Communitygithub.com

輕量動畫影片製作

根據文稿 + 語音 mp3 檔案(例如來自 ElevenLabs),製作文字動畫影片(Reels/Shorts 9:16 或 YouTube 16:9),採用專業動態設計工作流程(概念 → 風格框架 → 動畫 → 完稿),包含鏡頭運動、轉場、多層音效、字幕及 .srt 檔案。

輕量動畫影片製作 是什麼?

這是一項 AI 代理技能,專為在沙盒環境中創建動畫文字影片(直式 Reels/Shorts 或橫式 YouTube 影片)而設計。它完全在本地運行,使用 Python、Pillow 和 FFmpeg,無需互聯網或 API 金鑰。該技能模擬一個簡化的動態設計工作室工作流程,分為三個階段:前期製作、動畫和完稿。前期製作階段至關重要,涉及分析腳本、定義視覺風格(「感覺」)以及創建詳細的分鏡圖。然後,腳本會自動生成動畫,其特點是動態移動、多層插圖、逐字顯示字幕以及同步的音效設計。最終輸出是一個 MP4 影片文件和一個 .srt 字幕文件。該技能的核心是「無靜止物件」原則,每個視覺元素在動畫中都具有獨特的生命和運動,從而在不進行逐幀動畫處理的情況下,營造出專業、引人入勝的 Motion Design 感覺。它支援多種平台(Claude Code、Cursor、Codex),專注於根據用戶提供的腳本和語音檔案創建解釋性、教育性或演示性影片。

相容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/thehanifz/remotion/tree/HEAD/referensi/video-animasi-ringan

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

輕量動畫影片製作 (Python + Pillow + FFmpeg)

所有操作都在此沙盒中執行。無需網路、API 金鑰或安裝任何東西。 流程模仿 Motion Design 工作室的工作方式,但為輕量版:先做前期製作(最花時間),再做動畫,最後完稿。

你就是 Motion Designer

AI 生成的影片通常有這些特徵:所有文字都淡入並緩慢上移,使用相同的曲線,元素間距均勻,然後靜止不動。 這項技能拒絕這種做法。在制定場景計劃之前,請先閱讀 LIBRARY.md(位於此技能資料夾中)。

  • 首先決定這部影片應該給人什麼感覺,然後選擇一種 感覺、曲線 和入場方式。不要讓兩部影片的運動方式相同。
  • 在決定緩動曲線之前,先決定運動 是什麼:標題是直接出現、逐字打出、彈跳進來,還是猛力撞入?
  • 畫面 = 會動的插圖 + 有生命的字幕。 預設:沒有大字標題,也沒有進度條;字幕本身就承載了句子,所以標題只會造成重複。只有在需要讓螢幕上始終看到某個術語或數字時,才使用 judul (標題)。
  • 畫面跟隨聲音。 螢幕上顯示的必須是 正在 被說出的物體或事件。換句話說,換畫面。 測試:關掉聲音;如果只看畫面無法敘述句子內容,那就表示畫面錯了。不要為不同的句子重複使用相同的畫面。
  • 沒有靜止的物體。 每個插圖都應分解為圖層,每個圖層都應自行進入並移動。
  • 如果使用標題,大部分情況使用 cut (切換)。 特殊運動(pop (彈出)、slam (猛撞)、fokus (對焦)、whip (甩鏡)、zoom (縮放))僅在故事轉折點使用。
  • 彈跳是一種選擇,而不是裝飾。每部影片只有一個主要轉場;其餘的則是不易察覺的工藝。
  • 不要加入 AI 的特徵:所有文字的淡入、模糊入場、光球、文字閃光、底線標題、標籤膠囊、裝飾性線條或網格。畫面只應包含傳達內容的元素:圖片和字幕(僅在必要時才使用標題/說明)。

用戶需要提供的內容

  1. 文稿:在語音中朗讀的文字(直接貼在聊天中或作為檔案上傳)。
  2. 語音 mp3 檔案:必須是 最終版(例如在 ElevenLabs 製作完成,然後上傳到聊天)。 沙盒無法存取 ElevenLabs API,因此用戶必須自行製作並上傳語音。
  3. 格式:9:16(Reels/Shorts/TikTok)或 16:9(YouTube)。如果用戶沒有指定,請詢問。

如果文稿或 mp3 尚未準備好,請先要求提供。不要自行編造文稿內容。

階段 1 — 前期製作(最重要)

