無臉影片管線
將無臉頻道影片建構為確定性四階段管線。來源拆解:
~/2nd Brain/2nd Brain/Wiki/research-faceless-youtube-claude-code-pipeline-2026-06-26.md。
嚴格規則(平台風險 + 品質)
- 配音 = ElevenLabs Voice Artist(Phill 的付費方案),不可使用人類錄音。來源影片中「AI 語音會被 Ban」的擔憂是錯誤的——請參閱
Sources/youtube-synthetic-content-disclosure-policy-2026-06-26.md中的 YouTube 揭露政策。真正的規則是:YouTube 的「經修改/合成內容」揭露要求僅適用於 AI 音樂、非創作者本人克隆的合成語音,或對真人/真實地點/事件的逼真 AI 模擬——而不適用於動畫/塗鴉。這個揭露是零成本的(不影響觀看數/營利),因此每當影片包含 AI 音樂或非本人的合成語音(我們的管線總是如此)時,預設選擇「是」。在 YouTube Studio → 屬性 →「AI 使用」→「是」中設定。僅在內容面向兒童時(故事/育兒)將「為兒童製作」設為「是」。 - 每個影像使用單一樣式標記。 預先鎖定單一樣式描述;每個生成的影像都完整攜帶它,確保頻道視覺一致性。
- 符合模式的權威性(參見第 0 階段切換)。FACT/非虛構: 引用真實研究/日期/統計數據,撰寫前先研究,驗證主張的準確性。STORY/虛構: 發明敘事;權威來自情感共鳴,而非事實;改為驗證年齡和品牌適切性(例如,育兒類需溫和、安全、適合該年齡層)。絕不在事實模式下將虛構呈現為事實或發明「事實」。
- 靜態影像 + 配音,非動態圖形。 這是塗鴉頻道格式。若使用者想要動畫/編輯精修,則轉交給
video-director。
基礎設施——重要區別
來源影片使用 Higgsfield(Claude Code MCP)。我們不使用 Higgsfield。 Phill 的影像平台是 Artlist(artlist.io,AI Toolkit),透過 browser-harness 在瀏覽器中驅動。注意:「artist.io」是 artlist.io 的筆誤。
- 影像生成(主要):Artlist AI Toolkit,位於
toolkit.artlist.io/image-video-generator?mode=image(模型 Nano Banana 2,16:9 / 2K)。第 3 階段中已透過內部測試驗證機制。 - 影像生成(備用):
mcp__margot__image_generate(同樣是 Nano Banana 2)——僅用於無人值守測試。從不使用 Higgsfield。 - 配音:ElevenLabs TTS,透過 REST API 使用。金鑰和預設語音位於
~/.hermes/.env(ELEVENLABS_API_KEY、ELEVENLABS_VOICE_ID)——透過程式解析,絕不直接貼上。無人類錄音。 - 逐字稿擷取:
yt-dlp。時間戳:ElevenLabs 對齊(主要)或whisper-cli(備用)。拼接:ffmpeg。
工作目錄
建立 ~/faceless-video/<topic-slug>/,並將所有成品保留在內:reference-format.md、script.md、voiceover.mp3、transcript.json、images/NN.png、final.mp4。
第 0 階段——模式切換(優先詢問,在一切之前)
此引擎服務於不同客戶/應用程式時任務相反,因此每次執行的第一個問題是:
「這是 FACT(非虛構)還是 STORY(虛構)腳本?」 將
mode記錄在工作目錄(mode.txt)中。它會分支整個流程:
| FACT(非虛構) | STORY(虛構) | |
|---|---|---|
| 使用案例 | 教育產品、解說、冷知識 | 育兒故事、寓言、睡前/品牌故事 |
| 參考格式 | 鉤子 + 三根支柱主體 + 回饋 | 角色 → 缺陷 → 旅程 → 教訓 → 結局 |
| 權威性 | 經研究過的真實研究/統計/日期;準確性驗證 | 情感共鳴;年齡/品牌適切性驗證 |
| 嚴格規則 | 絕不發明事實 | 絕不將虛構呈現為事實 |
| YouTube 揭露 | AI 使用 = 是(有 AI 音樂/語音) | AI 使用 = 是 + 專為兒童製作 = 是(兒童導向) |
如果要求者已暗示模式(例如「為我妻子做一個育兒故事」→ STORY;「解釋 X 給我的產品」→ FACT),則一行確認而非重新詢問。預設的參考處理、腳本模板和驗證都由此切換決定。
第 0b 階段——樣式標記(每個頻道一次,之後重複使用)
請使用者提供目標視覺風格的 3–5 張參考截圖。提示分析:
「分析此影像的視覺風格,適用於 AI 影像生成器。提供 (1) 一個簡短的正面風格描述,我可以貼上作為提示詞;(2) 一組負面提示詞,以防止漂移到精緻/逼真的輸出。只關注風格,不關注主題。」 將結果儲存為頻道根目錄下的
style-token.md(該頻道的所有影片皆可重複使用)。
第 1 階段——腳本(根據第 0 階段模式分支)
- 要求提供主題和一個在所選模式範圍內的經過驗證的參考影片 URL(FACT 模式用事實頻道,STORY 模式用故事頻道——不要跨頻道)。
- 擷取參考逐字稿:
yt-dlp --write-auto-sub --sub-lang en --skip-download --sub-format vtt -o 'ref-%(id)s.%(ext)s' '<URL>'。清理.vtt(移除時間戳/標籤,去重疊的自動字幕行)。 - 拆解成可重複使用的模板,按模式:
- FACT: 鉤子(微節拍)、介紹/承諾、三根支柱主體、過渡句、總長度。
- STORY: 主角 + 一個共同缺陷、渴望、觸發事件、旅程、展示型(非告知型)示範、一句格言、內在覺悟、向前看的結尾。
儲存為
reference-format.md。
