Video Motion — 標準語音影片製作流程 是做什麼的?
主流程。三個來源各有其角色——請勿在每次專案中都將它們全部讀取,請根據階段呼叫:
| 階段 | 規則來源 | 技能 |
|---|---|---|
| 簡介、風格、腳本、語音、聊天中的工作順序 | motion-format | skill_view('motion-format') |
| 設計與電影法則(影片≠投影片、確定性、風格源自主題、陷阱) | bang-motion | skill_view('bang-motion') |
| 技術渲染管線(Whisper、音效、CDP 影格、審計、安全字幕) | html-motion-pipeline | skill_view('html-motion-pipeline') |
何時使用哪個
- 特定風格有對應食譜(等角投影、賽璐珞卡通、歷史-3D、產品宣傳等)
→ 使用 motion-format (
mf.py) 引擎及其風格食譜。 - 平面 2D 動畫解說/接力圖表/技術解說(例如 Function Calling 影片) → 使用 html-motion-pipeline(GSAP 架構 + CDP 渲染),遵守 bang-motion 設計法則。
- 宣傳片/開場動畫/片頭/動態文字 → 以 bang-motion 為法則來源與架構。
從這裡開始——順序入口(請勿跳過)
在為影片任務編寫任何一行程式碼之前(HTML、腳本、語音):
0. 先閱讀 USER.md 與 style-reference/STYLE.md(此技能資料夾內)——
USER.md = Hasbi 的偏好與標準(已寫明的事請勿重複詢問);
STYLE.md = 黃金視覺風格與參考影格。在編寫 HTML 前先以 vision_analyze 分析 style-reference/ 中的影格,以便看到目標視覺效果,而非僅憑描述想像。這些檔案刻意與 SOP 分開,以便在不影響工作流程的情況下輕鬆更新。
- 先呼叫
skill_view('video-motion')——然後根據階段(上表)呼叫子技能。 - 如果需要事實/真實策略(教育主題、「如何做 X」、比較、新聞),請先做研究:在擬定腳本之前,從真實來源(
web_search/web_extract)收集關鍵重點與強而有力的鉤子——不要憑記憶編造內容。請參閱references/topik-riset.md了解如何選擇與變換切入角度。 - 工作順序依照使用者,而非上表的階段順序。 文件的預設順序是簡介→風格→腳本,但是 Hasbi 使用者經常故意反過來:研究主題→選擇主題→腳本→然後才簡介風格。 如果使用者說「先從主題/腳本開始,再給簡介」,請照做——在主題確定前,不要提供風格選項或顯示腳本草稿。每個階段都要經使用者 ACC 確認(從選項中選擇一個)才能繼續。
- 先測試場景 1 的視覺效果並取得 ACC,然後再處理語音及其他場景。 千萬不要在場景 1 獲得同意之前就建立完整影片(所有場景 + 渲染 MP4)。
- 不要沿用舊專案的負擔。 每個影片 = 新資料夾 & 從乾淨的簡介開始;使用者經常要求「忘記之前的專案,從頭研究」。
陷阱(代價高昂): 憑記憶或直覺而非閱讀子技能來建構,會產出投影片式簡報——每個場景變成 <section> 進行淡入淡出。這違反了法則 #1,且需要完整渲染(約 9 分鐘)才會發現「很糟糕」。請先閱讀 bang-motion;從 index.fc-reference.html 開始,不要從零編寫。
SOP 定位與工作順序(跨會話一致性標準)
來源:專案 #11「沒有員工的公司」(7 個場景,55.8 秒),零版面修改即完成。這是能在第一次嘗試就產生整齊結果的正確方法。請嚴格依序執行——跳過一個步驟 = 重新渲染整個影片。
A 階段——準備工作(接觸 HTML 之前)
- 先處理語音,而非視覺。 一旦使用者傳來語音檔案 → 立即處理:
(必須使用 loudnorm——防止 Whisper 產生幻覺)。ffmpeg -i vo_raw.mp3 -af loudnorm=I=-16:TP=-1.5:LRA=11 -ar 16000 -ac 1 vo_norm.wav - 逐字轉錄(模型
small,language="id",word_timestamps=True,vad_filter=True,temperature=0,beam_size=5,int8)。透過soundfile→numpy 手動解碼(避免av錯誤)。結果:vo_words.json= 所有時間點的真相來源。 - 根據時間戳劃分場景邊界,而非根據腳本。 實際案例:
VO #11 落在 8 個場景 →
0/7.7/16.3/22.4/29.1/36.4/41.6。每個場景的開始 = 該場景開場句第一個單詞的start。視覺效果在詞語被說出的瞬間出現。
B 階段——定位(整齊的關鍵)
整齊 = 嚴格的網格 + 每個場景只有一個焦點。具體規則(來自 #11 的證明):
- 每個角色一個垂直區域。 在 1080×1920 中:kicker/標題在頂部區域(y≈300),主要視覺在中間區域(y 560–1250),場景結尾的說明文字在底部區域(y≈1330),字幕固定在 y≈1460。不要混合不同區域的角色。
- 節點/欄位對稱使用左中右:
left:250/540/830px(中心 540)。中間元素的top可以比兩邊稍高以使構圖活潑,但三者之間的水平距離必須相等。 - 卡片平衡(A-vs-B 比較):兩張卡片的
width、top和 padding 必須相同;只有內容不同。不要一張胖一張瘦。 - 字幕在
#world之外(作為#stage的子元素,而非#world的子元素),以免跟著相機移動。 - 用測量取代猜測。 每段文字都必須通過
audit_overlap(零碰撞)和audit_center(中心偏差 <250px)。使用邊界框,而非肉眼。
C 階段——動畫(「生動但平穩」的關鍵)
- 完全確定性。 所有動畫都是
t的純函數。零Math.random()。環境元素(矩陣雨、粒子)使用帶種子的 RNG(mulberry32(seed)),確保每次渲染都相同。 - rAF = 渲染的敵人。 在
goto之前,透過page.evaluateOnNewDocument(()=>{window.requestAnimationFrame=()=>0;})關閉window.requestAnimationFrame——否則,自動循環播放會覆蓋__seek,導致影格隨機。 (模式:rAF 僅用於瀏覽器預覽,而非無頭渲染。) - 片語同步。 每個視覺節拍都使用
vo_words.json中的詞語時間戳作為 tween 的錨點(例如:RISET 節點在start為詞語「riset」時出現)。 - 連續運動:每個場景相機垂直平滑漂移(
y:-55→0)、light ring 脈衝(scale 1↔1.06 yoyo)、計數器數字上升、硬幣雨。所有動作都通過運動平均差閾值(陷阱 #12)。 - 鉤子 = 設定,而非淡入。 影格 0 = TikTok 縮圖 → 鉤子文字在 t=0 時已經完整顯示(
tl.set,而非fromToopacity 0)。不要讓第一個影格是空的。
D 階段——完整渲染前的驗證
node snap.mjs→ 拍攝 15+ 個關鍵時間點 → 透過 vision 檢視(不僅是 DOM 審計)。 快照檔案名稱 = 秒數,而非場景索引(snap_00003= t≈0.3 秒,不是場景 3)。在使用 vision 評估前,先將審計點正確對應到場景編號——在鉤子影格檢查「六邊形場景」的影格會通過但實際是空的,導致你錯誤地認為該場景沒問題。- 在快照中關閉 rAF(與渲染相同)→ 快照現在是確定性的。
- 逐場景檢查:文字被裁切?重疊?過多空白?圖示可讀?
