render-editorial-motion-podcast 是做什麼的?
根據設定檔組裝一支編輯動畫Podcast片段廣告:一段真實的Podcast剪輯音訊線承載整個敘事,每一個視覺節拍都精準對應其描述的句子,全部使用一組單一、嚴格限制色調的編輯插畫風格包(「一本會動的雜誌插圖」——風格與色調由呼叫方選擇)。動畫效果並非生成式影片,而是使用ffmpeg的確定性Ken Burns效果作用於靜態關鍵影格,使其讀起來像是一本會動的印刷頁面。此技能提供的是免費、確定性的組裝流程——包含ffmpeg動態、硬剪接、音訊混入、字幕燒錄以及PIL結束卡。
scripts/config.example.json 是一個實際範例(Klarify「老鼠公園」,約40.8秒,1080×1920 9:16,6個節拍——其雙色調Niemann風格、奶油色/炭灰色/鼠尾草色調以及老鼠公園隱喻皆為該示範的選擇,並非預設值);scripts/PIPELINE.md 將設定區塊對應至來源步驟,而 scripts/README.md 則紀錄了這個免費組裝流程。
選擇
創意決定皆由呼叫方負責(影片格式食譜會詢問使用者);此組裝流程絕不替他們選擇。示範僅作為一個範例:
- 插畫風格 — 示範:大膽的平面雙色調剪影、網點(Niemann / Steinberg 風格)。
- 色調 — 示範:奶油色 #F4EBD9 + 炭灰色 #1A1A1A + 一個鼠尾綠 #86987A 強調色。
- 核心隱喻 — 示範:老鼠公園研究。
- 語氣/聲音 — 示範:溫暖且反思性,真實的Podcast主持人(無生成聲音)。
執行
這是免費、確定性的組裝階段——它不會在動畫層上花費任何費用。付費輸入是分開的:真實的Podcast MP3從來源剪輯(免費ffmpeg)並搭配其Whisper逐字時間戳,以及每個節拍一張的編輯插畫關鍵影格(串聯參考影像以保持框架/角色幾何)來自 create-image-fal(Nano Banana)。給定剪輯音訊 + words.json + 每拍關鍵影格 + 真實品牌字標PNG,render-editorial-motion-podcast 將每個關鍵影格渲染為Ken Burns片段,在節拍點上硬剪接,混入真實音訊,燒錄句子中段字幕,並合成PIL結束卡 → 最終母帶。重新剪輯會重複使用現有音訊/關鍵影格,成本為 $0。
合約(免費組裝)
- 口語敘述承載整個廣告——不得使用生成的歌曲。 混入提供的敘述MP3(
-map 0:v:0 -map 1:a:0)——一條真實的Podcast剪輯片段(首選)或一個經核准的生成VO(create-vo-elevenlabs)。絕不允許歌曲/生成音軌。(剪輯 vs. 生成是食譜中STEP-0的初始決定——如果未提供來源集數,請詢問使用者。) - 不得使用生成式i2v——僅限確定性ffmpeg Ken Burns。 使用
zoompan動畫化每個靜態關鍵影格(推近/拉遠,1.0→約1.06倍,24fps);Seedance/Kling 是基於真實照片訓練的,會創造出破壞平面限制色調風格的自然主義中間狀態。絕對不要使用-loop 1搭配zoompan d=N(這會使時長暴增);餵入單張圖片並使用-t+trim來限制。 - 在節拍點上硬剪接——不得使用淡入淡出。 淡入淡出會使兩個漂移的框架互相穿透;對每個節拍的片段進行硬剪接,並將長節拍拆分為微剪接(目標8–10個不同的視覺時刻)。每個節拍的視覺起點應在其對應語句的約0.5秒內開始。
- 字幕來自Whisper逐字時間戳,僅在句子中段顯示。 當說話者說話時燒錄
frosted-subtle字幕;在寂靜/反思性節拍以及結束卡上不留字幕。三個強制規則(每個都在正式環境中咬過我們——務必牢記):- 不重疊 — 將每行字幕限制在下一個開始之前結束
(
end = min(last_word_end + ~0.15, next_start - 0.03))。兩個字幕框絕不能在同一位置疊加;結尾殘影流入下一個時間窗是#1字幕錯誤。 - 安全區域 — 字幕位於下方三分之一處,因此關鍵影格的主體必須保持在約上方75%的區域(請參閱食譜的
look_pack.caption_safe_area)。如果完成的關鍵影格主體侵入字幕帶,則確定性地將主體向上移動到空白的上方空間(PIL:將主體向上貼約0.24H,貼到預先填充了來自乾淨角落之確切紙張顏色的畫布上)——絕不讓字幕框疊在主體上。 - 燒錄引擎 — 優先使用 libass(
ass/subtitles濾鏡),但先檢查ffmpeg -filters:許多版本(如Homebrew)缺少 libass/drawtext。如果缺少,請使用確定性的疊加(overlay)備案——將每行字幕渲染為透明PNG(磨砂圓角框 + 白色文字,使用PIL),並透過ffmpeg的overlay濾鏡加上計時的enable='between(t,st,en)'時窗進行合成。相同的外觀,無需 libass。
- 不重疊 — 將每行字幕限制在下一個開始之前結束
(
- 結束卡使用PIL從真實字標PNG合成——絕不使用AI渲染品牌文字。 標誌組合是確定性合成的(漸層背景 + 羽化吉祥物裁切 + 字標 + 使用系統字型的標語);擴散模型會弄亂字標(例如「therapits」)。影片會在結束卡上於音訊結束後停留約1.5秒的靜止畫面(在前/後0.3秒淡入淡出)。
- FFmpeg合成,確定性,免費。 對每個關鍵影格進行Ken Burns、硬剪接、混入真實音訊、燒錄字幕、停留在結束卡上 → 一個1080×1920 h264+aac最終母帶。無需付費呼叫。