yt-film:從靜態影像製作旁白影片
若要製作直向 Reels、Shorts 或系列化社交影片,請使用配套的 yt-film-reels 技能。
基礎設定是地板,而非影片本身。 對於每部影片,無論橫向或縱向,請在清單拍攝前,先以克勞德為驅動者進行創意發想:決定這個故事需要哪些基礎設定所沒有的元素(其自身的特效、轉場、聲音、繪圖裝置),製作或查找這些元素,並僅在適合的地方重複使用基礎效果。引擎也能渲染縱向:縱向模式。
一個用於故事影片的生產線:使用者根據克勞德編寫的指南製作約 150 張靜態影像,克勞德根據這些影像編寫腳本,語音朗讀腳本,而 Python 引擎 讓每張圖片隨著文字生動起來。參考影片是 Chadwick 範例(examples/chadwick/,卡內基的女兒:那位冒充安德魯·卡內基秘密女兒借貸數百萬的女子):其影像、腳本、語音、配樂、拍攝清單以及 70 秒的特效測試影片(examples/chadwick/video/chadwick_effects_test.mp4)展示了每一項技術。
REPO 以下指的是此技能所在的資料夾(此檔案所在處)。PY 是其 Python 直譯器:macOS/Linux 上為 REPO/.venv/bin/python,Windows 上為 REPO\.venv\Scripts\python.exe。請務必從專案的 tools/ 資料夾使用 PY 來執行引擎命令。如果 .venv 不存在,請先進行設定:按照 references/install.md 中的安裝運行手冊(適用於克勞德) 逐步操作(在進行系統範圍安裝前請先詢問;使用者需自行貼上 API 金鑰)。
基本規則
- 未經使用者同意,切勿渲染。 使用
stills.py檢查(約 30 秒內產生連絡表)。批次渲染、預覽、結尾和最終合成需要數分鐘到數小時:說明您要渲染的內容以及可能需要花費的時間,然後等待同意。除非內容已更改且使用者要求,否則不要重新渲染任何已渲染過的內容。 - 每個專案僅詢問使用者一次路線選擇:使用哪個圖片工具(
references/image-generation.md)、語音(Gemini TTS 或使用者自己的:references/voice.md)、音樂(Lyria 或使用者自己的:references/music.md)、他們的利基市場和頻道名稱,以及構成他們頻道特色的三個選擇:圖片風格(開場:水粉畫、平面編輯、黑色電影、粉筆畫、漫畫、故事書、藍圖,或他們自己的風格;有角色或無角色)、引擎外觀(YTF_LOOK:gouache、clean、noir、chalk、comic、storybook、blueprint;單一值使用look.json)和格式(story、explainer、countdown、rise-fall、storytime、kids、summary、case-study、news):請參閱references/art-styles.md、references/formats.md。不要預設使用範例的粉彩真實故事風格;如果使用者沒有偏好,請以一個簡短的表格顯示選項,並推薦一個適合其利基市場的選項。 - 使用者的利基市場是他們的:不要引導他們走向歷史或範例的主題。該範例是技術參考,而非主題模板。
- Windows:使用正斜線的路徑可以正常運作;長時間任務會在背景執行;速度設定請參考
references/performance.md。切勿假設僅限 macOS 的工具。 - 除
.env檔案外,其他檔案中不得包含 API 金鑰。僅在使用者同意後才下載真實照片或音效檔案(需說明檔案、來源、大小和授權)。
技術堆疊
| 作業 | 工具 | 位置 |
|---|---|---|
| 研究 | 網路搜尋、包含來源的已驗證事實清單;標記無法確認的項目 | OUTLINE.md |
| 圖片 | 使用者的圖片工具,依據克勞德的指南 | IMAGE_GUIDE.md(+ 用於 API 的 IMAGE_PROMPTS.jsonl)、incoming/ |