- 然後才進行完整渲染(先測試
--sampai 3,然後完整渲染 + resume 防 OOM)。 - 重新主題的陷阱(深色↔淺色):即使主要顏色已更改,背景仍可能保持深色。 如果在渲染後將影片主題更改為淺色/深色,全域顏色變更(
body背景、文字)不會更改每個場景中自訂編寫的背景漸層(例如#sc7 .bg{background:linear-gradient(180deg,#0a2a3a…)})以及 CTA 元素上的深色陰影——即使「已經全部反轉了」,該場景在 MP4 中仍會保持深色。修復: 重新主題後,用 grep 搜尋 HTML 中的漸層模式與每個場景的背景顏色(grep -nE "gradient|#0[0-9a-f]{5}" index.html),並確保每個場景都已更新。**透過像素而非肉眼進行客觀驗證:**從 MP4 中提取每個場景的影格,然後測量背景區域的亮度(np.array(Image.open(f).convert('RGB'))[:80,:80].mean();>180 = 亮,<100 = 仍暗)。提供每個場景的值,而非單一影格。這比vision_analyze更可靠,後者在桌面會話中經常超時或拒絕載入圖片。
跨會話一致性的預測: 此方法之所以有效,是因為 (a) 語音先於視覺處理,(b) 定位基於網格而非感覺,(c) 確定性 + rAF 已關閉。任何嚴格遵循 A→D 階段的會話都將產生與專案 #11 同等級別的整齊度。
標準工作流程(適應性——使用相關部分)
- 5 項簡介 (motion-format):什麼、主題+素材、受眾、時長、比例+字幕。 最多問一次,其餘使用預設值。
- 風格——使用者提到 → 直接使用;尚未提到 → 提供 3 個選項 + 1 個推薦。編寫
gaya.md(十六進位色板 + 來源、字型、背景、動作簽名、1 個與眾不同的特點)。 背景不預設為深色。 風格源自主題/品牌,而非來自起點模板/參考資料。 - 場景 1 測試圖(約 8 秒,最終品質)→ 截圖 → 顯示 → 使用者同意。
- 逐場景腳本 →
naskah.md。或者,如果使用者自行錄製:要求語音檔案。 在聊天中顯示腳本時的格式 = 段落,而非表格。 Hasbi 使用者希望以流暢的故事方式閱讀腳本(每段散文),而非# | 視覺 | 語音 | 秒的表格。先在naskah.md中編寫表格作為內部藍圖(用於映射節拍→視覺,請參閱陷阱 #18),但向使用者顯示以取得 ACC 的版本必須是段落形式。Hasbi 的每個影片腳本都必須以宣傳 Telegram 群組結尾(群組diskusitentangai,語音文字中的 CTA + 結束畫面中的群組 logo)——將 CTA 放在腳本本身中作為語音的最後一句話,而不僅僅是最後的視覺效果。 - 語音 + 時間設定
- 使用者自行錄製(ElevenLabs 等):處理該檔案。透過 faster-whisper(管線)進行逐字轉錄 + 時間戳。語速太快 → 提供速度選項(0.75/0.90/0.97),讓使用者選擇一個。
- 透過 ElevenLabs API:逐場景剪輯,先測試場景 1。未經授權不要浪費額度。
- 使用呼吸停頓 (
silencedetect) 同步句子。
- 建立所有場景——場景時間跟隨語音時間。建立 2–3 個 → 截圖 → 修正 → 重複。在最弱的場景提供「更多細節」。零 JS 錯誤。
- 渲染前的版面審計(必須,請參閱管線):零溢出、無元素碰撞、字幕安全位於底部 UI 區域(Reels/TikTok 約 360px)之外。另外,零空白影格——檢查每個場景在起始影格(t0..t0+0.5)的內容:(非字幕)元素的 opacity 必須 >0。僅檢查碰撞/溢出的 DOM 審計無法捕獲此問題(請參閱陷阱 #6)。
