Communitygithub.com

動頁轉影片

將可互動的網頁作品(互動文章、可探索式說明等)自動錄製成完整的講解影片,包含1080p MP4 和字幕。

動頁轉影片 是什麼?

此技能(工具)能將任何可互動的網頁作品(如互動文章、可探索式說明)轉換為專業級講解影片。它使用無頭瀏覽器模擬真實用戶行為(滾動、點擊、拖曳),並同步錄製畫面,再配上克隆人聲旁白或頁面原有聲音,最終輸出 1080p MP4 與字幕檔。支援兩類動頁:「A 講解型」(需撰寫旁白腳本並進行 TTS 合成)與「B 自帶聲音型」(直接錄製頁面原有聲音,僅為無聲文字補上人聲)。主要工作量在於為每件動頁編寫錄製腳本:分析動頁內容,決定講述重點、刪減部分,並為每個步驟精確指定操作時機。環境配置需安裝相依套件(IndexTTS-2 用於語音克隆),並可透過 `--silent` 模式先預覽畫面與節奏再進行耗時的配音。最終需人工核對影音同步、操作正確性與音軌品質。

相容平台✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/micahfang1/interactive-to-video/tree/HEAD

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

動頁轉影片 是做什麼的?

本目錄就是工具。無頭瀏覽器像讀者一樣把動頁走一遍(滾動、點擊、拖曳,游標看得見),邊走邊錄畫面,配上人聲,出 1080p 的 mp4。

錄製和合成是自動的;每件動頁的腳本要你來寫:讀懂這件動頁,決定講什麼、刪什麼、每一步在頁面上做什麼。這是主要的工作量。

  • lib/record.mjs 錄製器:開啟頁面、注入游標和字幕、抓幀壓成影片、錄頁面自己的聲音。
  • lib/make.mjs 講解型的一條龍:合成旁白 → 按旁白時長驅動操作並錄影 → 合成成片和字幕。
  • lib/voice.mjs + lib/tts.py 複製配音(IndexTTS-2)。
  • lib/subtitles.mjs 字幕分割、估時長、統計空鏡(有測試,npm test)。
  • examples/demo/ 一個開箱能跑的小範例(一頁小動頁 + 它的腳本),先跑它確認環境沒問題。
  • examples/ 另有兩類動頁各一個真實範例,照原樣跑不起來(依賴對應的動頁檔案),拿來看作法。

環境準備見 README。中間檔案寫到當前目錄的 work/,成片寫到 out/,所以在你想放影片的目錄下執行。

先分類

A 講解型B 自帶聲音型
動頁特點沒有人聲,靠讀者自己讀和操作自己有原聲、音效、字幕,按滾動自動演
影片的聲音另寫一份旁白,複製音色配音錄頁面自己的聲音;只給沒聲音的文字補人聲
範例examples/explainer-involution.mjsexamples/selfvoiced-jensen.mjs
指令node lib/make.mjs <腳本>.mjsnode <腳本>.mjs

做新的一期:複製對應範例改。範例裡的註解說明了每一段在做什麼。

原則

  • 做完整的講解影片,不是預告短片。
  • 節奏要緊:沒人說話的畫面盡量短。出片後看「沒人說話的時段」,超過十來秒的想辦法壓或刪。
  • 有文字的地方要有人聲,不能只有打字聲。
  • 動頁裡改成影片效果不好的地方就改或刪(小遊戲縮短、題目少做幾道)。只在錄製時改,不動動頁原檔案(見 B 裡的 transform)。
  • 第一版先完整做出來再給人看,不要中途一項項問。

