthetic voice consent boundaries, captions/transcripts handoff, mix handoff, loudness, intelligibility, accessibility, and QA.

calesthio/generative-media-skills

Provider-independent localization and dubbing production direction for AI agents producing translated videos, dubbed ads, social clips, explainers, avatar videos, documentaries, training media, and multi-market campaigns. Use when planning or reviewing subtitle-versus-dub strategy, translation adaptation, glossary/style-guide setup, casting or voice matching, lip-sync or phrase-sync direction, synthetic dubbing boundaries, captions/subtitles handoff, accessibility, platform delivery, client review, or localization QA.

calesthio/motion-graphics-direction

Provider-independent motion graphics direction for AI agents producing title sequences, lower thirds, explainer graphics, product UI overlays, social ads, kinetic typography, diagrams, data callouts, brand films, and video post. Use when planning, prompting, storyboarding, specifying, implementing, reviewing, or QAing motion graphics across live footage, generated video, UI capture, data visualization, brand systems, typography, accessibility, claim integrity, runtime handoff, and iteration.

相關技能