Communitygithub.com

calesthio/generative-media-skills

提供者無關的本地化與配音製作指導,供 AI 代理用於製作翻譯影片、配音廣告、社群短片、解說影片、虛擬人偶影片、紀錄片、培訓媒體及多市場活動。在規劃或審核字幕與配音策略、翻譯改編、術語表/風格指南設定、選角或聲線匹配、嘴型同步或詞組同步指導、合成配音界限、字幕/隱藏字幕交接、無障礙存取、平台交付、客戶審核或本地化品質檢查時使用。

generative-media-skills 是什麼?

此技能提供一套完整的本地化與配音製作策略,協助 AI 代理將原始影片轉換為適應特定市場的版本,避免單純的文字替換。它能引導代理辨識內容類型(如娛樂、廣告、培訓、兒童內容或高情感戲劇),並根據內容特性建議最適合的本地化模式,包括字幕、隱藏字幕、旁白、詞組同步配音或嘴型同步配音。技能強調「先理解意圖,再處理文字,最後調整時間」的兩階段腳本處理流程,並要求建立術語表與風格控制,以確保品牌語調、法律用語和專業術語在不同市場的一致性。此外,技能涵蓋選角與聲線指導、無障礙標準(如 WCAG)、平台特定規範(如 Netflix、YouTube)以及合成語音與虛擬人偶的知情同意與揭露要求,提供從前期規劃到最終品質檢查的完整製作藍圖。它支援 Agent、Claude Code 和 Cursor IDE,並可與其他 Ant 生態系統技能串接以擴充功能。

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/localization-dubbing-production

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

本地化與配音製作

使用此技能將原始影片轉換為符合市場需求的在地化版本,而非僅進行文字替換。在選擇任何供應商或模型之前,直接引導本地化策略、腳本改編、語音處理方式、時間控制、無障礙存取、版權檢查、審查流程與品質控制。

此為製作指導,不構成法律建議。若工作涉及人才合約、工會涵蓋的表演者、生物特徵/語音資料、肖像權、政治內容、受規範的宣稱、未成年人、健康/金融/法律相關宣稱,或在多個司法管轄區進行付費媒體宣傳,則在發布前應要求合格的法律/當地市場審查。

證據立場

本技能中記錄的事實,除非另有說明,均基於末尾所列的來源,並於 2026-07-10 驗證。經驗觀察是本地化/配音工作中反覆出現的製作模式,應根據實際的原始媒體進行核對。製作啟發式規則是供代理參考的決策依據;當客戶簡報、平台規範、法律、無障礙要求或當地審查員提出異議時,應以這些為優先。

從分類工作開始

在進行本地化選擇前,先識別內容類型:

  • 娛樂、紀錄片、見證、新聞或創作者內容:保留語調、身份、文化特殊性與信任。對於見證或新聞報導,字幕可能比配音更為忠實。
  • 廣告、產品發布、應用程式展示、社群短片、虛擬人偶影片或解說影片:最佳化理解度、記憶度、品牌語調與平台行為。配音或在地重新配音通常值得投入成本。
  • 培訓、法規遵循、醫療、金融、法律或公部門媒體:優先考量準確性、術語控制、無障礙存取、可追溯的審查與可稽核的核准,而非流暢性的捷徑。
  • 兒童/家庭、識字能力有限或關閉音效的行動觀眾:不要假設僅靠字幕就足夠;應考慮配音、字幕、視覺強化及更簡潔的閱讀負擔。
  • 高情感張力的戲劇、特寫鏡頭主持人、虛擬人偶或臉部特寫廣告:應及早決定是否需要嘴型同步,因為這會改變腳本、選角、剪輯與品質負擔。

索取或推斷以下基本資訊:

