MBehtemam/montagent-skills

編輯錄製影片

基於錄製素材的食譜。它們會插入到 montagent 的建置步驟迴圈中；如果尚未載入，請先載入 montagent。對於談話人物、主持人片段或訪談剪輯，請在規劃前開啟談話人物結構。

從素材開始

在編寫任何元素之前，請對每個剪輯進行 probe：其尺寸、幀率、長度以及是否有音訊。然後根據語音規劃片段。語音中的字詞時間碼是每個字幕、提示和音量閃避所依賴的時鐘，因此首先要檢查時間碼（請參閱字幕）。

若要從長剪輯中選擇一個時刻（例如，要在插入畫面中顯示的螢幕錄製片段），請將該剪輯單獨放入一個草稿專案中，並呼叫 frame --from 0 --to <其長度> --infill-ceiling <毫秒>，將上限設為長度的二十分之一。一次呼叫會每隔幾秒給出一個標記的預覽圖；在任何您想更近看的預覽圖上使用 frame --at。

食譜

每個食譜給出的都是起始範圍，而非最終答案。每個都以一個檢視步驟結束：載入 montagent-craft，然後按照步驟說明的位置進行檢視，再繼續下一步。

放置素材

{
  "frame": {"width": 1080, "height": 1920}, "fps": 30, "background": "#FF5A36", "duration": 6000, "output": "out/presenter.mp4",
  "tracks": [
    {"name": "presenter", "layer": 10, "elements": [
      {"id": "presenter", "type": "video", "start": 0, "end": 6000, "source": "media/clip.mp4", "source_start": 0, "source_end": 6000, "x": 540, "y": 2160, "origin": "bottom-center", "width": 3413, "height": 1920, "fit": "cover", "effects": [{"name": "chroma", "color": "#00FF00", "tolerance": 0.2, "softness": 0.08, "spill": 0.9}]}
    ]}
  ]
}

• **將寬素材放入高畫框：**使元素與畫框一樣高，並根據來源畫面比例決定寬度（對於 16:9，高度 1920 時寬度為 3413），然後橫向滑動以保持演講者居中。
• **眼睛：**位於畫框自上而下 25–35% 的位置。將元素的 bottom-center 降低到畫框底部邊緣以下以達到該位置；裁切掉腿部是正常的。
• **頭頂空間：**頭髮上方留出畫框高度的 4–8%。
• 比片段短的鏡頭： "overrun": "hold" 會凍結其最後一幀。保持凍結時間少於半秒，否則提前結束片段。
• **剪輯內的凍結幀、速度變化或倒放：**使用 source_time 代替 source_start 和 source_end：一個字面值會凍結某個時刻，而將來源毫秒鍵映射到時間軸 t 則會產生速度變化（平坦的一對會凍結，下降的一對會倒放）。對於慢動作（speed < 1.0）或速度變化（source_time）的剪輯，設置 "frame_blend": "mix" 以在連續的來源幀之間進行交叉溶解，而不是在最近的幀之間切換（"none"）。若要對素材產生定格動畫效果，請使用階梯狀的 source_time 關鍵幀，在連續的時間軸幀上保持每個目標來源時間戳記。帶有 source_time 的剪輯在 volume 為 0 時是無聲的，因此將其聲音放在單獨的 audio 元素上。
• **鏡頭自帶的聲音：**語音保持在 volume 1.0。其他所有聲音都在其下方混合。
• **檢視：**在開始、中間和最後繪製的幀上使用 frame，檢查眼睛是否位於範圍內，並且畫框兩側沒有重要內容被裁切。

綠幕去背

在素材元素上使用 chroma 進行去背。從這裡開始：

• color： 純色的螢幕顏色，綠色螢幕為 #00FF00。在這些容差下，略微偏藍或偏黃的螢幕也能同樣進行去背，因此您無需進行取樣。
• tolerance： 0.2（範圍 0.18–0.25）。高於約 0.3 時，去背會吃掉黑色頭髮、白色衣領和深色衣物。
• softness： 0.08（範圍 0.05–0.1）。
• spill： 0.9（範圍 0.9–1.0）。

