Video VIP Pro
原始影片輸入,你一次回傳完成的高級剪輯版本。之後使用者透過簡短提示(「câu 3 đổi hiệu ứng」、「màu cam」、「bỏ VHS」、「chữ to hơn」)進行調整,因此每次編輯都從一個小型建構腳本重新產生。
腳本位於此檔案旁的 scripts/ 目錄中。使用 python -X utf8 <skill>/scripts/<name>.py 執行它們。首次設定請執行 setup.ps1(Windows)或 setup.sh;它也會執行 scripts/get_sfx.py,將潮流音效包(約 130 個 Mixkit 音效,分屬 19 個家族)下載到本機。如果某個指令因缺少模組或字型而失敗,請執行設定。
要讀取的檔案
| 時機 | 讀取內容 |
|---|---|
| 總是,在規劃之前 | references/edit_brain.md(創意手法、7 種編輯風格、多樣性規則、潮流聲音設計)+ references/style.md(每個效果、道具、運鏡、主題) |
| 為該行業挑選效果/顏色時 | references/industries.md 的對應行 |
| 不確定計劃欄位時 | grep references/plan.md(完整結構) |
| 非對鏡頭講話類型(混剪、幻燈片、教學、播客) | references/recipes.md 的對應章節 |
| 開始建構腳本時 | 複製 templates/build_vip.py |
一次性工作流程(全部執行,無須詢問,除非某個選擇會顯著改變結果)
-
摘要。 推斷以下資訊:
- 行業,從說話內容或畫面中判斷。
- 主題:
- 使用者指定的顏色(如果有的話);
- 否則使用品牌的顏色(商標、招牌、制服);
- 再否則使用該行業的預設值。
- 比例: 除非來源是橫向且旨在用於 YouTube,否則使用 9:16。
- 長度: 保留所有好的句子。
僅在使用者給出多個不相關檔案且沒有提示時才詢問。
-
觀看。 執行
analyze.py SRC --every 2並閱讀分析報告。注意:- 臉部位置:這將成為
FACE; - 空白區域位置;
- 任何燒錄文字;
- 襯衫顏色,因為胸前的文字必須保持可讀。
- 臉部位置:這將成為
-
轉錄。 執行
transcribe.py SRC --prompt "<品牌、產品、人名>"。然後校對.transcript.json:- 修正聽錯的字詞,盡可能保持字數不變;
- 價格請以越南文格式書寫:「8.190.000đ」或「8,19 triệu」。
-
選擇句子。 編寫
edited/cuts.json,按順序為每個保留的句子建立一個條目:- 刪除重拍(保留後續更清晰的版本)、錯誤開頭、「cắt nhé」以及空白片段;
- in = 第一個字詞 −0.08 秒,out = 最後一個字詞 +0.15 秒;加上
transcripts(來源的 .transcript.json 檔案),以便aroll.py也能產生aroll.transcript.json供字幕和聲音大腦使用。
然後執行
aroll.py edited/cuts.json -o edited/aroll.mp4 --speed 1.1。它會產生一個單一、唇音同步安全的 A-roll,以及包含每個句子開始時間的aroll.json。 -
建構。 先進行
references/edit_brain.md中的創意手法。選擇一種編輯風格、3 個主題動機和一個節奏圖,然後撰寫分鏡表。切勿重複使用前一個影片的序列。將templates/build_vip.py複製到edited/並填入內容:- 設定
THEME、FACE、CAP_Y; - 為每個句子指定
cap(i, top, text); - 為每個句子指定一個運鏡動作(
cam),在第 0 句使用 HOOK,在 2–3 個最重要的關鍵字上使用 SNAP 或 EMPH,其餘使用交替的 PUSH / PUNCH / PULL; - 每 3–5 秒添加一個 VIP 效果,從行業對應行中選擇,並放置在其命名的字詞上(價格觸發
CountUp,「3 điều」觸發NumberList,「đau đầu」觸發Cracks); - 保持聲音大腦開啟(
"sound_design": {"style": "trend", "brain": {...}},詳見 edit_brain.md §4a):效果音跟隨畫面,故事音跟隨文字。然後閱讀sound_brain.py的建議,刪除任何不增加意義的效果; - 先前
"sound_design": "trend"表示:每個效果都會自動從潮流音效包中獲得分層聲音,因此僅在音效承載故事意義時才手動添加(例如揭示前的漸強音、爆點前的靜默); - 每分鐘添加 2–4 個磨砂玻璃場景;
- 以 CTA 結尾。
- 設定
-
渲染。 執行
build_vip.py,然後執行render.py plan_vip.json --draft。超過 2 分鐘的渲染會在背景執行。每個動態項目的首次渲染需要 3–5 秒;人物去背大約每個效果每秒需要 1 秒。 -
檢查自己的輸出。 執行