  1. 原始語言、目標地區、觀眾、平台、發布日期與區域。
  2. 聲音、肖像、音樂、螢幕上人物及合成處理的現有合約/許可。
  3. 原始素材:最終影片、乾淨的對話/音樂/音效分軌(如可用)、逐字稿、字幕、品牌指南、已核准的產品用語、活動宣稱、法律免責聲明、剪輯專案或鏡頭清單。
  4. 每個地區的交付模式:字幕、聽障者字幕、旁白、詞組同步配音、嘴型同步配音、在地化虛擬人偶表演,或完全重新剪輯的市場版本。
  5. 審查者:母語審查員、品牌/法律審查員、主題專家審查員、無障礙審查員及最終核准者。

在規劃階段區分事實、觀察與啟發式規則

記錄下來的事實應帶入製作流程:

  • WCAG 2.1 要求同步媒體中的預錄音訊應提供字幕(成功準則 1.2.2 Level A),並對即時音訊提供字幕(1.2.4 Level AA)。當視覺資訊無法以其他方式取得時,另需提供語音描述(1.2.5 Level AA)。
  • FCC 對電視隱藏字幕的品質要求涵蓋準確性、同步性、完整性與放置位置。即使 FCC 規則不適用於特定的網路/社群媒體交付物,這些維度仍然是實用的字幕品質控制分類標準。
  • Netflix 的計時文字通用規範規定,Netflix 交件的字幕事件持續時間最小為 5/6 秒,最大為 7 秒;請勿盲目將 Netflix 的限制套用於非 Netflix 平台,但可將其作為可讀性的檢查基準。
  • ISO 17100:2015 定義了翻譯服務核心翻譯流程與資源的要求;其公開摘要指出,純機器翻譯輸出加上後編輯不在其範圍內。
  • YouTube 多語言音訊功能允許符合條件的創作者為單一影片或 Short 上傳其他語言的音軌;上傳的音軌必須是純音訊,且長度大致與影片相同。YouTube 自動配音是獨立功能,可能包含發音、方言、慣用語、專有名詞、行話、語音辨識或聲音匹配方面的錯誤。
  • YouTube 要求創作者在 Studio 中揭露真實感 AI 生成或經 AI 大幅變更的內容;YouTube 表示字幕製作無需揭露,並將「為自己的聲音配音或配音」列為創作者無需揭露的範例,但此為平台政策,並非全面的權利豁免。
  • WebVTT 是 W3C 的一種文字軌道格式,用於時間對齊的字幕/隱藏字幕、描述、章節與元資料。
  • NAVA 將合成/AI 語音的「積極同意」定義為表演者或其代表做出的明確放棄或同意,排除所有其他用途。SAG-AFTRA 的公開 AI 資源強調在工會情境中,同意、揭露與數位複製保護的重要性。

每個專案需驗證的經驗觀察:

  • 字面直譯經常破壞時間控制、幽默感、螢幕 UI 對應、嘴部動作、法律細微差別與品牌語調。
  • AI 配音系統最可能在以下情況失敗:說話者重疊、吵雜音訊、地方口音、名字、縮寫、笑話、諷刺、語碼轉換、快速說話、歌曲與領域行話。
  • 觀眾對旁白、培訓、解說影片及鏡頭外旁白的同步要求,比對特寫人類表演、見證、戲劇或虛擬人偶發言人要寬鬆。
  • 某些地區預設娛樂內容應該配音,其他地區則偏好字幕以保持真實感。請將此視為市場研究,而非通用規則。

製作啟發式規則:

  • 先本地化意圖,其次是措辭,最後是時間控制。一句流暢但遺漏了宣稱、笑點或行動呼籲的台詞就是錯誤的。
  • 除非本地化計劃明確包含逐市場重新剪輯,否則應在本地化之前鎖定原始剪輯版本。
  • 在翻譯超過樣本之前的內容前,先建立術語庫。錄製後才修正術語代價高昂。
  • 使用母語者進行市場適用性審查,而不僅僅是雙語者進行字典級別的準確性審查。
  • 當嘴部動作並非信任或沉浸感的關鍵時,優先選擇詞組同步而非嘴型同步;只在臉部表現力是銷售重點時,才將預算投入嘴型同步。
  • 將每個合成語音、複製語音、臉部重新演繹和虛擬人偶嘴型同步請求,均視為製作前的同意與揭露關卡,而非交付後的文書問題。

