論文 → 講解影片
目標觀眾:有技術背景、但沒讀過這篇論文的人。看完要能說清:它改的是什麼、為什麼有效、我們能學到什麼,並且能用一個具體例子複述它在幹什麼。公式不推導,脈絡講清楚。
成片規格:橫屏 1920×1080,30fps,H.264 + AAC,時長 6–8 分鐘,說清楚優先(約 10 分鐘內都可以接受)。結尾署名、關注語是配置項(工程目錄 film.json 的 outro),不寫死。
本 skill 和倉庫裡的程式碼配套:engine/(畫布外殼、實體紙、風格卡 ④、WebCodecs 渲染頁、拼接混音、配音對齊、音樂音效),examples/demo(25 秒最小示例),examples/always-on(一期完整示例)。接口文檔:engine/README.md。
一、硬規則(每條都來自返工,衝突時以這裡為準)
- 開工前載入本 skill 全文,派給 subagent 的 brief 裡貼 checklist 原文,不憑記憶轉述。 寫稿、審稿類 brief 還要貼
references/voiceover-selfcheck.md全文。brief 第一行寫本 skill 路徑,要求先讀全文。 - 順序不能反:邏輯鏈 → 鎖口播 → 分鏡(鏡頭規劃表)→ 配音 → 粗剪看流程 → 特效 / 美術精修 → 封面最後。口播沒鎖不做畫面;分鏡和稿沒鎖不生成配音以外的任何素材(如可選的頭像)。先定風格後改內容 = 返工。
- 寫的人不驗收。 口播交審前要過獨立的「只聽一遍」盲測和事實核查;成片給作者看之前,必須由沒參與製作的 agent 看完整動態片、對照
references/review-checklist.md審片,審片報告一起交。 - 渲染只走一條路:本機 Chrome 頁面內逐幀
render(t)+ WebCodecs 硬體編碼(engine/common/shell-wc.html)。brief 裡只寫這一條,不給「headless 逐幀截圖 → ffmpeg」的退路。開渲前先測 10 秒的 ms/幀和 WebGL renderer;renderer 是 SwiftShader / llvmpipe 等軟體渲染就停下報告,不換別的渲染方式。合成禁用 geq。渲染放後台 agent、獨立段並行,主會話保持能隨時對話。 - 配音:任意 TTS 出 wav →
engine/voice/align.py對齊。讀錯的句子單句重新生成,不手改時間。 - 第 0 幀就有內容,前 20–30 秒最重要。 鉤子直接:權威名字 + 最反直覺的結果 + 觀眾的困惑(或「一次講完 X」),不玩懸念。
- 長度跟著講清楚走,約 10 分鐘內可接受;句間停頓要緊(見第 10 節)。
- 畫面:可讀性第一,暖白 / 米白編輯風;預設風格卡 ④ 報刊(已發布片在用)。喜歡連續運鏡、縮放進論文頁、軟合成音樂床。不用 3Blue1Brown 式深色底做整片底色,也不用 Swiss 網格海報風;不做 PPT 式硬切靜態卡。
- 出鏡可選:主畫面是內容。要放作者形象時只放右下角小窗、只在開頭 / 章節 / 結尾出現,不要大臉;口播不原樣做成大字。
- 結尾:討論問題(和本期核心機制相關、一兩句能答)→ 署名 + 關注語(
film.json的outro);不預告下集。 - 文案:專業精煉、有推理過程、emoji 少;不用「不是……而是……」;不寫沒發生的親測;官方 claim、實測、推斷分開說。口播分段給作者審。逐句自查清單見
references/voiceover-selfcheck.md(優先於本文件裡任何舊寫法)。 - 基於已驗證的做法做方案,不自己發明新格式。 新鏡頭先在
examples/裡找同類寫法。
作者必須親自做的環節(agent 到這裡停下,說清要作者做什麼,等確認):審邏輯鏈和口播(第 7 節)、生成配音 wav(第 9 節,除非作者已給出可用的 TTS 方式)、看鏡頭規劃表(第 8 節)、看樣片和成片(第 11–12 節)、發布。作者沒審完,同一條片不往下一階段走(別的片可以繼續)。