  1. 概念陳述。 用一句話寫出影片的核心訊息,然後根據目標情緒選擇一種 感覺(運動個性):
    感覺情緒運動
    tegas (明確) (預設)資訊性、緊迫性、教育性快速入場、溫和停止、小幅度彈跳
    mewah (豪華)優雅、高級、平靜緩慢、優雅、幾乎無彈跳、元素間距寬鬆
    teknologi (科技)高科技、精準非常快速、緊湊、銳利
    ceria (歡快)俏皮、輕鬆彈跳、曲線超過 100%
    向用戶展示概念陳述 + 感覺。整部影片只用一種感覺,不要混用。
  2. 先處理音訊。 在設計場景之前,語音必須是最終版。場景時間是根據 mp3 中的停頓計算的,因此語音 = 所有運動的時間網格。
  3. 設計系統。 最多 3–4 種顏色 (tema (主題))、一種標題類型、一種感覺。不要為每個場景添加顏色。
  4. 場景計劃 = 動態分鏡。 將文稿分解成場景:每個場景 一句話(一個想法),持續 3–7 秒。 如果一句話很長,提到了多個事物,則將其分解,或者為每個事物添加一個帶有 saat (時間點) 的圖層(步驟 8)。 如果一個畫面顯示超過 8 秒,或者有場景沒有畫面,腳本會標記 !:在顯示計劃之前先修正這些問題。 ucapan (台詞) 包含原文稿文字,並且必須按順序排列。用星號包圍 最 重要的詞/短語,例如 "Tanah pucuk ini *tidak dibuang*, tapi disimpan.":在字幕中,這個詞會得到一個黃色框(在 .srt 檔案中,星號會被移除)。 每個句子最多 1 個短語(1–3 個詞):數字、術語或能反轉含義的詞。如果所有內容都被強調,那就沒有重點。 對於每個場景:
    • gambar (圖片):代表該場景的 多圖層 插圖(參見步驟 8)。每個場景都必須有;這是畫面的主要內容。
    • judul (標題) (可選,預設為空):1–5 個大詞。僅用於必須始終可見的術語/數字;不是台詞的副本。
    • label (標籤) (可選):圖片/標題上方的小型大寫文字,例如 "1/7"。
    • keterangan (說明) (可選):1 行支援性文字。
    • kamera (相機) (可選):dorong (推)(緩慢放大)、tarik (拉)(緩慢縮小)、fokus (對焦)(縮放到圖片,或如果有的話縮放到標題;以彈簧樣式停止)、diam (靜止)。 留空 = 交替推/拉。fokus 用於重要句子,大約每 3 個場景用 1 次。
    • transisi (轉場) (可選,場景 進入 的方式):potong (切換)(預設)、whip (甩鏡)(鏡頭揮掃 + 運動模糊)、 zoom (縮放)(推進式:鏡頭穿過舊場景的圖像進入新場景)。僅在主要部分切換時使用,大約每分鐘 1 次。
    • masuk (入場) (可選,標題 出現 的方式):potong (切換)(直接出現;對於大多數場景是首選)、 ketik (打字)(逐字顯示:用於命令、檔案名、引用)、pop (彈出)(彈簧效果,如果留空則為預設值;用於要點)、 slam (猛撞)(從很大縮小撞入;用於鉤子/結尾,每部影片最多 1–2 次)。參閱 LIBRARY.md 第 3 部分。
    • sfx (音效)(可選):場景開頭的附加音效:ding (叮)(正確/成功)、error (錯誤)(錯誤/障礙)、thud (砰)、pop (啵)、tick (滴答)、klik (咔嗒)、sub (低音)。
  5. 檢查視線追蹤 在顯示計劃之前:
    • 每個場景只有一個焦點:插圖。字幕在其下方,始終在同一個位置。
    • 在每個插圖中,有一個 最活躍 的部分(正在被談論的部分);其他部分的運動幅度較小。
    • Whip 轉場始終朝向同一個方向。不要連續使用兩個主要轉場。
    • 重要資訊不要放在邊緣或靠近字幕的地方。
    • 執行 LIBRARY.md 第 6 部分(運動工具數量、入場方式多樣性)的檢查清單。
  6. 顯示概念陳述、感覺和場景計劃表格(編號、帶有 重要詞彙 的台詞、圖像內容 + 圖層及其運動、相機、轉場、音效)。等待批准。
  7. 在工作資料夾中編寫 rencana.json:
    {
      "nama": "tahapan-tambang",
      "format": "9:16",
      "audio": "/mnt/user-data/uploads/vo.mp3",
      "rasa": "tegas",
      "kurva": "kit.land",
      "subtitle": true,
      "sfx": true,
      "tekstur": true,
      "tema": {"latar": "#1C1C1C", "aksen": "#FF7A00", "aksen2": "#FFD400"},
      "adegan": [
        {"ucapan": "Empat, OB dimuat ke *dump truck*, lalu dibuang ke disposal.", "kamera": "dorong",
         "gambar": ["a4_tanah.png",
                    {"file": "a4_badan.png", "saat": "dump truck", "masuk": "kiri", "hidup": "apung"},
                    {"file": "a4_roda1.png", "saat": "dump truck", "masuk": "kiri", "hidup": "putar"},
                    {"file": "a4_roda2.png", "saat": "dump truck", "masuk": "kiri", "hidup": "putar"},
                    {"file": "a4_muatan.png", "saat": "dibuang", "masuk": "atas", "hidup": "apung"}]},
        {"ucapan": "Angkanya *tujuh tahap*.", "gambar": ["a5_peta.png"], "judul": "7 Tahap", "masuk": "slam", "transisi": "whip"}
      ]
    }
    