analyze.py <草稿> --every 1並閱讀每個分析表。檢查:- 文字是否被裁切或遮蓋人臉;
- 效果是否落在錯誤的字詞上;
- 此主題下難以閱讀的顏色;
- 黑色或凍結的畫面;
- 音量是否偏離 −14 LUFS。
修正建構腳本並重新渲染;片段和動態快取使這個過程很快。每個問題最多允許 3 次嘗試。
-
最終。 執行
render.py plan_vip.json(不加--draft)。 -
交付。 傳送 MP4 檔案(如果可用,使用
SendUserFile)。然後:- 提供 3–5 行的摘要:長度、主題、使用的效果及其所在的句子,以及你猜測的任何內容;
- 在背景啟動 VIP 編輯器:
python -X utf8 <skill>/editor/server.py edited/plan_vip.json,讓使用者可以手動拖曳、重新調整時間、重新輸入文字和重新著色,消耗零 token。
混合聲音。 如果影片混合了鏡頭前的說話聲與畫外音,請執行 scripts/voice_match.py 使兩者聽起來像同一種聲音(詳見 references/edit_brain.md §5)。在決定只使用畫外音之前,掃描每個片段以找出好的鏡頭前對白(一次性全部轉錄)。
透過提示進行修改(在首次編輯之後)
-
始終編輯
build_vip.py,絕不編輯產生的計劃。 如果使用者說他們在 VIP 編輯器中做了更改,請先重新讀取plan_vip.json並直接編輯計劃,因為重新建構會丟棄他們的手動編輯。告訴使用者你採用了哪種方法。 -
將請求對應到編輯:
請求 編輯 "đổi màu …" THEME"câu N …" 句子 N 的區塊 "bỏ / thêm hiệu ứng X" 刪除或添加該 motion(...)/layer(...)行"chữ to / nhỏ" size"chữ thấp / cao" CAP_Y或y"zoom nhiều / ít" cam/cycle動作"nhạc khác" MUSIC"nhanh hơn" aroll.py --speed(然後重新建構) -
在完整渲染前檢查: 僅對變更的範圍執行
render.py plan_vip.json --preview A-B,檢查後再進行一次完整渲染。
品質規則
- 字幕。 每個短語使用一個
BlueText,取代純文字字幕。每行最多一個**關鍵字**。在原始素材上使用tone: "video";在淺色磨砂玻璃上使用tone: "light"。 - 乾淨畫面。 除了字幕外,螢幕上最多保留一個其他元素。切勿遮蓋人臉。在 9:16 比例中,文字應避免放置在頂部 10% 和底部 20% 的區域。
- 運鏡。 每 3–6 秒一個運鏡事件。大幅動作(SNAP、EMPH)每 10 秒最多一次。
- 跳出裁切。
popout裁切必須從下巴以下開始,否則頭部無法破框而出。 - 誠實。 僅使用出現在影片或使用者訊息中的價格、規格、名稱和引述。
- 僅限授權媒體。 使用內建的合成音效、使用者自己的檔案或免版稅音樂。切勿使用受版權保護的歌曲或重新上傳的片段。
環境注意事項
- Python 和 Node。 Python 3.10+ 搭配
requirements.txt(faster-whisper、rembg、onnxruntime、opencv、numpy、fonttools、Pillow、edge-tts)以及 Node 18+ 用於motion/。在motion/目錄內執行npm ci(設定腳本會做這件事)。 - FFmpeg。 必須是包含 libass 的完整版本。
- GPU。
- NVIDIA GPU 可加速 Whisper 和 NVENC 編碼。
- 如果沒有,Whisper 將在 CPU 上執行;使用
--model small以加快速度。 - rembg 在可用時會使用 DirectML 或 CUDA。
- 字型。 Be Vietnam Pro 和 Playfair Display 已包含在
assets/fonts和motion/public/fonts目錄中。 - Windows 列印。 在臨時腳本中列印越南文字之前,設定
PYTHONIOENCODING=utf-8。 - 快取。 快取存放在
<plan>_work/目錄中。僅在快取損壞時才刪除該資料夾。
疑難排解
- 動態元件渲染為空白: 使用
motion/render_motion.py COMP '<props>' --duration 2 --still 1 -o x.png渲染一個靜態畫面來檢查。 - 遮罩中出現錯誤人物(牆上的商標或海報): 使用
popout的"head": [x, w]限制可能破框的範圍,或選擇一個更平靜的時刻。 - 剪輯後聲音偏移: 切勿逐段拼接多個說話片段。始終經由
aroll.py處理。 - 「找不到音效」: 配方名稱對應到內建音效(請參閱
render.py中的SFX_ALIASES)。將自己的name.mp3放入assets/sfx/以覆蓋預設音效。 - 腳本無法完成的效果: 使用直接的 ffmpeg 指令渲染它,或在
motion/src/blue/中撰寫一個新的元件,並將顏色包裹在T('…')中,然後在計劃中使用它。