省 token:每個交審版本最多 1 輪事實核查、1 輪盲測;小問題攢著和作者意見一起改。查找、整理檔案用小模型;寫稿、事實判斷、審片用強模型。大段內容寫文件,只回傳路徑和結論。
二、流程總覽
- 選題篩查:論文概覽 + 你發布平台上的同題熱度;硬門檻:論文裡有一個完整的 case study
- 精讀 → 論文卡(
references/paper-card.md) - 找鉤子
- 三問提綱 + 貫穿例子 + 觀眾問題鏈(
references/question-chain.md) - 寫口播(第 4 節 +
references/voiceover-selfcheck.md) - 「只聽一遍」盲測(兩個角色,subagent,
references/listen-test-brief.md)→ 補稿 - 獨立事實核查 + 唱反調(subagent,並行,
references/factcheck-brief.md)→ 改稿後再測一次理解 - 作者逐段審口播(邏輯鏈一頁 + 分段口播,等確認)
- 分鏡:選風格卡 + 鏡頭規劃表(
references/shot-plan.md)+ 頂部欄目進度條 →(作者看鏡頭規劃表) - 配音(任意 TTS)
- 對齊、音軌(人聲 + 音樂床 + 音效)
- 公用件 → 按章並行寫 scene.js → 樣片 → 獨立審片 → 全片 → 逐章美術精修 → 再審 → .1 修訂
- 抽幀自檢 → 交付;作者看完提的問題先復盤再動手改
多來源「一次講完」也用本 skill
綜述 / 多篇論文串講同樣走 0–12 步。不載入本 skill 的後果:句子塞滿「機構 + 年份 + 數字」一口氣唸完、章節各講各的、沒有真實論文頁、沒動效沒音樂、沒做理解測試,整片返工。適配:
- 用一個貫穿例子 + 一張母圖串全片;每章用同一套詞重走母圖。母圖優先使用論文裡現成的分類,正文按這個分類分章講,不自造框架。
- 每章只講一個主故事、一個主數字;其餘數字放螢幕來源卡,口播只說「X 發現」。
- 章節遞進(由淺到深 / 流水線順序),最後一章回扣開頭鉤子。
- 機構、年份不進口播長句;一句一個資訊。
- 綜述的權威來自「論文 + 大廠開源程式碼」;鉤子只留一個主語。
0. 選題篩查
- 候選多時先看論文的 AI 概覽(如 alphaXiv),只用於決定要不要精讀,不作為事實來源。
- 在你要發布的平台上查同題熱度:有沒有人講透、講透的那幾條反響如何。學術熱度(點讚、引用、論文數)不等於平台熱度;平台上火熱的通常是「概念講清楚」「一篇就夠了」和人名 / 公司。沒有證據不說「最近很火」。
- 硬門檻:論文裡要有一個完整的 case study(輸入 → 每層做了什麼 → 前後分數),能撐起「走一遍」。沒有就慎選。
- 選題先定四件事:讀者的問題、我們的主張、證據、交付(看完能帶走什麼)。
1. 精讀:論文卡
- 拿全文:
https://arxiv.org/pdf/<id>;能拿就同時拿 TeX 原始碼(/src/<id>,數字、圖註更準,原圖可直接用);PDF 下載失敗先讀arxiv.org/html/<id>。只下載你有權使用的材料,記下許可(CC BY 等)。 - PDF:
pdftoppm -r 150渲染全部頁面看內容;畫面用的頁面和局部用 300dpi,要鑽進去的圖用 720dpi 向量渲染(鏡頭要推進 2–3 倍,150dpi 或視訊截幀會糊)。詞框(給螢光筆定位)用pdftotext -bbox;它在某些 poppler 版本會崩,改用 PyMuPDF(見examples/demo/get-paper.sh,記得 NFKC 歸一化,否則 fi 連字會找不到句子)。網頁原文用engine/tools/capture.mjs(3× 截圖 + 短語詞框)。 - 正文、附錄、圖註全部讀。附錄、消融、失敗案例、侷限必須單獨過一遍。附錄裡的提示詞、判定規則、虛擬碼必須讀:核心機制「憑什麼判斷」經常只寫在這裡。
- 論文卡按