| 腳本 | 克勞德,根據圖片指南撰寫,每個節拍一個 ## 段落,附帶 [SHOTS: …] 註解 | SCRIPT.md |
| 語音 | Gemini TTS(Orus 語音,慢速朗讀 → 1.25x,限制停頓)或使用者透過 import_voice.py 提供的音訊 | tools/voice.py、tools/import_voice.py |
| 文字計時 | Whisper:mlx-whisper(Apple Silicon)或 faster-whisper(Windows/Intel/Linux) | voice/<batch>_words.json |
| 音樂 | Lyria(Gemini API),每個段落一個提示,或使用者的授權曲目 | tools/music.py → audio/music/ |
| 影片引擎 | Python(OpenCV、Pillow、NumPy、SciPy),無需 After Effects | tools/film.py、fx2.py、seq.py、signature.py、wr.py、kit.py |
| 拍攝清單 | 每個批次一個檔案,基於 seq.py,以該批次的文字時間為提示 | tools/<story>.py + tools/shots_bN.py |
| 渲染 | 並行處理,根據機器規格調整大小,低優先級 | tools/render_all.py |
| 結尾 | 使用者自己的動畫簽名檔(範例:cta.py) | renders/cta.mp4 |
| 最終合成 | 批次 + 結尾,單一連續配樂,−14 LUFS / −2 dBTP | tools/final.py |
| 配音 | 預設為西班牙語 + 法語:Gemini 翻譯 + TTS,約 3 分鐘為一段,配合英文時間點 | tools/dub.py |
| 縮圖 | 使用者的圖片工具,根據指南 | references/thumbnails.md |
專案位於 YTF_WORKSPACE(預設為 ~/yt-film-projects/<story>/),由 PY REPO/scripts/new_project.py <story> 建立,該指令會將引擎複製到 tools/ 並建立所有資料夾。設定在 .env 檔案中(專案優先,其次是 REPO):GEMINI_API_KEY、YTF_CHANNEL、語音/模型名稱、速度旋鈕(.env.example 列出了所有項目)。engine/ytf.py 在所有作業系統上都能找到字型、金鑰、Whisper 和共享素材。
工作順序
- 選擇故事(如果尚未給定):提出 3–5 個候選項目,並進行差距檢查(
references/story-finding.md)。使用其格式和外觀啟動專案:PY REPO/scripts/new_project.py <name> --format <format> --look <look>(將格式的主幹模板寫入 OUTLINE.md,並將YTF_FORMAT和YTF_LOOK寫入.env)。在撰寫完整指南之前,先用stills.py在兩張圖片上測試新風格(references/art-styles.md,最後一節)。 - 故事和事實:進行研究;撰寫附帶來源的
OUTLINE.md。標記任何未經確認的項目,並在後續措辭上繞開(「據報導」),切勿將其陳述為事實。決定鉤子(references/hooks.md:絕不能與使用者最近三部影片的類型相同)。然後在OUTLINE.md頂部撰寫主幹(references/storytelling.md):一個影片要回答的問題和 8–12 個由「所以」/「但是」連接的節拍;第一個錯誤行為或決定時刻約在影片的 15% 處;每個主要人物有一到兩個背景故事段落。在製作圖片指南之前先向使用者展示。 - 先做圖片指南(
