Communitygithub.com

紙片解說短影片(多智能體)

生成垂直(9:16)動畫「紙片剪貼」解說短影片 — 包含旁白故事、英文撕紙標題標籤、扁平貼紙風格道具、半色調背景以及色彩分離與顆粒效果,使用規劃的多智能體管道(研究/劇本智能體 → 旁白 → 3 個平行場景智能體 → 審查 → 渲染 → 發布)。

紙片解說短影片(多智能體) 是什麼?

這項技能旨在透過精心設計的多智能體管道,自動化製作垂直格式(9:16,1080×1920)的「紙片剪貼」解說短影片。其視覺風格獨特:使用具有白色「貼紙」邊框和陰影的扁平 SVG 道具、半色調點狀或放射狀背景、以 Bebas Neue 字體呈現的英文全大寫撕紙標題標籤,並疊加輕微的 RGB 分離、膠卷顆粒和暗角效果。整個過程從研究事實、撰寫劇本開始,然後使用 Edge TTS 或 ElevenLabs 生成旁白,再並行驅動三個場景智能體(每個負責約 25-30 秒的片段),最後整合、審查、渲染並發布最終 MP4 影片。所有場景均由頭部無頭 Chrome 瀏覽器逐幀渲染自 HTML/SVG,確保輸出確定性。內容規則嚴格:僅使用經研究驗證的事實,避免描繪真實人物漫畫、敏感地圖、商標或宗教神祇,並保持政治中立。此管道支援 macOS 和 Linux 系統,依賴 Python、ffmpeg、Playwright 等工具。

相容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/sknitd/paper-explainer-skill/tree/HEAD/skills/paper-explainer

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

紙片剪貼解說短影片(多智能體)

輸出:1080×1920,24 fps,60–95 秒 MP4,含旁白、背景音樂及同步音效。 風格:扁平 SVG 道具搭配白色「貼紙」邊框 + 陰影、半色調點狀或放射狀背景、 英文全大寫撕紙標題標籤(Bebasa Neue)、輕微 RGB 分離 + 膠卷顆粒 + 暗角。

所有內容均由無頭 Chrome 逐幀渲染自 HTML/SVG(確定性),因此場景是 由智能體針對小型引擎(template/engine.js,文件位於 template/ENGINE.md)編寫的純 JS 檔案。

需求

  • Python 3 虛擬環境,包含:playwright(使用系統 Chrome 透過 CHROME_PATH,或 playwright install chromium)、 numpy、opencv-python-headless(可選)、faster-whisper(時間/品質檢查)、edge-tts(免費備用語音)。
  • ffmpeg、curl、bc。可選:用於旁白 + 音樂的 ElevenLabs MCP 連接器。

管道(請依序執行)

1. 研究 + 劇本智能體(背景)

啟動一個通用智能體,使用 references/agent_prompts.md#research 中的提示。它必須透過網路驗證 每個事實、標註來源、標記謠言,並回傳:SCRIPT(14–17 行簡短旁白,約 950–1,150 字元, 數字拼寫為單詞,旁白腳本中的名稱)、TABLE(每行的字幕標籤 / 視覺想法 / 背景)、 FACTS 及其 URL、UNCERTAIN/NOT USED。對於非常近期的主題,告訴它今天的日期,並要求它先確認 該主題實際指的是什麼。在其執行期間:scripts/new_project.sh <dir> 並繪製故事中需要的任何共享道具 (每個重複出現的物體/人物使用一致的設計),繪製於 <dir>/engine.js 末尾; 渲染一個測試影格以檢查它們。

2. 旁白

  • 首選:ElevenLabs eleven_v4,紀錄片風格的旁白(例如印地語 "Natraj – Informative Documentary Host"), 2 次錄製,腳本中謹慎使用 [curious]/[dramatic]/[thoughtful] 標籤。先檢查額度。
  • 備用(免費,提供精確的逐行時間):將純文字行放入 <dir>/script.txt,執行 scripts/edge_tts_lines.sh <dir> hi-IN-MadhurNeural +20% → 產生 vo.wav + lines.txt。
  • 對每次錄製進行品質檢查:TTS 模型可能搞錯數字/日期。使用 scripts/words.py 進行轉錄;Whisper 本身 會錯誤格式化印地語數字,因此對可疑年份使用抑制數字的方式重新檢查(參見 references/qa.md)。 選擇能正確說出每個數字的錄製。
  • 單一檔案錄製的行時間:靜音檢測(ffmpeg -af silencedetect=n=-38dB:d=0.15)+ 單詞 時間;scripts/align_lines.py 提供初步估算。撰寫 lines.txt(lNN start= end= | text),包含你將使用的 影片偏移(例如 +0.25 秒)和一個位移後的 words.txt。

3. 三個場景智能體並行執行(背景)

在行間隙將時間線分割為約 25–30 秒的部分。在一則訊息中啟動三個通用智能體,使用 references/agent_prompts.md#scene — 每個智能體僅擁有 scenes_N.js,取得其準確的時間範圍、其旁白行 (含開始/結束時間)、關鍵字節拍、情節串連圖板(來自 TABLE)、共享資產以及規則: IIFE + pN_ 前綴,場景精確覆蓋時間範圍,頂部標籤在剪輯後約 0.1 秒出現,每秒有新元素, 渲染測試影格並查看它們,刪除 PNG。

4. 整合 + 審查(你)

  • 渲染約 30 個均勻間隔的影格為聯絡表(render_html.py ... 999 t1,t2,... 然後 ffmpeg -pattern_type glob -i 'test_*.png' -vf scale=170:-1,tile=11x3)並閱讀它。
  • 修正:畫面上出現編造的數字/主張(智能體有時會添加 — 移除它們)、不準確的地圖/邊界、 標誌、真實人物的諷刺漫畫、重疊、螢幕外的文字、空白影格。

5. 渲染、混音、發布

scripts/render_video.sh <dir> <duration> <narration> <music> <vo_delay_ms> <out.mp4> 渲染所有影格, 從引擎事件構建音效軌道,在旁白下降低背景音樂音量(約 -14 LUFS),並混合。 要在不重建場景的情況下為現有影片重新配音,使用 WARP=anchors.json 進行渲染(將新行開始 映射到舊行開始;參見 references/qa.md)。透過使用者偏好的頻道交付。

內容規則(始終遵守)

  • 事實僅來自研究智能體的來源清單;金錢/票房/民調數字標註為 "REPORTED"/已註明來源; 不確定的計數顯示為下限("250+")。
  • 真實人物:使用通用的 A.fig 半身像 + 英文姓名標籤,決不畫成諷刺漫畫;不繪製宗教神明 — 使用抽象圖案;不繪製品牌/政黨標誌(繪製通用徽章/鳥類/字母)。
  • 地圖:避免使用有爭議/敏感邊界的國家輪廓地圖;使用無邊界圖板或網格, 並將說明性視覺內容標示為如此。
  • 政治:中立、有依據、不嘲諷或預測。

檔案

  • template/ — index.html、engine.js(引擎 + 資產包)、ENGINE.md(智能體 API)、scenes_1..3.js
  • examples/ — 四個完整影片的場景程式碼(史翠珊效應、自由女神像、Twitter 藍勾勾、 2026 美國中期選舉):這是智能體的品質/節奏標竿
  • scripts/ — 渲染、音效、對齊、轉錄、免費 TTS、專案啟動、最終混音
  • references/agent_prompts.md、references/qa.md

相關技能