references/paper-card.md的 12 項寫。單篇拆解先抓原文自己的核心圖和結構,不套自己的框架。
2–3. 鉤子、三問、貫穿例子、觀眾問題鏈
鉤子(每句 ≤3 秒,一句只放一個資訊):
- 權威名字壓短放最前(「Google 新論文:」)。
- 緊跟這篇最獨特、最反直覺的那一點,場景說人話(「幫製片人把排期、人員、預算幾份表對上帳,得分從 43 漲到 78」);單個案例保留「一個真實的……」這類限定,不能說成平均。
- 可以用一句短的反轉收尾(「模型一行權重都沒動。」)。
- 再給全名和機構,加一句預告(「接下來我們一起拆解它的完整架構」)。
- 不要把多個帶同一個數量的量串在一句(「8B」「七十分之一」「十二點八萬」會聽岔)。
- 鉤子裡不要讓觀眾先懂一個專有名詞才能聽懂:先用大白話講事件,英文原句只放螢幕;觀眾不熟的術語可以出現,下一段立刻定義。
- 鉤子裡的比較對象要核實,限定條件寫進去;鉤子和標題裡的每個關鍵詞,正文都要有一段正面回答(說了「自進化」,就要有「這算自進化嗎?體現在哪?」一段)。
- 第 0 幀就是滿屏的主標題或最反直覺的畫面(132px 宋體,已在位,不從空白上推);關鍵數字等口播唸到時第一次出現並做成那一段的主角(≥200px),不在開頭閃一下。
三問篇幅:改的是什麼(層級)|為什麼能起作用(作者思路 + 機制 + 為什麼不會失效,佔一半以上)|我們能學到什麼。
貫穿例子:選一個論文自帶的例子,覆蓋每一層,所有機制都回到它。
觀眾問題鏈(寫稿前必做):按段寫「觀眾聽到這裡會問什麼 → 下一句怎麼答」,模板和必覆蓋項見 references/question-chain.md。問題鏈和邏輯鏈一起交作者審。必有冷水段。
4. 口播
結構:鉤子 → 問題(前人點名一個具體工作)→ 如果你是作者 → 一句話本質 → 架構(按論文分組講)→ 用論文例子走一輪(分步,每步帶「為什麼」)→ 總結卡(一句話串起所有步驟) → 標題概念答疑 → 結果(問題 → 答案)→ 冷水(編號)→ 我們能學到什麼 → 結尾(討論問題 → 署名 + 關注語)。
講清楚的硬規則
- 只給名字不算解釋。 每個術語 / 機制第一次出現時,用一句話給操作定義:誰、看什麼、怎麼判定。翻譯論文術語不等於解釋。
- 不跳步。 動作之間要有因果銜接(「看到這兩個毛病 → 動手改 Harness 的檔案」)。
- 先具體後抽象。 先說改了哪幾個檔案、寫了什麼,再說它屬於哪一類、叫什麼。
- 新概念先鋪墊再使用。 不能讓「候選」「盲選」這類詞第一次出現就在冷水段。
- 證據放在步驟講完之後,不在步驟中間插數字;講對照實驗先說對照組怎麼做的,再說結果。
- 角色交代清楚:多個模型時明說「這裡有兩個模型:幹活的是 X,改 Harness 的是 Y」;說清權重變不變、有沒有強化學習。
- benchmark 名第一次出現先交代是什麼;單位全片統一(「分」不混「百分點」);「它」不能有歧義。
- 畫面上只用口播裡出現過的叫法。
風格
- 觀眾熟悉的英文術語(Harness、agent、diff)直接用,全片一個叫法,不另起中文譯名。用行業原詞(RL 環境、軌跡、verifier),不自造比喻。
- 場景說人話;任務、benchmark 名先翻成一句大白話。
- 如果你是作者:問完「你會怎麼想?」留 1 秒停頓(畫面出「?」),再說「我猜……」。推測必須說「我猜」。
- 一句話本質:能被複述,後面跟一句補充;不寫口號式短句(見自查清單)。
- 長列表按論文自己的分組講,分組以論文原表為準。直接講論文,不硬往觀眾的工具上靠。
- 走一輪:分「第一步……第二步……」,每步說清誰拿著什麼、做了什麼,補一句「為什麼」。精選案例要說明「這是論文挑出來展示的,平均沒這麼大」。
- 每個機制按「原來怎麼做 → 有什麼問題 → 改成什麼 → 為什麼更好」講。
- 技術機制配最小的前後程式碼對比;有原文就用原文(標「原文摘錄 · 有刪節」),沒有就寫虛擬碼標「示意」。
- 類比只作輔助,放在例子之後。講「試過但沒留下的」方案。刪資訊前先問:刪掉後觀眾會不會理解錯?