references/image-guide.md,為使用者的路線撰寫)。它遵循主幹和影片的敘事方式(展示,然後繪製:每個節拍的列命名其服務的台詞以及在該台詞之上或之後繪製的內容)。目標是 約 150 張影像:風格卡、演員表、約 100 張場景鏡頭(含覆蓋:W 廣角、M 中景、F 近距離臉部特寫作為 EDIT、D 細節、P 視角)、6 個包含_lines版本的場景、12 張素描稿 +_lines、約 10 個空白故事物件(「基底」:筆記本、舊地圖、卡片、帳簿、信封、電報、報紙)。精確的檔案名稱和資料夾。一致性規則:references/consistency.md。 - 檢查圖片(在圖片分批送達時檢查手部、臉部、時代細節、無文字、形狀:圖片送達時約 16:9,會被中心裁切為 2:1,因此非常頂部/底部不能有重要內容)。手動下載:
scripts/sort_images.py。然後以 引擎像素 製作網格表(COLS=4 PY tools/egrid.py out.png IMG ...),並在撰寫鏡頭前標記每張圖片的煙囪、燈具、蠟燭、呼吸區域和平靜區域。 - 根據圖片撰寫腳本。 使用每一張生成的圖片;將每個段落映射到其鏡頭,並執行未使用圖片檢查(範例:
examples/chadwick/tools/script_check.py),然後執行PY tools/story_check.py(口說日期、場景轉換開場、[DRIVE]段落的位置、每個批次接縫)以及references/storytelling.md中的檢查(複述、15%、但是/因此、無堆疊解說、5–7 個口說日期、展示 → 繪製)。無長度限制:完整且從容地講述故事(每分鐘約 150 字;Chadwick:1,780 字 → 12 分鐘)。以使用者的按讚/訂閱號召做結尾。 - 語音:Gemini(先執行
voice.py --test,然後執行批次;使用--pace和SPEEDS使每個批次維持在約 140–160 wpm)或使用者的音訊(import_voice.py --full | --passages | --batches)。設定BATCHES(4–7 個段落,每個約 65–100 秒,在故事進展中切斷於中間段落;僅在動作轉折處進行 2–3 次切斷;批次開始處不重新引入任何內容)和GAPS。在撰寫其鏡頭之前,先列印每個批次的文字(Whisper 會聽錯名稱,並將數字寫為數字:根據它寫下的內容進行提示)。 - 音樂:5–7 個提示(
music.py,或使用者放在audio/music/的檔案);將提示映射到final.py的MUSIC中的批次。 - 使用
seq.py為每個批次製作拍攝清單(references/engine.md、examples/chadwick/tools/):一個影片模組(<story>.py,例如chad.py)包含LIVE表(每張圖片的動態圖層)和地圖設定;每個shots_bN.py約有 60 行程式碼S.at(time, scene(...)/page(...)/drawin(...)/map_shot(...))。使用PY tools/stills.py bN檢查每個清單,並在開始渲染前查看工作表。 - 渲染(經使用者同意):
PY tools/render_all.py並行執行所有批次,數量取決於機器可用記憶體(每個渲染約需 1.5 GB;一旦記憶體耗盡,同時進行更多渲染會變慢);修正後,使用render_all.py b3 b7或--changed。在獨立視窗中啟動它,這樣關閉克勞德就不會停止它,並在渲染速度慢或電腦卡頓時參考references/performance.md(尤其是 Windows)。在兩個影格上先測試新的轉場或特效(後期崩潰會浪費渲染)。 - 結尾(每個頻道一次,
references/cta.md),然後最終合成PY tools/final.py;檢查 MP4 的長度、fps、響度(−14 LUFS,峰值 ≤ −1.5 dB)和靜態幀樣本(references/final-render.md)。 - 配音(
references/dubs.md)和縮圖(references/thumbnails.md),如有需要。
外觀(範例的預設值;每個頻道選擇自己的)