A 講解型

  1. 通讀動頁,寫腳本:url、hideCss(把導航、進度條等藏掉)、setup、segments。每段 { id, say, run }:say 是旁白(同時是字幕),run(ctx, t) 是這段話期間的操作;await t.at(0.5) 等旁白說到一半再動。ctx 提供 scrollTo / click / move / drag / wait / card。
  2. 旁白是講給觀眾聽的,不是照唸頁面文字。刪掉影片裡撐不起來的部分(自由探索的實驗、長列表、出處)。
  3. 參考錄音:腳本裡寫 voice: '路徑',或放成當前目錄的 voice/ref.wav。要十幾到三十秒、安靜、一個人說話。
  4. 先不配音出一版:node lib/make.mjs <腳本>.mjs --silent。按字數估每段時長,只出字幕,幾分鐘就能看到整片的畫面和節奏。配音很慢,畫面沒調好之前不要配。
  5. 畫面定了再去掉 --silent 配音出片。調某幾段用 --only 段id,段id。

lib/tts.py 會把各段語速拉齊、壓短句中停頓、降噪、對齊響度,語速或音色離譜的自動重做。

B 自帶聲音型

  1. 讀動頁原始碼,弄清三件事:怎麼往下走(滾動 / 點擊)、哪裡會停下來等讀者(互動)、哪些文字沒有聲音。
  2. 複製範例改:
    • serve:把本地資料夾當網站(請求攔截,不開埠口)。
    • INTERACTIONS:每個互動「怎麼認出來(選擇器)+ 怎麼做」。用真實的滑鼠移動、拖曳、點擊。逾時才按頁面自己的「跳過」。
    • 主迴圈:沒在等互動就滾輪往下滾;文字在打字時停下等;旁白沒唸完也等。
    • transform:送給瀏覽器時臨時改腳本(縮短小遊戲、縮短停頓、接旁白),原檔案不動。按原文匹配來改,匹配不上要報錯,別悄悄失效。
  3. 沒聲音的文字:列成清單交給 synthesize() 合成;錄製時文字開始出現就記時間點,最後按時間點混進頁面聲音。有人聲的文字關掉打字聲,出現的速度跟著人聲時長走。
  4. --max 秒 先錄開頭一段;--from 位置 從中間開始調某一場;都沒問題再錄全片(即時錄,片子多長就錄多久)。

坑

  • 聲音:無頭 Chrome 必須帶 --disable-audio-output(已寫在 lib/record.mjs)。換成 --mute-audio 的話,聲音引擎掛在系統音效卡上,系統聲音一不穩,頁面裡的音訊就停住,整遍錄製作廢。
  • 清晰度:1080p 靠 --force-device-scale-factor=1.5 + 1280×720 視窗。不要用 CSS zoom(100vh 會錯位,黏性配置歪掉)。
  • 滾動敘事:GSAP ScrollTrigger 一類的頁面,高度變了(展開一段解析)之後要派發一次 resize,否則觸發位置是舊的。
  • 卡死:範例裡有看門狗,頁面不動、聲音不走超過 40 秒就停。看到「卡住了」先查原因再重錄,別直接重跑碰運氣。
  • 配音很慢:IndexTTS-2 在筆電上每句幾十秒到幾分鐘。三四十句要留出半小時以上。機器上同時只想跑一個這類任務時,設 HEAVY_LOCK。
  • 硬碟:一遍 20 分鐘的錄製,中間檔案約 1.5GB。

出片後必須核對

Claude 聽不了音訊。這一條要對用戶明說,不能含糊過去。

  1. 抽幀:全片均勻抽四五十幀拼成一張圖看一遍,再單獨看每個互動的時刻,確認做對了、沒有停在半截。
  2. 日誌:每個互動都出現,沒有「出錯」「沒自己結束,跳過」「卡住了」,頁面報錯為 0。
  3. 聲音:音軌時長和畫面一致、中間沒有斷流;看「沒人說話的時段」清單。
  4. 報告時寫清楚:哪些是看過的,哪些只能人來聽(發音、語氣、中英混讀的詞);刪改了動頁的哪些內容;還有哪幾段無聲偏長。

聲音的規矩

  • 只複製自己的聲音,或者明確拿到授權的聲音。
  • 合成的旁白和真人原聲混在同一條影片裡時,發布時在簡介裡註明旁白為合成。

相關技能