- 結果段:每個數字回答一個問題,不唸成績單;幾個數不要擠在一句裡。同一個「最多 / 最大」來自不同對比時點明範圍。
- 冷水段:「有三個保留意見。第一……」編號完整;素材來自唱反調 subagent;引用有利數字時把反方向的也說出來。
- 結尾不說教:「那我們能從中學到什麼?」「我自己最大的收穫是……」;不用「你能帶走」這類命令句。
- 口語、短句;字幕用阿拉伯數字。
- 交審前逐句過
references/voiceover-selfcheck.md。
字數與節奏:整體約 5.8 字/秒(漢字、英文詞、數字各算 1);6–8 分鐘 ≈ 2000–2700 字。不靠提速,砍碎停頓:同一段裡句子連成一氣,只在拋問題、反轉、關鍵數字前留整拍;稿子裡用「‖」標出整拍停頓(每章 3–5 處)。目標停頓佔比 10–12%、平均 5–6 秒停一次。
口播檔案格式(引擎直接讀):段標題 ## 00 · 段名,唸的句子一行一個、以 - 開頭;「> 螢幕卡」和說明文字不唸。句 id = s<段>-<序號>。
5–6. 盲測 + 事實核查 + 唱反調(獨立 subagent,同時跑)
- 只聽一遍盲測:兩個角色(A 不懂行、B 懂行),固定問題、誤解清單、打分。門檻:A ≥ 8 分才進入配音。 brief 模板
references/listen-test-brief.md。盲讀提到的問題要逐條處理,不能只補一句了事。 - 事實核查:口播 + 論文,逐條核數字、歸因強度、限定條件、比較對象、「推測」是否標明、分組是否和論文原表一致;輸出 must-fix(可直接替換的句子)。
- 唱反調:只給論文,站審稿人立場:最脆弱假設、對比是否公平、輸給基線的格子、樣本量、反例、一週復現;產出冷水段素材。核查和唱反調 brief 模板
references/factcheck-brief.md。 - 每改一輪稿(尤其核查後加了數字和限定條件),都重新跑盲測 + 核查改動句。 準確和好懂要一起過。門檻按已發布稿校準。
7. 作者審口播(停下等確認)
- 先給一頁邏輯鏈:每段一行「觀眾的問題 → 這段的回答」。
- 不貼一整塊文字:按段分塊,小標題 + 一句說明 + 口播一句一行;關鍵結論加粗。
- 逐段 review,每次 1–3 段,寫「現在 → 問題 → 改後」,問能直接回答的是 / 否問題,用大白話帶上背景;有合理預設就按預設做,說一句做了什麼。
- 作者的偏好記下來,結束後更新本 skill。確認後才配音和製作。
8. 分鏡:風格卡、鏡頭規劃表、進度條
風格卡
畫面 = 骨架(結構、運鏡、鑽進論文、大畫布、轉場時機,全片固定)+ 風格卡(色板、字型、材質、標誌動作、固定元素樣式)。換風格只換卡。一支片子只用一張卡,系列內保持同一張卡。節拍跟口播走,每個鏡頭的構圖按卡重新設計。
卡 ④ 報刊數據新聞(預設,engine/common/style.js 已實現)
- 色板:紙 #FFF1E5|墨 #33302E|次要 #66605C|細線 #CCC1B7|酒紅 #990F3D = 改進後 / 關鍵數字 / 我們的標註|牛津藍 #0F5499 = 基線 / 原版|青 #0D7680 = 對上、連線、✓|灰 #B9AFA6 = 被拒 / 中性|麥色面板 #F2DFCE。
- 字型:中文標題 Noto Serif SC Black(鉤子 132px、章節 / 鏡頭主標題 92px、卡片 56–64px,行距 1.1);正文、標籤 Noto Sans SC;數字 Inter 800 + tnum;欄目標籤(kicker)Bold 28–30px、上壓一條 56×5 酒紅短線。字型由
style-cards/editorial/get-fonts.sh下載(OFL)。 - 版式:kicker + 大標題 + 導語 + 圖;左邊距 120px、嚴格欄格;1px 細線和 4px 粗線分層;圖表只畫橫向網格線,標籤直接貼在線和點上,不用圖例;註釋 = 細引線 + 一句短說明;每屏左下角灰色來源行(≥26px,chrome.js 統一畫)。