在疊加任何其他內容之前先進行檢查：

1. 三個無損裁切。 在頭髮、肩膀或衣袖邊緣以及手部的位置，對著您將交付的背景，使用 frame --crop <x,y,w,h> --png。裁切會以真實比例返回，因此 200–400 像素的框就足夠了。
2. 已經完成了？ 頭髮、衣領和手部邊緣結實，最多只有 1–2 像素的深色、橄欖色或棕褐色線條：去背已完成，繼續下一步。那條線是邊緣下限：從 0.12 到 0.3 的每個設置都會留下它，並且 spill 已將其從綠色變為棕褐色，因此對它的綠色像素計數讀數為零。
3. 否則，每個瑕疵一個修正。 背景透過頭髮、衣領或深色衣物顯現：將 tolerance 降低 0.05。比邊緣下限更寬的蒼白或綠色光暈：將 tolerance 提高 0.03，或將 softness 提高 0.03。再次裁切並返回步驟 2。最多三個設置，全部在同一個去背元素上：按區域分割的去背副本會成倍增加渲染時間，並且仍然會留下接縫。
4. 漂移。 對去背元素進行 measure。其不透明比例應在整個鏡頭中保持在一兩個百分點以內。出現階梯變化表示該處的照明發生了變化：在階梯變化前後使用關鍵幀調整 tolerance，或者在該幀處剪切元素並分別對每個部分進行去背。

• 檢視： 在演講者移動最多的兩個時刻，對整個畫面使用 frame，並檢查輪廓是否保持穩定。

字幕 逐字高亮

字幕來自提供的字詞時間碼，透過內建腳本生成，非手動操作。python3 scripts/captions.py <project> <words> <spec>（使用 --help 查看規格）會檢查時間碼，使用 measure 將字詞分成一行或兩行的頁面，為每個字詞在其被朗讀時提供一個 highlight 窗口，並列印添加了字幕的專案。它會在 stderr 上報告每個修復。閱讀該報告：這就是時間碼檢查。

• **它檢查的內容：**在語音恢復後才開始一個短語的字詞（典型的例子是提供的 "Now" 晚了 110 毫秒且長了 20 毫秒）、位於靜音內的字詞、重疊的字詞以及太短而無法看到的字詞。短字詞會被延長到 min_word（150 毫秒）：延長到後面的停頓中，然後再從下一個字詞中借用。報告在靜音內的字詞表示該處的文件未對齊：修復文件，然後重新執行。
• 大小： 在 1080 寬的畫框上為 56–72 像素，粗體，一行使用一種淺色，正在朗讀的字詞使用品牌的強調色。
• 行數： 最多兩行，width 約為畫框寬度的 80%。頁面在句子結尾或停頓 400 毫秒或更長時斷開。
• 背景： 使用最深的品牌色，透明度為 80–85%（CC–D9）的 pill，可以在任何素材上清晰閱讀。pad 上下左右各 28–36 像素，內部上下 14–20 像素，radius 20–28。
• 位置： 在下巴下方，避開高畫框底部 15–20% 的區域（播放器會在此處顯示控制項）。在 1080×1920 的畫面上，居中位置大約在 y 1350–1450。在寬畫框上，將其居中於距離底部 10–14% 的位置。
• 頁面 保持顯示直到下一頁開始，或者在較長停頓後，保持到其最後一個字詞之後的 1 秒。

它會寫入實際的字幕，因此請根據 validate 對它們提出的字幕發現採取行動。

• 檢視： 在一頁上使用 frame --from --to：每個點亮單詞都是其自己的預覽圖。檢查每個預覽圖是否恰好點亮一個字詞，順序正確，並且框體避開了臉部。然後在最長停頓後的第一幀使用 frame --at，檢查新頁面是否已顯示，並且沒有內容被提前點亮。

素材上的姓名條

一個下方第三條從邊緣划入划出。素材不是純色，因此 montagent-motion 中的遮擋划入不能用於揭示條本身。取而代之的是，條從其邊緣開始增長，其文字則由一個與條同色的遮擋板揭示，該顏色是純色的。

