火柴人影片大師技能 — 從腳本到最終成品
這是一套完整且經實戰驗證的流程:專為印度恐怖/懸疑印地語短片(1080×1920,30fps)設計,
全部由程式碼產生 — 從研究、腳本、角色設計、場景建置、配音、混音到品質控制。
參考作品:Bhangarh 影片(示範影片位於 repo 中 — demo/demo_10s.mp4,
所有相關程式碼皆位於 code/ 和 vo/ 資料夾中)。
步驟 0 — 研究(腳本之前)
- 對實際地點/故事進行深入研究:維基百科 + 官方來源(例如 ASI 告示牌這類主要證據)。
- 為每個主張標記標籤:[DOCUMENTED](有證據) · [LEGEND](民間傳說) · [NAHI MILA](不要加入腳本)。
- 絕對不要加入虛假的病毒式主張 — 請先驗證。(Bhangarh 的教訓:"唯一一個晚上禁止進入的堡壘" 是錯誤的,已從腳本中移除。)
- 需求檢查:觀察該主題排名最高的 YouTube 影片 — 哪個角度受歡迎(夜間探訪、告示牌特寫、純粹的故事)?
步驟 1 — 腳本撰寫
- 第一句話 = 完整事件(鉤子)。答案的線索隱藏在第一行/第一個畫面中。
- 每句話 6–12 個字;總計約 150 個字 ≈ 49 秒 @ 約 190 wpm。
- 為角色取名。先揭露,"因為" 之後再說。
- 中間對 "你" 提出挑戰,最後加上一個字的評論誘餌(對還是不對?)。
- 口頭禪:"實際上/意思是/仔細看/想一想"。禁用: AI 常用詞(神秘、事實、刺激、懸念)禁止使用。
- 角色對話規則: 只選 2–4 個精心挑選的對話,用角色自己的聲音呈現;其餘皆為旁白。禁止使用虛構對話。
- 節奏檢查:語速 2.3–2.7 字/秒 · 停頓時間 >12% = 剪掉 · 標題不要洩漏答案。
步驟 2 — 故事板 + 幾何鎖定
- 台詞 → 場景表格(先確定每句台詞的 t0–t1)。然後用 ASCII 座標鎖定:每個場景的地板(FLOOR)、角色位置、每個拍點的攝影機位置。
- 先畫草稿,再考慮外觀 — 沒有草稿,就不能直接寫最終程式碼。
步驟 3 — 角色設計(程式碼 code/my_builder.js)
- 角色 = 工程化的 SVG 演員(約 640 單位):2 段式 FK 關節(髖→膝,肩→肘),圓形關節,根據角色類型使用下頜形狀的臉部路徑。
- 每個角色都有DNA 調色盤:皮膚、虹膜、服裝、特殊標記(頭飾、額飾、頭巾)。
- 前額細節(額飾)要在頭髮圖層之後繪製 — 否則會被頭髮遮住。
- 表演 API:
setFaceMood·lookEyes·poseArms·speakHuman(嘴形) ·walkHuman(真實行走循環 — 滑步 = 嚴重失敗)。 - 手部:手掌 + 拇指 + 手指紋路。每個演員都有眨眼循環 + 呼吸。
- 品質基準:角色不能由基本形狀(圓頭、圓柱身體)構成 — 只能使用雕刻路徑。
步驟 4 — 場景設計(程式碼 code/my_head.js、my_scenes_a/b.js)
- 材質優先: 每個表面使用多段漸層(iGrad)+ 真實投影;純色 = 失敗。
- 房間 = 3D 外殼:後牆 + 有透視感的側牆 + 地板多邊形 + 踢腳板。
- 石牆:每塊石頭有不同的色調 + 高光線條 + 風化污漬(程序化生成的石材紋理)— 重複的浴室瓷磚 = 失敗。
- 巨石/岩石: 不規則 12 邊形 + 3 個面陰影 + 裂縫 + 沙漬 + 接觸陰影。八角形/平板 = 嚴重失敗。
- 動態道具:搖擺的燈、哈萬祭火+煙霧、烏鴉、薄霧(淡淡的!)— 但不要讓特效效果一直開著,每個特效必須有關閉的拍點。
- 攝影機法則: 每次
camTo之前要先計算畫面底部 —cy + 960/s ≤ 1920,否則畫面底部會出現天空/黑色邊緣。 - 天空矩形永遠是滿的高度。
步驟 5 — 組裝 + 渲染
- 引擎核心 = 組裝的 HTML 前綴(shell svg#stage + defs + rig + helpers E/iGrad/makeCam/seekWrap)+ 場景檔案 + 結束標籤。
gsap.min.js要一併保留 — 不要把檔案複製放在&&鏈中(一個失敗會導致整個鏈停止)。 - 時間軸使用 GSAP;渲染通過確定性 seek 實現:Playwright 1080×1920 →
window.seekToTime(t)每幀 → JPEG q88 → ffmpeg libx264 crf18。以約 20 秒的片段渲染(避免 VM 重啟問題),使用可續傳模式(如果幀 >10KB 則跳過)。 - GSAP 教訓: 對於已經有 transform(translate+scale)的群組,不要對其使用 x/y 補間 — 請使用 attr transform absolute tweens。