- 標誌動作:標題逐行遮罩上推(easeOutQuart 0.55s,
ED.maskLine);導語從左擦出(wipeText);細線從左長出(growLine);外框順時針描邊(strokeCW);折線從左畫到右、數字同步滾動;關鍵短語酒紅底線掃出(underlineSweep);圖表鏡頭緩推 3–4%。不彈跳、不發光。 - 轉場:章節之間整頁橫滑翻報紙(0.6s,chrome.js 統一畫);章節內連續變形 / 大畫布。
- 固定元素:頂部報紙欄目導航進度條、麥色字幕條(宋體 Bold 44px)、來源行——全部由
engine/common/chrome.js畫,章節不自己做。 - 缺點:偏冷、字多層級多,手機上 28px 註釋仍偏小,能刪就刪。
其他卡(倉庫未附實現,按需自己寫 style.js):② 手繪白板(Excalidraw 風,適合架構拆解);① 數學動畫(3Blue1Brown 風,適合公式推導;硬規則 8 不推薦整片深色底,真要用時深色底上的 PDF 白頁壓亮度加暗角);⑤ 暗色開發者(適合工程實操);③ 新粗野主義(適合短鉤子,長片會累);A 暖白講解(底 #FAFAF7、焦橙 #D4552A = 改進、石板藍 #3E6A8A 虛線 = 基線)。換卡時:動法不變,只改緩動性格(④ 不回彈)和章節轉場外觀;顏色語義固定:改進後 = 卡的強調色,基線 = 冷色,被拒 = 灰。
高密度段落規則(所有卡)
- 一屏一個主角:講誰就讓誰佔約 65% 寬、鏡頭推近 1.3–1.5 倍;換主角時上一個收成頂部摘要細條;只在點明關係的那句拉遠看全局 1–2 秒。
- 文字限額:字幕之外每屏 ≤ 約 25 個中文字、≤4 個視覺塊;口播說過的話不再寫成標籤;一個元素最多一個標籤。
- 不用中英雙標籤;所有要讀的字 ≥28px,來源行可 26px。
- 看不清的論文小剪報不放:要引用就全尺寸鑽進去看清 ≥1.5s,用完只留來源行或小角標。
- 佔位克制:下一欄只留一條細線 + 小欄頭,不鋪大片灰色骨架。
- 頂部只留一條導航:本章步驟做成進度條裡的子刻度,不再單獨佔一行。
所有卡通用的分鏡規則
- 核心節拍:原文頁 → 黃色螢光筆 rgba(250,199,117,0.7) 跟口播從左往右塗(配馬克筆聲)→ 原文清晰停留 ≥3 秒(不算進出場和推拉);圖表重繪前先展示原圖並圈出要講的點。
- 螢光筆分兩種:原文上劃重點 = 黃色(所有卡一樣);我們的標註(引線、圈、底線)= 卡的強調色(④ 酒紅)。觀眾一眼分清哪個是原文、哪個是解讀。
- 固定鏡頭:走一遍鏡|程式碼對照鏡|層級表鏡|作者思路鏡(標「推測」)|對照實驗鏡(實驗組 vs 對照組怎麼做)|總結卡。
- 字幕底板不透明度 ≥0.97,一行 ≤22 字,與口播逐字一致。
- 字型大小:要讓人讀的字 ≥28px;承載資訊的字用墨色,灰字只給元資料。
- 不留空屏:內容鋪滿約 70%;任何時刻(包括變形和換鏡的中間幀)半屏空著不超過 2 秒;落地幀就要有主角。
- 畫面語義別誤導:豎排箭頭鏈會被讀成資料流;不流向下一個角色的東西放旁邊、虛線框並標註。
- 示意圖標「示意」;圖表按比例、軸有標籤;論文 logo 遮掉,機構名只用文字。
- 不准隨機噪點填充(Math.random 的灰度格、條碼、骨架條);示意圖用 3–4 檔平滑色階。
- 標題不准新舊疊在一起(先出後進);新畫面出現前舊畫面完全退場,不留殘影。
- 含文字的層不靠
scale()>1放大點陣圖,改佈局尺寸重畫。 - 3D 一律用 Three.js 打光(圓角盒子、啞光材質、半球光 + 主光 + 補光、烘焙接觸陰影,2× 渲染再縮小);禁止 CSS 3D。
安全區(分鏡階段就按這個排版)
