Communitygithub.com

calesthio/generative-media-skills

與供應商無關的對話編輯與ADR導演技能,適用於AI代理生成影片、電影、廣告、虛擬角色片段、解說、在地化/配音、播客、重剪及社交內容。可用於對話準備、修復、環境音、素材篩選、同步、ADR提示、配音指導、發音、消齒擦音、爆破音、嘴部雜音、聲音連續性、合成語音同意邊界、字幕/逐字稿交接、混音交接、音量、清晰度、無障礙性及品質控管。

generative-media-skills 是什麼?

此技能專為需要處理口語音訊的AI代理設計,涵蓋對話編輯、ADR(自動對白替換)導演、配音指導、合成語音邊界管理及無障礙字幕交接等專業領域。它不僅將對話視為波形,更將其視為一種表演與編輯合約,目標是在保留清晰度、意圖、連續性與權利的前提下,為後續的混音師、字幕員、在地化團隊或下游影片代理提供明確的素材。此技能深度整合了ITU-R、EBU、FCC、W3C及Netflix等權威組織的官方標準與最佳實踐,為AI代理提供可驗證的事實依據。它強調以最少干預的方式解決問題,從使用備用音軌到精準修復,最後才考慮ADR或合成重新生成,確保原始表演的最佳品質。此外,技能也明確規範了合成語音的使用邊界,要求代理必須驗證語音來源的權利與同意,避免未經授權的仿冒或使用。該技能適用於Claude Code、Codex、Cline等多種代理平台,其中包含詳細的檢查清單、對話地圖模板與具體的修復流程,讓AI代理能像專業音訊工程師一樣進行系統性的音訊後期處理。

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/dialogue-editing-adr

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

對話編輯與ADR導演

當口述音訊必須承載故事、品牌、指令、角色或無障礙性時,請使用此技能。將對話視為一場表演和一份編輯合約,而不僅僅是波形。目標是保留清晰度、意圖、連續性與權利,同時為後續的混音師、字幕員、在地化團隊或下游影片代理提供明確無誤的素材。

證據立場

以下記錄的事實來自專業標準、官方平台指引、官方工具文件或權利組織。易變的平台/工具/法律事實已於2026年7月10日查證。經驗觀察僅限於AI代理應在實際專案中執行的聆聽/QC行為;未經試聽,不假設任何通用的音訊處理結果。生產啟發法是在畫面和輸出規格下進行測試的實用預設值,而非音訊法則。

第一步:判斷對話問題類型

在處理每句台詞或段落前,先進行分類:

  • production-edit:可用的原始音訊需要清理、平滑、填充、符合或篩選。
  • performance-fix:台詞技術上可用,但語調、情感、發音、重音或時機不符合場景需求。
  • ADR-replace:原始音訊無法聽懂、含有無法修復的噪音/削波、包含更改過的劇本、需要法律/品牌修正,或必須配合新的剪輯。
  • localization-dub:新語言或地區版本必須保留原意、表演、時機與畫面同步。
  • VO-style-dub:原始聲音部分可聞或刻意在當地配音下壓低。
  • synthetic-rerender:必須重新生成、編輯或指導授權的合成語音或通用TTS語音。
  • caption/transcript-handoff:文字資產必須準確且無障礙地呈現最終聽到的音訊。