{
  "frame": {"width": 1080, "height": 1920}, "fps": 30, "background": "#6E7B8B", "duration": 7000, "output": "out/namebar.mp4",
  "fonts": {"bold": [{"file": "fonts/Inter-Bold.ttf"}]},
  "fontVendor": {"fonts/Inter-Bold.ttf": {"licence": "OFL-1.1", "source": "https://github.com/rsms/inter", "sha256": "288316099b1e0a47a4716d159098005eef7c0066921f34e3200393dbdb01947f"}},
  "tracks": [
    {"name": "bar", "layer": 20, "elements": [
      {"id": "bar", "type": "rect", "start": 1000, "end": 6534, "x": 64, "y": 1160, "origin": "center-left", "width": 760, "height": 160, "fill": "#101418", "radius": 8, "scale": [{"t": 1000, "v": [0.0, 1.0]}, {"t": 1300, "v": [1.0, 1.0], "ease": [0.65, 0, 0.35, 1]}, {"t": 6266, "v": [1.0, 1.0], "ease": "linear"}, {"t": 6533, "v": [0.0, 1.0], "ease": [0.65, 0, 0.35, 1]}]}
    ]},
    {"name": "bar-edge", "layer": 21, "elements": [
      {"id": "bar-edge", "type": "rect", "start": 1000, "end": 6534, "x": 64, "y": 1160, "origin": "center-left", "width": 12, "height": 160, "fill": "#FF5A36"}
    ]},
    {"name": "bar-name", "layer": 22, "elements": [
      {"id": "bar-name", "type": "text", "start": 1300, "end": 6266, "x": 108, "y": 1128, "origin": "center-left", "width": 400, "height": 70, "font": "bold", "size": 58, "color": "#F5F0E6", "runs": [{"text": "Montagent"}], "caption": false}
    ]},
    {"name": "bar-line", "layer": 22, "elements": [
      {"id": "bar-line", "type": "text", "start": 1300, "end": 6266, "x": 108, "y": 1196, "origin": "center-left", "width": 560, "height": 44, "font": "bold", "size": 34, "color": "#F5F0E6", "runs": [{"text": "Video your agent can read"}], "caption": false}
    ]},
    {"name": "bar-cover", "layer": 23, "elements": [
      {"id": "bar-cover-on", "type": "rect", "start": 1300, "end": 1700, "x": 800, "y": 1160, "origin": "center-right", "width": 716, "height": 140, "fill": "#101418", "scale": [{"t": 1300, "v": [1.0, 1.0]}, {"t": 1666, "v": [0.0, 1.0], "ease": [0.65, 0, 0.35, 1]}]},
      {"id": "bar-cover-off", "type": "rect", "start": 6000, "end": 6266, "x": 84, "y": 1160, "origin": "center-left", "width": 716, "height": 140, "fill": "#101418", "scale": [{"t": 6000, "v": [0.0, 1.0]}, {"t": 6233, "v": [1.0, 1.0], "ease": [0.65, 0, 0.35, 1]}]}
    ]}
  ]
}

• **划入：**條從左邊緣在 250–350 毫秒內增長，使用 [0.65, 0, 0.35, 1]。文字及其遮擋板在條完全展開的那一幀開始（絕不能更早，否則遮擋板會在素材上顯示）。遮擋板從其遠端在 300–400 毫秒內縮小，按閱讀順序揭示文字。
• 划出， 在其提示信號時開始：遮擋板在 200–300 毫秒內重新遮蓋文字，然後條在 250–300 毫秒內縮回到其邊緣。整個條在提示信號後 450–600 毫秒內完全消失。
• 大小： 在 1080 寬的畫框上，條高 130–180 像素，名字字體 52–64 像素，第二行字體 30–38 像素。在前緣有一條 8–16 像素寬的強調色條。
• 遮擋板： 完全使用條的 fill 顏色，位於條的兩端內部 20 像素，上下邊緣內部 10 像素，位於文字之上。
• 位置： 距離畫框側邊 48–80 像素，避開字幕框和演講者的臉部，通常在高畫框高度的 55–65% 處。
• 檢視： 從每個提示信號開始的 1 秒內使用 frame --from --to --keyframes，並檢查在任何預覽圖上都沒有遮擋板顯示在條之外。在條靜止時使用 frame --at，檢查其左邊緣是否與字幕框的邊距對齊。