- y 0–64:只給進度條;片內元素上邊界 ≥ y80,常規內容放在 y 136–930、左右 96px 內。
- y 900–940:來源行;y 952–1040:字幕條。圖表數字、標籤不進這兩條。
- 可選頭像:右下角約 x>1660、y>840;要讀的內容放在 x<1640、y<940。
- 別事後把進度條 / 頭像疊到成片上(只能把正文縮小,字幕跟著變小)。
運鏡與轉場(三種手法按內容分工)
禁止「淡出到空白頁再從零搭」和整屏交叉溶解(像翻 PPT)。
| 內容 | 手法 | 做法 |
|---|---|---|
| 大部分講解:概念、背景、一句話本質、結果、冷水 | 連續變形(3Blue1Brown 式) | 下一鏡的元素從上一鏡裡長出來:標籤飛到中間變成主圖形,標題詞縮小併入公式,子元素在口播點名時從父元素裡彈出,? 變燈泡、問題卡翻成冷水卡。每個進場元素都要有來處 |
| 引用論文原文、原圖 | 鑽進論文(實體紙) | 論文是一張有陰影、約 1.5–2° 傾斜的真紙(PDF 真頁面,不用灰條佔位),平時縮在角落;要引用時滑回、翻頁(0.8s,畫出紙背)、推進 2–3 倍到那句或那塊圖,螢光筆劃過;講圖時把圖裡那一塊「浮起」飛出變成重畫的動畫卡。浮起的截圖停在旁邊不蓋目標卡,用完收進角落小地圖。推近不超過截圖解析度 |
| 有先後步驟的段落(走一輪、流程) | 大畫布運鏡(Kurzgesagt 式) | 幾步從左到右排在同一張大畫布上;鏡頭在步驟間平移(0.5–0.9s easeInOutCubic + whoosh);角落放論文小地圖。下一站的骨架提前鋪好,平移途中就能看到目的地;畫外被切一半的鄰卡壓暗。一期只用 1–2 段,走完拉遠看全圖再收成總結鏈 |
- 全片骨架:連續變形打底 → 每次提到論文就鑽進去 → 講步驟時走大畫布 → 大段落之間用 ≤0.6s 的章節轉場,只用 5–6 次。
- 動效語法:進場 ease-out(④ 不回彈),子元素錯開 60–120ms;鏡頭 easeInOutCubic;同一個物體跨鏡頭保持同一個元素(插值位置 / 縮放),不複製一個新的淡入;卡片縮放時內容跟著縮,不先清空再縮。
- 運動模糊:12–16 份等權取樣,拖尾 ≤ 單幀位移的一半且 ≤40px;推拉時不加方向模糊;甩鏡整屏模糊 ≤0.35s。
- 先出鏡頭規劃表(
references/shot-plan.md):每段寫用哪種手法、上一鏡留下什麼、下一鏡從哪個元素長出來、原文出處、錨詞。作者看過再做畫面。
頂部欄目進度條
- 按口播段落分 6–8 欄,螢幕上用兩字報刊欄目名(導讀 / 背景 / 思路 / 拆解 / 結果 / 存疑 / 啟示……);「鉤子」「冷水」是內部叫法,不上屏。
- 配置在工程目錄
film.json的nav:[{ "n": "01", "name": "導讀", "sections": ["00"] }, ...];起止時間取自 timeline.json。當前欄酒紅宋體,已播進度酒紅線,每欄最後 2 秒下一欄脈動預告。實現:engine/common/chrome.js。
頭像(可選)
預設不放。要放時用你自己有權使用的形象,自備一條透明背景的頭像軌,在合成最後一層疊到右下角安全區;全片常駐或只在開頭 / 章節 / 結尾出現;鏡頭推近論文(≥1.4 倍,或原文會落到右下角)時整個滑出畫面,拉遠後滑回,各 0.35s,不要半透明。分鏡時就按安全區排版。
9. 配音(任意 TTS)
- 用任何能出 wav / mp3 的 TTS(商用網頁、API、本地模型都行),按段生成(每批 ≤450 字左右,太長容易吞字)。數字、版本號寫成中文讀法(四十三點一、Opus 四點八);英文術語保留;字幕用阿拉伯數字(chapter.json 的 numfix)。
- 每批先做語音識別核對首尾詞和英文專名(
