LeAnhTuanIT/short-video

含語音與字幕的短影片

Pipeline: 腳本 .txt → make_video.py（edge-tts 逐句朗讀 → 音訊合併 → 根據實際時間長度產生 ASS 字幕 → 使用 ffmpeg 合成背景並燒錄字幕）→ MP4 1080x1920。

已確定的模式：現有語音 → 影片（使用者傳送 mp3 時的預設模式）

使用者於 EverAI 上建立語音（網頁版，速度 0.85），傳送 mp3 + 旁白文字。無需呼叫 API、無需複製語音、無需在本機執行語音模型（VieNeu）。

1. 將旁白文字分割成 .txt 檔案，每行一個簡短短語（依據逗號/句號/"..."），不要有 # 開頭的行，也不要 [圖示]。
2. python3 make_video.py kichban.txt ~/Downloads/<ten>.mp4 --audio voice.mp3 --style night --no-wave --bg assets/pho-dem.mp4 --target <長度±5>
3. 印出每行的時間軸：重新執行上述指令並加上 --print-timing（不進行渲染）。檢查：若有行數與預期長度異常不符（依字數判斷），則合併/分割行後重新渲染。
4. 截取 1–2 個畫面檢查字幕，並回報檔案路徑與長度。如果聽不到聲音，通常是由於 Mac 將音訊輸出至 AirPods。 給使用者的說明：HUONG-DAN.md。

在其他機器上安裝

將整個目錄 ~/.claude/skills/short-video/ 複製到新機器（保持相同路徑），然後執行 bash ~/.claude/skills/short-video/setup.sh。支援 macOS 和 Ubuntu/Debian；Windows 可透過 WSL 使用。預設提供的夜間城市背景：assets/pho-dem.mp4（來自 Mixkit 的庫存素材，可商用）。

需求（已在此機器上安裝）

• ffmpeg-full（需要 subtitles/libass 濾鏡）：brew install ffmpeg-full
• edge-tts：pipx install edge-tts（若網路錯誤則自動切換至 say -v Linh 語音）

步驟 1 — 確認簡報

根據要求取得；若缺乏則使用預設值，僅在主題完全不明確時才提問：

• 主題/觀點 — 若無特定觀點，則自行選擇一個吸引人且具體的角度。
• 時長 — 預設為 45–60 秒。
• 語音 — 預設女聲 vi-VN-HoaiMyNeural；男聲 vi-VN-NamMinhNeural。其他語言：edge-tts --list-voices | grep <代碼>（例如 en-US-AriaNeural）。
• 背景/音樂 — 使用者提供的圖片/影片，若無則使用預設漸層背景。

步驟 2 — 編寫腳本

儲存為 .txt 檔案，第一行為標題，其後每行為一句朗讀內容：

# 顯示在畫面頂端的短標題（≤ 6 個字）
一個引發好奇心的鉤子句，≤ 12 個字。
內容句子...
結尾句 + 行動呼籲。

規則：

• 越南語長度：~2.3 字/秒（實際測量：155 字約 65 秒）。45–60 秒 → 110–140 字；30 秒 → ~65 字；15 秒 → ~30 字。
• 每行一個句子，8–20 字。前 3 秒為鉤子（提問/驚訝事實）。中間：3–5 個具體、易記的點。結尾：CTA（儲存、追蹤、留言）。
• 事實必須準確；健康/金融/法律主題：不進行診斷，不提供專家式的具體建議，必要時建議諮詢專家。
• 數字/符號若容易讀錯則使用文字表示（「四 - 七 - 八」代替「4-7-8」，「百分比」代替「%」）。避免表情符號、{} \ 字元。

讓使用者在渲染前審閱腳本，除非他們已提供內容或指示直接處理。

步驟 3 — 渲染

python3 ~/.claude/skills/short-video/make_video.py kichban.txt out.mp4 \
  [--voice vi-VN-HoaiMyNeural] [--rate -5%] [--target 45-60] \
  [--bg 背景圖片或影片] [--music 背景音樂.mp3] [--gap 0.35] \
  [--pitch -8Hz] [--style default|night]

• 現有語音： --audio voice.mp3 跳過 TTS。腳本必須與朗讀內容完全相符，每行一個簡短短語（依據逗號/句號分割）；句子時間軸應對齊停頓處。使用 --print-timing 印出時間軸（通常約 12–16 字元/秒），若句子過長或過短則合併/分割行後重新渲染。
• FPT.AI： --engine fpt --voice leminh（北部男聲；還有 banmai、thuminh 北部女聲，lannhi、linhsan 南部女聲，myan 中部女聲，giahuy 中部男聲）。需要 export FPT_API_KEY=...（金鑰在 console.fpt.ai 取得，Free Tier 每月 100,000 字元）。由於沒有每個字的時間軸，卡拉 OK 字幕會根據文字長度分配；--rate 透過 atempo 套用。切勿將金鑰寫入技能檔案中。
• 所有引擎都產生自然的人聲節奏（每個句子速度/音高略有差異，問句後停頓較長），並進行溫暖化、壓縮、輕微迴聲處理。腳本應模仿口語，使用「...」和句中的句點來建立停頓點。
• 北部男聲低沉、成熟（edge）：--voice vi-VN-NamMinhNeural --pitch=-8Hz --rate=-10%（NamMinh 是唯一的邊緣男聲）。
• --style night --no-wave + 腳本中無 # 行、無 [icon] 標籤 → 僅留背景與字幕。
• --style night（「夜城」風格 Reel）：標題為全大寫、字距放大、青色加底線，圖示為細線霓虹風格，字幕為全大寫逐字卡拉 OK（時間軸來自 edge-tts 的真實時間），音波為條狀。在句子開頭加上 [icon] 可替換該句的圖示：sun hourglass gift heart leaf book star eye。背景建議使用真實的夜城影片：來自 Mixkit 的免費庫存素材（https://mixkit.co/free-stock-video/night-city-street/，連結 assets.mixkit.co/videos/<id>/<id>-1080.mp4），拼接多個片段、垂直裁切，使用 setpts=1.4*PTS 放慢。
• --style ui（科技教學影片）：深色網格背景，系列標題列（# 標題）＋步驟 1..n 區塊，模擬應用程式視窗，終端機鍵盤輸入，橘色標記的 *關鍵字* 字幕框。句子開頭標籤：[step:步驟名稱]（進入新步驟），[card:標題|項目1|項目2]（視窗，保持至下一场景），[term:指令]。朗讀快捷鍵時使用文字（「Command、Shift、三」），但在卡片中寫成「Command + Shift + 3」。範例：語音 vi-VN-NamMinhNeural --pitch=-4Hz --rate=+15% --gap 0.25。
• 若無 --bg → 使用深藍紫色緩慢移動的漸層背景（適合柔和主題；活潑主題則應索取背景圖片/影片）。圖片 → 緩慢縮放效果。影片 → 自動循環。
• --music 音量降至 12%，結尾淡出。
• 腳本會印出實際時長，若超出 --target 則發出警告 → 增減句子或調整 --rate 後重新渲染。

步驟 4 — 檢查

截取一個畫面檢查字幕是否斷行或溢出： ffmpeg -v error -y -ss 5 -i out.mp4 -frames:v 1 frame.jpg 然後讀取 frame.jpg。向使用者回報影片的絕對路徑和時長。

腳本範例：技能目錄中的 example-sleep.txt。