圓形子母畫面

在圓形中顯示第二個剪輯：一個帶有圓形 mask 的影片元素，其後有一個環，並使用 overshoot 貝茲曲線進行彈出動畫。

{
  "frame": {"width": 1080, "height": 1920}, "fps": 30, "background": "#6E7B8B", "duration": 6000, "output": "out/pip.mp4",
  "tracks": [
    {"name": "pip-ring", "layer": 30, "elements": [
      {"id": "pip-ring", "type": "ellipse", "start": 1000, "end": 5500, "x": 800, "y": 900, "origin": "center", "width": 384, "height": 384, "fill": "#F5F0E6", "scale": [{"t": 1000, "v": [0.0, 0.0]}, {"t": 1400, "v": [1.0, 1.0], "ease": [0.34, 1.56, 0.64, 1]}, {"t": 5233, "v": [1.0, 1.0], "ease": "linear"}, {"t": 5466, "v": [0.0, 0.0], "ease": "ease-in"}], "effects": [{"name": "shadow", "dx": 0, "dy": 16, "radius": 40, "color": "#101418", "opacity": 0.35}]}
    ]},
    {"name": "pip", "layer": 31, "elements": [
      {"id": "pip", "type": "video", "start": 1000, "end": 5500, "source": "media/clip.mp4", "source_start": 10000, "source_end": 14500, "volume": 0, "x": 800, "y": 900, "origin": "center", "width": 640, "height": 360, "fit": "contain", "scale": [{"t": 1000, "v": [0.0, 0.0]}, {"t": 1400, "v": [1.0, 1.0], "ease": [0.34, 1.56, 0.64, 1]}, {"t": 5233, "v": [1.0, 1.0], "ease": "linear"}, {"t": 5466, "v": [0.0, 0.0], "ease": "ease-in"}], "effects": [{"name": "mask", "shape": "circle", "x": 140, "y": 0, "width": 360, "height": 360}]}
    ]}
  ]
}

• **圓形的矩形區域：**一個與元素等高的正方形。其 x 決定顯示圖片的哪個部分。中心點是 (width - height) / 2，這是應該使用的值：彈出動畫會圍繞元素的 origin 進行縮放，因此偏離中心的圓在增長時會橫向漂移。若要顯示圖片的另一部分，請選擇一個 source_start，使該部分位於中間，或者使元素更大並設置其 x，使所需部分落在圓內，然後在彈出曲線上對 x 進行關鍵幀設置，以便圓的中心保持靜止。
• 大小： 寬度為畫框寬度的 30–40%。環比圓寬 12–24 像素，使用背景中最淺的顏色，並帶有柔和的 shadow。
• 彈出動畫： 兩者均在 350–450 毫秒內，使用 [0.34, 1.56, 0.64, 1]，從 0 刻度開始，在相同關鍵幀上。退出在 200–300 毫秒內，使用 ease-in，回到 0。
• 時間點： 在演講者首次提到它所顯示的內容時進入，在結束前一個節拍退出，以便關閉乾淨利落。
• 位置： 在演講者旁邊，胸部高度，避開臉部和字幕框，距離畫框邊緣 40 像素或更多。
• 聲音： volume 為 0，除非剪輯本身自帶聲音是重點。
• 檢視： 在彈出動畫峰值時（開始後加上其持續時間的 40%）使用 frame，檢查圓是否避開了臉部和畫框邊緣。在靜止時使用 frame，檢查相關部分是否在圓內。

語音下的背景音樂

音樂在語音說話時閃避，在停頓時恢復音量。scripts/duck.py 會根據語音的字詞時間碼（使用 --words，一個 JSON 文件，格式為...