    除了 format、audio 和 adegan 之外,所有鍵都是可選的。subtitle、sfx、tekstur 預設為 true。 kurva = 來自 LIBRARY.md 第 2 部分的入場曲線名稱,用於取代 rasa 的預設曲線(如果不確定則留空)。 penanda = 進度條 + 移動標記:tidak (無)(預設,無條)、titik (點)、truk (卡車)。僅在用戶要求時使用。
  8. 每個場景的多圖層插圖。 gambar = 圖層列表,從後到前。每個圖層一個透明的 PNG。
    • 使用 Pillow 自行繪製圖像(或使用用戶的照片/截圖作為一個靜態圖層:"gambar": "foto.png")。
    • 一個場景的所有圖層都繪製在相同尺寸的畫布上 (2000x2000,然後 resize((1000, 1000), Image.LANCZOS)), 每個圖層僅在其最終位置包含自己的部分。腳本會將它們疊加並裁切掉空白邊緣。
    • 根據在現實世界中會自行移動的部分來分解物體:輪子、貨物、螢幕、手臂、煙霧、箭頭、指針。每個場景 3–6 個圖層。
    • 每個圖層:{"file": "...", "saat": ..., "masuk": ..., "hidup": ...}。只有檔案名 = 靜態圖層(地面、桌子)。
    • saat = 該場景 ucapan 中的一個詞或短語。 新圖層正好在該詞被說出時進入,因此圖像隨聲音構建:"...digali excavator, dimuat ke dump truck, lalu dibuang ke disposal" → 土堆 "saat": "digali", 卡車 "saat": "dump truck",貨物 "saat": "dibuang"。完全按照台詞中的寫法(不帶星號)。如果沒有 saat,圖層在場景開始時進入。 句子中提到的每個物體最好都有一個帶有自己 saat 的圖層;只有背景(地面、桌子)不需要 saat。 | masuk (進入方式) | | hidup (持續運動) | 適用於 | |---|---|---|---| | potong (切換)(預設) | 立即出現 | diam (靜止)(預設) | 地面、桌子、背景 | | bawah atas kiri kanan | 從該方向滑入 | apung (漂浮) | 緩慢上下浮動:車身、貨物、雲朵 | | pop (彈出) | 以彈簧方式放大 | ayun (搖擺) | 左右擺動:頭盔、板子、葉子 | | | | napas (呼吸) | 緩慢放大縮小:發光的螢幕、燈光、按鈕 | | | | putar (旋轉) | 持續旋轉:輪子、風扇、齒輪(添加標記/輻條以便看到旋轉) | | | | geser (滑動) | 水平來回移動:雲朵、波浪、箭頭 |
    • 圖層以不規律的間隔順序進入(列表順序 = 進入順序),並且每個圖層的 hidup 處於不同的相位。 選擇合理的 masuk 方向(卡車從側面、貨物從上方),而不是全部相同。
    • 繪製該場景台詞中提到的 物體 或 事件,而不是通用圖示(燈泡、火箭、齒輪、勾號)。
    • 使用來自 tema 的 2–3 種顏色加上白色和深灰色,繪製扁平、粗壯的形狀(polygon、rectangle、ellipse、pieslice)。 無漸層、發光、陰影,也無文字。所有場景風格一致。
    from PIL import Image, ImageDraw
    def lapis(nama, gambar):                      # 一個部分 = 同一畫布上的一個 PNG
        img = Image.new("RGBA", (2000, 2000), (0, 0, 0, 0)); gambar(ImageDraw.Draw(img))
        img.resize((1000, 1000), Image.LANCZOS).save(nama)
    lapis("a4_tanah.png", lambda d: d.rectangle([100, 1660, 1900, 1720], fill="#3A3A3A"))
    lapis("a4_badan.png", lambda d: (d.polygon([(280, 900), (1340, 900), (1240, 1380), (380, 1380)], fill="#FF7A00"),
                                      d.rectangle([1380, 960, 1800, 1380], fill="#FF7A00")))
    lapis("a4_roda1.png", lambda d: (d.ellipse([390, 1290, 770, 1670], fill="#111111"),
                                      d.rectangle([560, 1300, 600, 1400], fill="#FFD400")))   # 添加標記以便看到旋轉
    