- 長字幕行:在渲染腳本中使用
getComputedTextLength() > 1030時,執行textLength=1030修正器。 - poseArms 符號:armR 向左旋轉 = 正值旋轉。角色倒下:wrap −84° 時頭部向左約 530 單位 — 請先計算頭部的最終位置再設定 wrap。
步驟 6 — 自我稽核循環(每個場景)
- 產生測試靜態圖(每個場景中間 + 問題幀)→ 自行檢查(同時檢查縮放裁切)→ 修正 → 再次產生靜態圖。
- 3 項稽核:藝術(構圖、色彩) · 物理(解剖學、陰影、與地面接觸) · 故事(旁白匹配、表情是否相反)。
- 評分 /100;95 分以上才最終通過。硬性失敗(斷手、漂浮物體、反向陰影、錯誤道具)會覆蓋分數。
- 橫幅/字幕保持在畫面空間內:頭部的畫面 y = (wy − cy)·s + 960;橫幅在 118–222 之間,字幕在 1652 以下。
步驟 7 — 配音(程式碼 vo/fit_lines.py)
- 模型僅限 gemini-3.8-flash-tts(主要)/ gemini-3.1-flash-tts-preview(僅在遇到 429 錯誤時作為備用)。禁止使用 2.5 TTS。每天每個模型 10 次呼叫配額 — 請先計算預算。
- 旁白 = 單次呼叫,將整個腳本一次送出。以純文字形式發送 — 長篇風格指引會使語速變慢 2.5 倍,有時甚至會直接說出指引內容。
- 聲音:旁白使用 Puck(Raj 的偏好,@i.raj1801 影片的預設聲音) · 反派/其他聲音使用 Algenib。
- TTS WAV 採樣率為 48000 Hz — 音高計算要基於實際取樣率:音高 ×1.12 = asetrate 53760(絕對不要使用 rubberband — 會產生回音)。要讓反派聲音更低沉,使用 ×0.96。
- 台詞對齊:使用 Whisper(small,語言
hi)對每個 take 進行分段 → 切割每句台詞 → 停頓壓縮(silenceremove)→ 調整音高 → 對每行進行 atempo 以精確符合字幕視窗。 - 將 WAV 透過 stdlib 的 wave+numpy 解碼後提供給 Whisper(PyAV 的
metadata_errors會引發 TypeError)。
步驟 8 — 混音(程式碼 vo/mix.py)
- 每個影片的背景音樂都使用全新 — 絕不重複使用;使用許可安全的音樂(Kevin MacLeod 圖書館)。音量約 0.10,低於配音。
- 音效對應節奏:whoosh(投擲)、impact(撞擊/摔倒)、thunder(閃電/詛咒)、riser(詛咒之前)。
- Loudnorm 2-pass(測量 → 線性套用)= −14.0 LUFS,真峰值 ≤ −1.5。單次 pass 通常會停在 −15.8。
- 封裝:視訊串流複製 + AAC 192k。
步驟 9 — 最終品質控制 + 交付
- 使用 Whisper 聽取交付的檔案 — 每句腳本台詞是否按正確順序/時間出現?僅檢查來源 take 是不夠的。
- 確認影片時長、檔案大小、LUFS 這三者皆正確。
- 交付教訓: 不要重複使用影片檔案名稱 — 應用程式會快取舊的副本。每次新的交付都應使用新名稱(v2、_Final、日期)。
- 完美(經 Raj 認可)的影片會歸檔到
Perfect_Videos/<date>/資料夾 — 只有完美的影片才會存放。
檔案說明
script/Script_v1.md— Bhangarh 腳本 + 事實/故事標籤 + 節奏檢查(可作為模板使用)code/my_head.js— 著色器、HUD、drawStoneWall / drawRealBoulder / drawPerfumeBottle / drawAsiBoard / drawHangingLampcode/my_builder.js— buildBhangarhActor(5 個角色,完整骨架)code/my_scenes_a.js/my_scenes_b.js— 8 個場景 + 時間軸 + 字幕code/props_snippet.js/api_snippet.js— 樹/草 + 表演 APIcode/render_test.py/render_full.py— 靜態圖 + 完整渲染(可續傳)vo/fit_lines.py/vo/mix.py— 配音對齊 + 最終混音docs/— 視覺系統摘要 + 經驗教訓demo/demo_10s.mp4— 此流程的 10 秒示範場景(實際影片未公開於此 repo)