engine/voice/align.py asr),讀錯的句子單句重新生成,寫進 voice.json 的overrides。 - 一種已驗證的做法(示例):某商用 TTS 網頁,選一個技術解說風格的音色,1x 語速;每段「粘稿 → 自動加情緒標籤 → 生成 → 下載第 1 條」;用瀏覽器自動化時開自己的新標籤,不碰用戶正在看的標籤。音色和帳號自備,不隨倉庫分發。
- 交付前逐段轉寫核對原聲首尾詞;淡出 ≤2 幀。
10. 對齊與音軌
uv run --with numpy python engine/voice/align.py voice.json:識別結果按字對齊口播 → 句邊界吸附靜音 → 每句去首尾靜音、句內長停頓壓到 ≤0.30s、atempo 1.05、8ms 淡入淡出 → 拼接輸出voice/voice.wav、timeline.json、clauses.json。- 停頓參數(最新已發布片):片頭 0.3s、句間 0.35s、段間 0.7s、片尾 2.5s;問句、「‖」處、關鍵數字前可加到 0.8–1.0s。
- timeline.json 是全片唯一時間源:進度條、字幕、錨詞、音效 cue 都從它來。補句子只需新增片段、重跑 align。沒配音時用
engine/tools/mk_dummy_timeline.py出佔位時間軸先做畫面。 - 背景音樂(
engine/audio/audiolib.py music):numpy 合成,不用有版權素材。暖 pad + 柔和琶音 + 低音,F 大調 Fmaj7–Dm7–Bbmaj7–C7,84 BPM;約 −28 LUFS;人聲出現時 ducking 約 7 dB(起音 60ms / 釋放 450ms);片頭片尾淡入淡出。 - 音效(
sfx,比人聲低約 19 dB;24 dB 在手機上聽不到):鏡頭移動 / 章節轉場 = whoosh;螢光筆 = marker;卡片 / 標籤 / ✓✗ = pop(對齊到元素真正進場的那一幀);數字滾動 = tick;紙張浮起 / 翻頁 = paper。沒有畫面運動的時刻不放 whoosh。時間點由 scene 裡data.cue()登記,和 render(t) 同一時間源。 - 混音(
mix):兩遍 loudnorm I=-16:TP=-1.8:LRA=11 → AAC 192k;編碼後實測真峰值 ≤ −1.5 dBTP。 - 交付前用耳機和手機外放各聽一遍(只按測量值調不算數;agent 聽不了,就請作者聽並指出口播最密的時間段)。
11. 製作與渲染
公用件先做好再派活(介面文檔 engine/README.md)
timeline.json/clauses.json:全片時間;章節時間 = 本章 section 起止,章內用局部秒。film.json:章節順序、進度條欄目、結尾署名。engine/common/chrome.js:進度條、字幕、來源行、章首翻報紙。章節只畫renderContent,不自己做固定元素,這樣拼起來只有一套 UI。- 章節 brief:風格卡全文 + 高密度規則 + 介面 + 事實規則 + 預算;一開始就寫進「版面鋪滿約 70%、任何一幀(包括變形和換鏡的中間幀)都不能近空屏、鏡頭主標題 92px、不用灰條佔位」。
- 母圖:全片共用的母圖程式碼寫成規格文件(如
examples/always-on/MOTHER.md),各章原樣複製。
按章並行:每章一個製作 agent,主控只做公用件、統一渲染和拼接。
- scene.js 的
renderContent(ctx, t, data)必須是 t 的純函數:無 CSS 動畫、無計時器、隨機數用種子 PRNG。切點只能從錨詞算(data.A(句id, 子串)),不手寫秒數。 - 章節銜接:每章 t=0 必須已是完整版面、最後 0.5s 落定不動;