不要只因修復不便就選擇ADR或合成替換。首先判斷原始表演能否在無可聞偽影的情況下變得可聽懂、演員/語音權利是否允許替換,以及替換後是否能與畫面和連續性匹配。

應尊重的事實記錄

  • ITU-R BS.1770-5規定了測量音訊節目響度和真實峯值位準的演算法;它是一種測量方法,而非創意混音配方。來源:ITU-R BS.1770-5,2026年7月10日查證。
  • EBU R 128 5.0版建議將節目響度歸一化至-23 LUFS,並使用響度範圍與真實峯值描述詞。來源:EBU R 128,2026年7月10日查證。
  • FCC針對美國電視的字幕品質指引使用四大支柱:準確性、同步性、完整性與位置。FCC指引指出,預錄節目應完全合規,因為可以進行離線審查。來源:FCC DA 21-469,2026年7月10日查證。
  • W3C WCAG 2.2 SC 1.2.2要求同步媒體中的預錄音訊需提供字幕,字幕需涵蓋對話、說話者識別及有意義的非語言資訊。來源:W3C WAI Understanding SC 1.2.2,2026年7月10日查證。
  • Netflix定時文字一般要求使用最少5/6秒、最多7秒的字幕事件持續時間、最多兩行,以及避免遮擋相關螢幕文字的位置。這些是Netflix的要求,並非通用規格。來源:Netflix合作夥伴幫助中心,2026年7月10日查證。
  • Netflix配音指導強調,唇形同步主要應根據畫面而非原始版本的波形進行判斷;關鍵時刻應考量嘴型、唇音以及嘴部開始/結束形狀。來源:Netflix配音指導原則,2026年7月10日查證。
  • Netflix配音/混音指導要求對話應自然地嵌入音樂與效果音軌中,具有真實的電平、EQ、殘響、遠近感、模擬效果以及跨語言的連續性。來源:Netflix配音內容混音風格指南,2026年7月10日查證。
  • Netflix非虛構類英語配音指導建議錄製乾淨的對話,除不超過100 Hz的低切外不使用動態處理,移除舌頭點擊/唾液聲(若為表演驅動則除外),對話片段使用淡入淡出,根據音訊參考進行剪輯,並在適用的工作流程中使配音對話與原始版本在相同時間結束。來源:Netflix合作夥伴幫助中心,2026年7月10日查證。
  • iZotope RX文件將「Mouth De-click」描述為檢測並減少嘴部雜音(如點擊聲和嘖嘖聲),但警告高靈敏度可能影響爆破音或損壞原始訊號。「RX De-plosive」則用於識別並減少爆破音,同時保留語音基礎與泛音,但強度過高會損害有用的語音。這些是工具能力,並非保證。來源:iZotope RX文件,2026年7月10日查證。
  • 美國版權局AI報告頁面指出,第一部分於2024年7月31日發布,涉及數位複製品;而SAG-AFTRA的AI框架將明確同意、公平補償與表演控制權作為護欄。NAVA建議表演者合約應包含同意、AI/合成使用與訓練限制、退出或期限限制、付款、獨家性說明以及安全儲存/追蹤。這些並非完整的法律意見。來源:美國版權局、SAG-AFTRA、NAVA,2026年7月10日查證。

應在實際媒體上執行的經驗檢查

聆聽,不要僅憑量表推斷。對於每個交付項目,至少執行以下檢查:

  • 耳機檢查:點擊聲、剪輯痕跡、呼吸聲、爆破音、衣物摩擦聲、嘶嘶聲、粗糙的去噪偽影、被截斷的音節、不自然的環境音循環。
  • 喇叭檢查(一般消費者音量):關閉字幕,判斷不熟悉劇本的人能否跟上台詞。
  • 小喇叭或單聲道檢查:當內容可能在手機、筆電、電視或社交媒體上觀看時。
  • 畫面同步檢查:使用最終幀率和編碼路徑,因為DAW、NLE、瀏覽器或低延遲預覽的計時可能誤導同步判斷。
  • 背景脈絡檢查:搭配音樂、效果與字幕/副標題(以最終發行版本為準);單獨聽很清晰的台詞在完整混音中可能失敗。

生產啟發法

建立對話地圖

在修復或ADR之前,建立一個逐句的地圖。包含:

  • 時間碼(進/出);
  • 說話者/角色;
  • 在螢幕上或螢幕外狀態;
  • 來源檔案/鏡次/音軌;
  • 確切聽到的文字與預期文字(如有不同);
  • 問題標籤;
  • 建議處理方式;
  • 發音符號;
  • 任何真實人物語音或合成肖像的權利/同意狀態;
  • 給字幕、逐字稿、混音師或在地化團隊的交接備註。

偏好以下格式:

TC In-Out | 說話者 | 畫面 | 聽到/預期 | 問題 | 處理 | 備註
00:00:12:04-00:00:15:10 | Maya | 上 | "我們星期五出貨" | "星期五"處有風扇聲+點擊聲 | 修復 | 保留笑聲呼吸;環境音B
00:00:35:12-00:00:37:01 | CEO | 下 | "Series B" 被誤讀為 "serious B" | 發音 | ADR | 說 "SEER-eez bee";法律名稱不變

保留最佳原始表演

使用對真實問題干擾最小的路徑:

  1. 備用麥克風或隔離的原始聲道。
  2. 備用鏡次或野生台詞。
  3. 手動剪輯、片段增益、短交叉淡入、環境音填充。
  4. 僅針對缺陷進行目標修復。
  5. 當台詞仍無法聽懂、錯誤、不安全或偏離簡報時,使用ADR或合成重新生成。

避免先進行廣泛降噪。廣泛處理通常會在解決剪輯問題之前,先減少子音細節、呼吸真實感和環境連續性。

將對話剪輯為連續的氣息

在組裝或篩選時:

  • 保留支持表演的呼吸,僅移除分散注意力或技術上不良的呼吸。
  • 在對話被剪斷的每個間隙使用環境音或匹配的氛圍。
  • 為每個剪輯邊界添加交叉淡入,除非剪輯落在掩蓋的噪音或真正不需要淡入的瞬態中。
  • 根據場景、麥克風遠近感和情感距離匹配環境音。不要將單一「靜音」背景貼到不同房間。
  • 使用片段增益在壓縮前平滑音節。將壓縮視為混音輔助,而非修復不穩定剪輯的工具。
  • 維持子音攻擊。不要僅僅因為波形看起來很安靜就剪掉爆破音、摩擦音或軟音入口的前端。

按修復順序清理偽影

使用有目標、經過試聽的步驟:

  1. 透過邊界、淡入和零點交叉調整移除剪輯爆音。
  2. 局部減少嘴部點擊/嘖嘖聲;當真實感重要時,保留與表演相關的嘴部質感。
  3. 使用目標低頻或去爆破音處理減少爆破音;如果實用的低頻聲音受損,則復原並使用手動片段增益/頻譜修復。
  4. 使用窄頻、動態處理控制嘶嘶聲;不要讓說話者變成大舌頭。
  5. 使用高通或嗡嗡聲移除,僅進行必要程度的處理以減少嗡嗡聲/隆隆聲。對於口語內容,低切選擇必須尊重語音本體和輸出規格。
  6. 保守使用降噪/去殘響/對話隔離,聆聽是否產生水聲、相位聲、唧唧聲或暗淡的子音。
  7. 修復後重新平衡片段增益和環境音,因為修復可能揭露新的不連續性。

如果修復產生的偽影比原始問題更明顯,請復原並選擇備用鏡次、ADR或誠實地標註「無法乾淨修復」。

ADR與配音指導

準備提示

一個ADR提示應該讓表演者無需猜測即可表演。包含:

  • 一句話的場景脈絡;
  • 畫面參考時間碼;
  • 確切台詞及經核准的替代台詞;
  • 需要ADR的原因;
  • 表演意圖;
  • 同步錨點:嘴巴開始/結束、唇音、可見的停頓、手勢、呼吸、反應;
  • 名稱、縮寫、產品術語及敏感詞的發音指南;
  • 麥克風/遠近感目標:近距離、胸腔音、耳語、隔室大喊、電話、頭盔、廣播、檔案等;
  • 房間/處理目標,以及混音師應匹配原始瑕疵還是改善清晰度;
  • 需要的鏡次數以及鏡次之間的變化。

對於提示方式,使用演員和錄音設備支援的任何方式:嗶聲、彩帶、視覺文字、循環錄音或聽寫重複。三聲嗶聲ADR在電影工作流程中很常見,但如果會影響演員就別強求。提示方法是表演輔助,而非目標。

在波形之前指導表演

給演員可表演的動詞和脈絡:

  • 說出說話者希望聽者做什麼。
  • 辨識台詞中的情感轉折。
  • 一次只給一個時機指示。
  • 保留場景中的社會地位、疲勞感、年齡、口音政策和關係。
  • 除非故事需要額外清晰度,否則要求自然的發音。
  • 對於廣告和解說,圍繞意義而非每個品牌詞進行強調。過度強調的產品術語聽起來很假。

對於在地化,保留意圖而非詞序。當角色和簡報合適時,使用口語化的目標語言措辭。當畫面同步重要時,根據嘴巴和剪輯而非僅根據原始波形進行判斷。起始和結束的嘴型、可見的唇音、以及開母音在特寫和關鍵時刻最為重要。

捕捉足夠的鏡次以供剪輯

要求:

  • 一個忠實於時機的鏡次;
  • 一個優先考慮表演的鏡次;
  • 一個發音更清晰的鏡次;
  • 一個安全備用,帶有較短或較長的短語(如果同步可能需要);
  • 僅在權利和表演需求證明合理時,才錄製環境音/努力聲/呼吸聲。

對於非虛構VO風格的配音,除非風格指南或客戶明確要求,否則避免錄製笑聲、哭聲和非語言反應。當原始非語言聲音保留在混音中時,編輯應突出它們而非重複。

維護聲音連續性

為重複出現的聲音建立連續性備註:

  • 聲音來源或演員;
  • 同意/權利範圍;
  • 語言/地區;
  • 年齡、性別表達、口音政策、方言備註;
  • 說話速率範圍;
  • 音高/能量範圍;
  • 麥克風距離與房間;
  • 標誌性發音;
  • 先前的處理:EQ、殘響、模擬效果、噪底、去嘶聲行為;
  • 例外情況,如檔案、電話、壓力、疾病、閃回或故意不匹配。

除非專案擁有明確權利且對該特定用途已取得知情同意,否則切勿使用合成複製來「匹配」真實人物的聲音。如果同意不明確,請提供通用語音、新的選角方向或權利確認問題。

合成語音邊界

在使用TTS、語音轉換、語音複製或合成配音之前:

  • 確認誰擁有或控制來源語音、說話者是否同意此用途、是否允許模型訓練或語音複製、用途是否受期限/地區/媒體限制,以及客戶、平台、合約或法律是否要求揭露。
  • 未經書面許可,不得基於可識別的活人或死者進行訓練、複製、模仿或「聽起來像」。
  • 不得使用合成語音讓某人看起來說了他們未授權的話。
  • 不得從公開可用的錄音推斷同意。
  • 保留審計備註:來源、許可/同意摘要、語音ID、提供者/模型、日期、提示、參數、編輯者及最終用途。
  • 如果提示要求模仿受保護或可識別的語音而無權利,請轉向允許的聲音品質:年齡範圍、能量、速度、音色、口音(僅在適當且非諷刺描繪時)。

好的合成指導仍然是表演指導:

語音:授權內部品牌敘述者,平靜但非昏昏欲睡。
台詞:「您的備份在咖啡完成之前就結束了。」
意圖:令人安心的證明,而非炒作。
速度:中快;提到「咖啡」時帶輕微笑意;無播音員式的轟鳴。
發音:「backup」讀為 BACK-up,而非 back-UP。
表演限制:不得模仿任何名人或員工;不得添加額外文字。
編輯備註:留200毫秒乾淨尾巴用於交叉淡入;提供乾WAV及時間碼。

字幕、逐字稿與無障礙性交接

口語音訊交接必須與最終發行版本匹配,而非與原始劇本匹配。

...

[因內容過長被截斷]

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 captions and media accessibility direction for AI agents producing or finishing generated videos, ads, social clips, explainers, avatar videos, documentaries, podcasts/video recuts, training media, and localized content. Use when planning, authoring, reviewing, localizing, burning in, exporting, or QAing captions, subtitles, SDH, transcripts, audio description, flashing/motion safety, caption readability, or accessible media handoff files.

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