- 按該模板為主題撰寫一個新腳本。FACT: 先執行
source-ingest技能,將可靠的 Tier 1–2 資料擷取到 Vault 的Sources/庫中,然後僅引用這些儲存的來源撰寫腳本,並對每個主張進行準確性驗證。STORY: 自由創作,進行年齡/品牌適切性驗證。輸出一個乾淨的腳本(無場景指示)到script.md。 - 在生成配音之前,先與使用者確認腳本。
第 2 階段——配音 + 時間戳(ElevenLabs,自動化)
- 透過 ElevenLabs 含時間戳端點,從
script.md生成配音(一次呼叫返回音訊 + 字符對齊):curl -s -X POST "https://api.elevenlabs.io/v1/text-to-speech/$ELEVENLABS_VOICE_ID/with-timestamps" -H "xi-api-key: $ELEVENLABS_API_KEY" -H "content-type: application/json" -d '{"text":"<script>","model_id":"eleven_multilingual_v2"}'→ 將 base64 音訊儲存為voiceover.mp3,對齊資料儲存為transcript.json。 - 從對齊資料推導出每個短語/句子的時間戳區段——每個區段成為一個影像節拍。(若對齊資料無法使用,備用方案:
whisper-cli -f voiceover.wav -ml 1 --output-json -of transcript,先透過ffmpeg -i voiceover.mp3 voiceover.wav轉換。) - 語音是按頻道/客戶的,非固定——選擇符合模式/品牌的 ElevenLabs 語音(例如,育兒虛構類用溫暖、溫柔的說書人;教育事實產品用清晰、權威的聲音)。將該
voice_id取代ELEVENLABS_VOICE_ID中的預設值。在選擇時瀏覽使用者的 ElevenLabs 語音庫。 - 無需人工暫停——第 2 階段無人值守執行。
第 3 階段——每個時間戳一張影像(Artlist AI Toolkit,瀏覽器驗證)
每個節拍:場景提示詞 + 鎖定的樣式標記(逐字)。透過 browser-harness 驅動 Artlist(需要 Phill 的 Chrome 已登入;Way-1 遠端除錯已啟用)。經過艱苦測試的機制:
- 開啟
toolkit.artlist.io/image-video-generator?mode=image。提示詞是一個[contenteditable=true]的 div;Generate 按鈕的 innerText 為Generate。預設設定已是 16:9 / 2K / 1 張影像(良好)。 - 每張影像:快照現有已生成的 UUID → 點擊文字框、
document.execCommand('selectAll')、type_text(prompt)→ 點擊 Generate → 輪詢直到載入文字(on its way|Almost ready|Generating)消失 且 出現新的 UUID。 - 結果位於
ai-toolkit-generations.imgix.net/...png?...&s=<sig>。使用通用正則表達式[0-9a-f]{8}-[0-9a-f]{4}-...{12}\.png提取 UUID(檔名前綴會變化:image-<uuid>或-t-e-x-t_-t-o_-i-m-a-g-e-<uuid>)。下載確切 src——重寫任何 imgix 參數(例如w=)會破壞簽名 → 403。 - 一次只進行一張。 快速發送會觸發佇列/限流,且網格視圖會虛擬化 DOM,這兩者都會破壞新 UUID 的檢測。若生成在輪詢視窗之後完成,則從網格中搶救(下載不相符的 UUID,拼貼,視覺上對應)。
備用方案(僅無人值守):
mcp__margot__image_generate——儲存為<save_as>.jpg,需考慮副檔名。
第 4 階段——拼接
建立一個 FFmpeg concat,讓每個影像停留 (next_start - this_start) 秒,並混入配音:
- 從時間戳生成包含每個影像持續時間的 concat 列表。
ffmpeg -f concat -safe 0 -i list.txt -i voiceover.wav -c:v libx264 -pix_fmt yuv420p -c:a aac -shortest final.mp4- 對於正式上傳,建議使用 2K 來源影像(低解析度僅用於測試執行)。
第 5 階段——完成(針對正式上傳,非測試執行)
將原始拼接轉換為完成的交付物:
- 1080p——將 concat 縮放/填補為
1920:1080(白色填補以融入素描本背景),crf 19。 - 淡入淡出——
fade=t=in:st=0:d=0.6:color=white和結尾約 0.8 秒的fade=t=out。在影像之間保留硬切(節拍上)(符合風格——請勿交叉淡入)。 - 音樂背景——透過 Artlist AI Music 生成平靜的曲目(
toolkit.artlist.io/music-generator?mode=music,Lyria 3;與影像相同的瀏覽器流程,結果為有簽名的.wav,位於cms-toolkit-artifacts.artlist.io/...music-<uuid>——下載確切 src)。與配音混合:volume≈0.13(約 −18 dB),afade淡入 1.5 秒 / 淡出約 1.8 秒,amix=inputs=2:normalize=0。使用volumedetect驗證:整體峰值 < 0 dB(無削波),音樂平均值約低於配音 15 dB 以上。
輸出
final-1080p-music.mp4(交付物)+ 可重複使用的 style-token.md。回報路徑和每個階段的成品。對於發布/頻道策略,轉交給 video-distribution-strategist;請記住上傳時的合成內容揭露。