    • 如果腳本因為 "沒有足夠空間容納圖像" 而停止,請縮短或刪除該場景的 judul/keterangan。
  9. 風格框架。 python <skill_folder>/buat_video.py rencana.json --preview → 一個網格圖像,每個場景一個影格 (在場景結束前,所有圖層都已進入時拍攝)。在發送之前,將每個影格與其句子進行比對。 發送給用戶,在渲染之前請求批准。在此階段修改比渲染後修改成本低得多。

階段 2 — 動畫(由腳本自動執行)

腳本已經處理的內容,無需手動設定:

  • 極端速度曲線: 相機 Easy Ease 影響 ±80–85%;元素入場根據 rasa 或 kurva 進行強烈的緩出。
  • 支援性文字直接出現 (cut),無淡入。
  • 慣性: fokus 縮放和標題 pop 使用彈簧效果(從靜止開始,稍微過衝,然後穩定)。
  • 動態插圖: 每個圖層自行進入(在其詞被說出時,或在場景開始時依次進入),然後以不同的相位持續移動。
  • 動態字幕: 文字跟隨語音逐詞出現,每個詞以彈簧效果彈入;帶有 *...* 標記的詞會得到一個黃色框。

階段 3 — 完稿 & 音訊(自動)

  • 紋理 (tekstur): 移動的細微顆粒、暗角、1 px 色像差、調色(S 曲線對比度 + 輕微暖色調), 以消除過於乾淨的向量感。設定 "tekstur": false 可獲得扁平/乾淨的外觀。
  • 3 層音效(合成、免版稅、在語音下方低聲混合):
    1. 次低音 (sub):當標題/相機穩定時的重量感,
    2. 中頻嗖聲:當相機或轉場移動時的風聲,
    3. 高頻 (pop、klik):元素出現時的細微細節。
  • 渲染:python <skill_folder>/buat_video.py rencana.json → <nama>.mp4 (H.264, AAC 48 kHz, approximately -14 LUFS) 和 <nama>.srt 在 /mnt/user-data/outputs/。每 1 分鐘影片大約需要 3–4 分鐘渲染(在沙盒中可能有所不同)。
  • 將 mp4 和 srt 檔案提供給用戶,以及腳本列印的場景時間分配表。

限制(如果用戶要求,請誠實告知)

此輕量版僅限 2D:移動、旋轉和縮放的圖層(形狀本身不會改變)。不包含:3D (Cinema 4D/Blender)、角色綁定、逐幀動畫、 形狀之間的自動匹配剪輯、景深、鏡頭扭曲或 LUT 檔案。這些需要在電腦上使用 After Effects/Remotion。

如果遇到問題

  • 圖像感覺 "千篇一律" 或與聲音不匹配:場景太長或圖層沒有 saat。 將場景按句子分解,根據句子內容重新繪製圖像,併為每個提到的物體提供 saat。
  • 字幕或場景與聲音不同步:調整場景之間的句子,或拆分較長的場景,然後重新渲染。 時間是根據 mp3 中的停頓計算的,而不是語音辨識。
  • 文字跑出螢幕:縮短 judul 或 keterangan。fokus 縮放會自動限制,以確保標題能容納在畫面內。
  • 運動感覺過度:將 masuk 改為 potong,rasa 改為 mewah,kamera 改為 diam,transisi 改為 potong,或設定 "sfx": false。
  • 運動感覺平淡/千篇一律:在鉤子處使用一個 slam,在最關鍵的點使用一個 fokus,不要全部都用標籤。

...

[因翻譯而截斷]

相關技能