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.jsexamples/— 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