engine/tools/prep_render.mjs導出上一章 nochrome 末幀當下一章翻頁底圖(prev.png)。第一章可以實現renderPrev自己畫「上一頁」。 - 超長章(>90s)拆兩個 agent,用一次甩鏡交接:交接幀上的元素座標、畫布座標、末速寫死在 brief 裡。
- 改了公用件要廣播給所有章節 agent,已渲的章補渲受影響的幀;拿不準就全章重渲。
- 製作 agent 自檢只抽靜幀(headless 打開 shell 頁
seek(t)截圖,每輪 ≤10 幀);成片只走 WebCodecs。
渲染(唯一路徑)
node engine/tools/serve.mjs 8771(只監聽 127.0.0.1)。- 本機 Chrome 開新標籤:
http://127.0.0.1:8771/engine/common/shell-wc.html?ch=<章節目錄>。 - 控制台
await probe():看webglRenderer(應是真 GPU,如 Apple M 系列 / Metal、NVIDIA、AMD)和prefer-hardware是否支援;software: true就停下報告。 startRender({ to: 10, download: false })實測 10 秒,看__prog.msPerFrame(GPU 上一般 5–15 ms/幀)。startRender({ name: 'chNN.mp4' })→ 輪詢__prog.state === 'done'→ 瀏覽器下載。每個標籤只下載一次(第二次會被 Chrome 靜默攔截),一個輸出一個新標籤,渲完關。- 下載後 cp(不要 mv)到
<章>/build/video.mp4,ffprobe -count_frames核幀數 =ceil(T×30)。 node engine/common/assemble.mjs --project <工程目錄>:逐幀對齊 concat、音樂音效、混音、封裝,另出 <30MB 輕量版。混音不用 -shortest,音畫差 < 1 幀。
順序:樣片 → 獨立審片 → 全片 → 美術精修 → 再審 → .1 修訂
- 先出兩段完整合成的樣片:A = 鉤子 + 第一次鑽進論文(約 30 秒);B = 進入大畫布的頭一兩站(約 40 秒)。給作者看效果、聽音量,同時交給審片 agent。
- 審片 agent 獨立於製作(只看成片 + 本 skill + 論文卡),按
references/review-checklist.md逐條查,輸出 must-fix / should / nice,帶時間碼和具體改法。 - must-fix 全片統一改,不只改樣片範圍。
- 逐章美術精修:內容和時間軸鎖死後,每章交給只管美術的 agent(不改口播、鏡頭順序、數字),每個鏡頭抽 3 幀(進場中 / 落定 / 離場前),像海報一樣能單獨截圖才算過;查字型四級層級、主角夠大(關鍵數字 ≥200px)、標誌動作用上了、顏色語義沒亂、對齊欄格、沒有「預設灰框 + 小字」的 PPT 卡片。發現內容問題記到 review,回給製作方。
- 全片再審一輪,修完出 .1 版;有一輪審片之前不發「最終版」。
12. 自檢與交付
- 按
references/review-checklist.md逐條自檢(抽頭中尾 3 段全檢,其餘每 10s 一個靜幀)。 - 列印關鍵幀合成一張圖:檢查配色一致性、安全區、主角佔比。
- 交付物清單:
film.json、timeline.json、voice.json、chapters/(文字稿 / scene.js / scene.css / assets)、build/film.mp4、build/film-light.mp4(<30MB)、build/film-review.pdf(審片報告)。 - 作者看完提問題,先復盤流程哪步有問題再動手改,不改流程直接進修訂號。