選擇字幕、隱藏字幕、旁白、詞組同步或嘴型同步

使用能滿足理解度、信任感、無障礙存取與平台目標的最輕量化模式。

字幕通常最適合以下情況:

  • 原始表演、見證、口音、音樂或紀錄片的真實性至關重要。
  • 預算或時程無法支援在地選角、導演、混音與品質控制。
  • 內容在有聲音的環境下觀看,且閱讀負擔合理。
  • 法律或技術限制使得替換原始語音風險過高。
  • 原始素材有許多說話者,但不需要可見的嘴型同步。

當無障礙存取在範圍內時,需要隱藏字幕/聽障者字幕:

  • 包含對話、必要時的說話者識別,以及有意義的非語音音訊,例如音樂提示、音效、畫外音、笑聲、警報或設定氛圍的音訊。
  • 隱藏字幕不僅僅是翻譯過的字幕;它為無法聽到音訊的觀眾呈現音訊資訊。
  • 對於本地化的無障礙存取,應為本地化的音訊建立隱藏字幕,而不僅僅是從原始素材翻譯字幕。

旁白通常最適合以下情況:

  • 原始說話者的聲音可以在翻譯過的旁白襯底之下保持可聽聞。
  • 內容屬於紀錄片、新聞、培訓、網路研討會、訪談或教育性質,完美的嘴型同步顯得不自然或不必要。
  • 速度和清晰度比「這個人正在說目標語言」的幻覺更重要。

詞組同步配音通常最適合以下情況:

  • 本地化的語音應在原始說話者的詞組附近開始和結束,但不需要精確的嘴型匹配。
  • 原始素材包含主持人鏡頭、示範、解說、企業培訓或中度可見臉部的廣告。
  • 腳本可以根據詞組持續時間進行改編,同時保留自然的目標語言表演。

嘴型同步配音通常最適合以下情況:

  • 觀眾看到特寫的嘴巴、情感表演、角色、虛擬人偶或直接對著鏡頭說話的人才。
  • 本地化版本必須營造出螢幕上的人正在說目標語言的幻覺。
  • 預算足以支援改編、選角、語音指導、重錄、對齊與視覺品質控制。

避免嘴型同步的情況:

  • 原始素材主要為鏡頭外旁白、螢幕錄製、產品示範或動態圖形。
  • 目標語言長度增加會導致倉促、不自然的說話節奏。
  • 缺少對臉部/語音操作的同意。
  • 製作無法負擔母語語言與表演品質控制。

建立本地化簡報

製作或索取包含以下內容的簡報:

  • 原始和目標地區,而不僅僅是語言:例如墨西哥西班牙語、西班牙西班牙語、加拿大法語、阿拉伯語標準語 vs. 方言、巴西葡萄牙語 vs. 葡萄牙葡萄牙語。
  • 觀眾:年齡、專業知識、識字能力、文化背景、無障礙需求及可能的觀看模式。
  • 目的:告知、說服、培訓、娛樂、轉換、遵循法規、支援或建立信任。
  • 品牌語調:正式/非正式、幽默容忍度、代名詞/稱謂政策、禁止的語氣、已核准的口號。
  • 市場限制:法律宣稱、醫療/金融免責聲明、受規範的術語、政治敏感性、宗教/文化限制、單位/貨幣/日期格式。
  • 平台/交付:YouTube 多語言音訊、社群媒體內嵌字幕、OTT 計時文字封包、LMS 培訓模組、廣播、付費廣告上傳、應用程式內影片或銷售支援檔案。
  • 同步目標:無同步、時間同步、詞組同步、嘴型同步、虛擬人偶嘴型同步或重新剪輯的在地版本。
  • 審查流程:誰來簽署術語、宣稱、表演、無障礙存取與最終交付。