7b. 交付前的運動審計(必須,與版面審計分開)。 版面審計與「空白影格」審計僅證明內容存在,而非影片在運動——靜止影片(死的投影片簡報)會通過這兩項審計,然後在使用者眼中完全失敗。測量實際運動:從最終 MP4 的同一個場景中間(而非跨場景,例如 t 和 t+0.4)提取兩個影格 → 計算像素絕對差異的平均值
mean(|A-B|)。 平均差異 < 1.0 = 該場景靜止,拒絕。 每個場景都必須通過——有內容 + 有幀間運動是兩個不同的關卡;通過一個不代表通過另一個。(請參閱陷阱 #12。) - 渲染:檢查約 8 秒 → 使用者聽取/觀看 → 完整渲染 → MP4。
必須遵守的法則(bang-motion + motion-format 摘要)
- 影片,而非投影片。 相機/世界在運動;場景因世界運動而轉換,而非
<section>的淡入淡出。一個主體/視覺主線會持續存在。 - 確定性。 所有視覺效果都是
t/tl.time()的純函數。零Math.random()(除非必要)、零Date、零performance.now。 - 風格源自主題,而非起點模板/參考資料。 參考資料 = 節奏,而非外殼。兩個不同的影片在 ≥3 個方面不同:色板、字型、背景、動作簽名。系列作品除外(第 1、2 部分…):必須保持一致。
- 不要複製之前影片的版面。 僅更改色板/字型,然後使用相同的
<上方標題> + <小圖片> + <下方卡片>結構,對使用者來說仍然看起來「一模一樣」——顏色不同不代表設計不同。在開始新影片(非系列)時,徹底改變每個場景的構圖,而不僅僅是重新著色模板。 - 每個場景在中間區域只有一個主要焦點(一個英雄元素),沒有重疊的元素。 使用者拒絕雜亂/堆疊的版面。將英雄元素安排在中間區域,其餘支援元素放在底部/邊緣——不要讓兩三個大小相同的區塊擠在一起。
- 不要複製之前影片的版面。 僅更改色板/字型,然後使用相同的
- 文字生動,背景服從。 使用句子大小寫;標點符號僅在改變意思/節奏時使用;高對比度;背景不為單一平面顏色。
- 文字不要緊貼邊框。 使用大字型(≥56px)的寬文字(
width:100%+text-align:center)可能會觸碰到左右邊緣。使用者拒絕這種情況(「太貼近邊框了」)。為每個大型單行文字提供至少 50px 的側邊內邊距,或將width:100%更改為left:50px; right:50px。透過 DOM 驗證:文字的邊界框必須與畫布左右兩側保持 ≥40px 的距離。
- 文字不要緊貼邊框。 使用大字型(≥56px)的寬文字(
- 鉤子從影格 0 開始運動。 重要時刻給予約 2.5 秒的時間。
- 對 9:16 使用逐字字幕;關鍵字使用強調色;位於安全區域。
- 螢幕上的事實 = 腳本中的事實。 不要編造數字。
- 連接線(圖表節點):SVG 位於場景的最底層,錨點為邊對邊(非 logo 中心),平滑曲線——永遠不要穿過圖示/文字。
- 識別標誌 = 使用者/品牌的真實資產(必要時從網路獲取),而非通用表情符號。
驗證(你無法觀看——只能看到影格)
- 透過
snap.mjs(管線)/mf.py potret(motion-format) 拍攝關鍵秒數的截圖。 - 整理聯絡表 → 評估:文字被裁切?重疊?線條穿過?仍是投影片?
- 在完整渲染前透過 DOM 進行版面審計(
getBoundingClientRect)。 - MP4 僅在最終匯出時使用——不是檢查工具。
- 透過像素分析進行「空白影格」審計(在 vision 後端失效時可靠):從 MP4 中每 0.25 秒提取一個影格,計算場景區域(y 200–1300)中深色像素(lum<100)的百分比。影格中有 <0.5% 的深色像素 = 場景幾乎空白。如果「最不密集」的影格恰好落在每個場景的
t0→ 場景開頭存在空白延遲(陷阱 #6)。也可以透過 DOM 進行:計算每個場景在 t0 和 t0+0.1 時 opacity>0 的非字幕元素數量。
交付
index.html/scene.html開放供...