- 範例:蛋頭人物(蛋形頭、兩個深色橢圓眼睛、單線嘴巴、無鼻子/耳朵/眉毛、簡單圓潤的手)處於一個時代精確的真實世界中;墨水線條 + 霧面粉彩水粉畫;引擎外觀為
gouache。其他頻道選擇自己的圖片風格、角色(或無)和引擎外觀(references/art-styles.md);以下規則適用於所有風格。 - 引擎外觀設定新增的圖層:色調、顆粒、暗角、墨水、標籤紙、強調色、字型、繪圖音效(
engine/look.py:YTF_LOOK、look.json)。當外觀有特定顏色或字型時,切勿在拍攝檔案中硬編碼(使用look.rgb("accent")、look.L.type_font);一個頻道的外觀必須能在一個地方更改。 - 無 2.5D、無去背、無 AI 影片。 單一影像搭配緩和相機運動(推近、平移、緩慢漂移)。
- 切勿長時間停留在同一張圖片上:切換到下一個時機的鏡頭(W→M→F→D→P)或切換到繪製的頁面。
- 素描解說是真實繪圖,而非圖示:從稿件的線條藝術中提取,或由引擎在程式碼能妥善處理的地方繪製(精確地圖、路線、標記、簡單人物)。
- 空白基底會在其自身的媒介上即時繪製:紙上的石墨、黑板上的粉筆、筆刷墨水、印刷到報紙上的網點照片、地圖上的墨水路線。
- 線條承載意義:代表年份的計數標記、聲波環、落紙路徑、煙霧線、被劃掉的人物。
- 標籤(日期、地點、名稱)是外觀字型(
gouache中為打字機風格)的水平打字文字,每次打一個字,伴隨輕微的點擊聲。 - 物體上的文字位於該物體真實線條的其角度上;其下方的難以辨認印刷文字會先被抹除(
fx2.clean_text)。 - 始終保持對比:不要在深色背景上放置深色內容。標籤會自動選擇奶油色/墨水色並帶有光暈。切勿在未檢查其下方內容的情況下強制使用
color="ink"。 - 工具精靈很小(0.28 比例),因此不會搶走焦點。
簽名動畫(全部在靜態影像上以程式碼實現)
engine/signature.py、engine/fx2.py、鏡頭輔助工具 engine/wr.py、engine/seq.py。每個靜態影像範例在 examples/chadwick/look/ 中;所有動態範例在效果測試影片中。
- 生動靜止畫面(圖片本身不動;圖層在其上活動):每個煙囪的粒子煙霧、寒冷中的呼吸、活生生的火焰及其投射的光線、圖片中找到的燈具及其呼吸效果(
fx2.lamps)、雪、雨、落葉、閃爍。無像素扭曲(sg.Flow)應用於煙霧、蒸汽、火焰或水:它會弄髒繪畫(look/flow_smear_avoid.png)。 - 僅在重要之處表現的臉部動作:沒有自動眨眼或表情。一個臉部只有在鏡頭傳遞
act=/talk=參數時才有動作,且只有具有匹配的雙眼的臉部才能動作(sg.face_audit([...], out.jpg):僅在雙眼都被標記為綠色時才進行動作)。提示:blinks、glances、widen、mouth_fx、expr(微笑、咧嘴笑、皺眉、O 型嘴、大笑、閉眼、瞇眼...)、talk=(ta, tb)、反應標記(sweat、shake、!、?、zzz)。每個批次中只有少數真正重要的節拍,絕非裝飾。 - 空白板上的漫畫頁面(
sg.Comic):邊框自行上墨,每個面板先上墨再上色,鏡頭訪問各個面板並最後深入一個面板。每部影片使用兩個(鉤子、第一個大場面)。每個面板持續時間 ≥ 1.8 秒。 - 即時製作的繪圖(
fx2.Draw):一張稿子依照其筆畫順序上墨(畫筆精靈和音效),然後其顏色渲染進來;card=True會先在雜亂的圖片上鋪一層柔和的奶油色調。一張稿子永遠不會作為四格頁面顯示:每個繪圖在旁白提到它時出現,並由箭頭和簡短打字標籤連結。 - 解說卡(重複使用一個基底):名稱被打字並劃掉,一個機制由一連串帶箭頭的繪圖表示,三個繪圖搭配三個詞。
- 標記詞彙,根據意義選擇,絕不每次都使用相同的標記:底線、勾選、交叉、括號、運動線條、聲波環、路線(虛線路徑 + 箭頭)、引導線(點、線、打字標籤)、計數標記;
sg.Stamp(橡皮圖章砰聲:FORGED、CLOSED、14 YEARS)、sg.Tag(撕裂的紙標籤)、sg.Inset、`sg