在翻譯前準備原始素材

除非沒有更好的來源,否則不要僅從自動逐字稿開始。建立一個本地化素材包:

  • 帶有時間碼參考的鎖定原始影片。
  • 帶有說話者識別、時間碼、重疊說話註記、畫外/畫內狀態及無法聽清標記的對話逐字稿。
  • 每個段落的意圖說明:笑話、警告、情感節拍、產品宣稱、行動呼籲、法律免責聲明、安全指示、角色關係或劇情揭露。
  • 螢幕上文字、UI 字串、圖形、下三分之一、隱藏字幕、字幕、標題卡、結束卡、疊加文字與法律提示。
  • 人名、產品、縮寫、地名、發明術語及領域術語的發音清單。
  • 當需要配音或重新混音時,提供音樂/音效/對話分軌。
  • 針對人才、音樂、資料畫面、使用者生成片段、公眾人物、未成年人及合成處理的版權說明。

如果原始素材尚未鎖定,請將所有下游產出標記為暫定。變更原始剪輯版本可能會使字幕、配音時間、本地化圖形與核准失效。

為目的而翻譯,再為時間而改編

使用兩遍腳本處理流程:

  1. 意義遍:準確地為目標地區翻譯所有宣稱、指示、故事節拍、情感意圖、術語、名稱、數字、安全/法律陳述及行動呼籲。
  2. 改編遍:根據閱讀速度、詞組持續時間、嘴部可見性、表演者呼吸、市場慣用語、品牌語調及螢幕上下文重新調整台詞。

為配音工作維護一個台詞表:

欄位目的
原始時間碼進/出保留時間,使重錄可追溯。
說話者支援選角、字幕標籤與混音決策。
原始台詞讓審查者有所依據。
字面意義防止改編偏離意圖。
本地化表演台詞實際錄製/合成的台詞。
同步限制無同步、時間同步、詞組同步、嘴型同步、鏡頭外或可重新剪輯。
發音名稱、產品術語、縮寫、區域術語。
審查者註記品牌/法律/文化/無障礙註記及其狀態。

對於字幕,優先保留意義和可讀性,而非每個原始單字。對於隱藏字幕,保留音訊資訊。對於配音,保留表演意圖和時間,同時在目標語言中保持自然。

建立術語表與風格控制

在批量本地化之前建立一個專案術語庫:

  • 產品名稱:翻譯、音譯或不變。
  • UI 字串:與已發佈的產品 UI 完全一致;不要發明在地標籤。
  • 品牌口號與活動文案:標記已核准的翻譯或「創意改編,勿直譯」。
  • 法律、安全、醫療、金融與法規遵循術語:需要主題專家核准。
  • 單位、貨幣、日期、電話號碼、地址、度量單位、敬語與正式程度/語域。
  • 競爭對手名稱、商標、文化參考、慣用語、禁止詞彙與敏感詞。
  • 發音:國際音標、通俗發音、重音與可接受的變體。

對於多市場活動,建立一個全域術語表加上地區覆寫。當用法、法規或觀眾期望因市場而異時,不要強迫將同一條西班牙語/法語/阿拉伯語等台詞套用於所有市場。

選角與指導聲線

在表面相似性之前,先匹配溝通功能:

  • 角色:旁白、專家、客戶、創辦人、講師、角色、兒童、長者、支援代理、虛擬人偶、主播。
  • 表演:溫暖、緊迫、可信、俏皮、克制、高級、對話式、技術性、令人安心、喜劇性。
  • 聲音屬性:音域、節奏、能量、清晰度、年齡感(如相關)、口音/方言、氣息感、權威感、質感。
  • 文化契合度:母語或接近母語的目標地區表演、慣用語熟悉度、正確的語域與發音。

[原文此處之後內容因翻譯需求截斷,但完整英文 markdown 內容已對應翻譯。若有需要完整未截斷版本,請提供完整原始 markdown。]

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 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/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