Salt-555/SaltySkills

電影節拍影片風格

核心哲學

視覺主導時序，音訊跟隨。 動畫和 ASCII 場景以其自然運行時長播放，不會為了配合音訊長度而被截斷、加速或停滯在最終畫面上。節拍之間的空隙是刻意設計，而非需要填補的空白。

• TTS： 每個鏡頭一句話，追求最高信噪比，沒有填充式旁白。
• 視覺： 完整的自然運行時長，讓動畫自由呼吸。
• 剪輯： 僅使用硬切，無淡入淡出。
• 音樂： 使用者提供音軌，在語音段落自動進行閃避。
• 檢查點： 每個製作階段完成後，將素材交付使用者審查，再繼續下一階段。

專案結構

~/videos/[project-name]/
  project.md          # 動態文件 — 分鏡腳本、決策、修改記錄
  beats/              # 個別節拍素材
    beat-01/
      visual.mp4      # 生成的視覺素材（含動態的圖片或動畫）
      audio.mp3       # 此節拍的 TTS 音檔 (僅限 MP3 — 請參閱關鍵規則)
      note.txt        # 此節拍內容的一行說明
    beat-02/
      ...
  music/              # 使用者提供的背景音樂曲目
  output/             # 中間及最終渲染檔

第一階段：節拍腳本

建立 project.md，包含節拍明細。每個節拍 = 一個視覺 + 一句 TTS。

撰寫節拍

TTS 規則：

• 每個鏡頭一句話，句號。
• 最高信噪比 — 每個字都有其存在的價值。
• 如果一個想法需要兩句話，那就分成兩個節拍。
• 目標：每段音檔 5-15 個單詞。越短越好。
• 不要有開場填充詞（「那麼…」、「現在讓我們來看…」）。直接切入重點。

視覺規則：

• 描述視覺畫面呈現什麼 — 而非持續多久。
• 視覺的運行時長由其自然完成決定，而非 TTS 長度。
• 圖片剪輯：靜態圖片搭配 Ken Burns 動態（緩慢縮放/平移）。運行時長：至少 4-6 秒。
• 動畫剪輯 (p5js/manim/ascii)：完整播放動畫。不論需要多久 — 8 秒、12 秒、15 秒都可以。
• 節拍持續時間 = max(視覺持續時間, 音訊持續時間) + 暫停。

project.md 中的節拍模板：

# [專案名稱]

## 概念
[一段話 — 說明這部影片的主題與想傳達的感受]

## 音樂
- 曲目：[使用者將提供的音樂檔案名稱或描述]
- 氛圍：[描述]

## 節拍

### 節拍 01
**視覺：** [類型: image | p5js | manim | ascii] — [提示/描述]
**TTS：** "一句簡潔有力的台詞。"
**狀態：** [ ] visual [ ] audio [ ] approved

### 節拍 02
...

## 備註
[決策、修改、使用者回饋的運行記錄]

剪輯類型

類型	工具	運行時長	最適合用於
image	image_generate + Ken Burns	4-6 秒	照片、場景、人像、定場鏡頭
p5js	p5js 技能	自然時長 (8-15 秒)	生成式藝術、粒子、資料視覺化、流場
manim	manim-video 技能	自然時長 (8-20 秒)	數學動畫、圖表、技術講解
ascii	ascii-video 技能	自然時長 (6-12 秒)	終端機美學、復古運算、駭客主題
caption	ffmpeg drawtext	4-8 秒	深色背景上置中顯示 TTS 文字 — 將焦點拉至文字本身

關鍵：在製作任何 p5js/manim/ascii 節拍之前，請先使用 skill_view(name) 載入技能。 這些技能包含品牌色板、字體規則和實作模式，必須嚴格遵守。

第二階段：腳本批准關卡

暫停。將 project.md 呈現給使用者。在獲得明確批准之前，請勿生成素材。

在 project.md 的備註部分更新批准時間戳記。

第三階段：生成視覺素材

根據類型生成所有視覺素材。儲存為 beats/beat-XX/visual.mp4。

圖片節拍 (VHS 濾鏡 Ken Burns)

1. 透過 image_generate 生成圖片
2. 對圖片套用 VHS 濾鏡（顆粒、掃描線、暗角、色差）：

python3 scripts/vhs-filter.py \
  --input beat-XX-image.png \
  --output beat-XX-vhs.png \
  --seed 42 \
  --intensity 1.0

需求： pip install numpy Pillow (numpy 用於陣列效果，Pillow 用於圖片輸入輸出)。

強度等級：0.7 (輕微 — 僅顆粒 + 暗角)，1.0 (標準 — 所有效果)，1.5 (強烈 — 強色差、明顯掃描線)。預設值為 1.0。

3. 對套用 VHS 濾鏡的圖片應用 Ken Burns 動態以產生 MP4：

ffmpeg -loop 1 -i beat-XX-vhs.png -t 5 \
  -vf "zoompan=z='min(zoom+0.001,1.3)':x='iw/2-(iw/zoom/2)':y='ih/2-(ih/zoom/2)':d=125:s=1920x1080:fps=25" \
  -c:v libx264 -pix_fmt yuv420p -r 25 beats/beat-XX/visual.mp4

為什麼先處理 VHS，然後才做 Ken Burns？ zoompan 濾鏡會模糊顆粒和掃描線。先在靜態圖片上套用 VHS，然後再加上動態。在經過 VHS 濾鏡處理的圖片上疊加 Ken Burns 動態，能營造出一種生活化的類比感 — 就像透過有點老舊的 CRT 觀看舊影片。

動畫節拍 (p5js/manim/ascii)

先載入相關技能，再進行生成。將輸出儲存為 beats/beat-XX/visual.mp4。

解析度： 所有視覺素材必須為 1920x1080，25fps。調整 manim 輸出尺寸：

ffmpeg -y -i raw-manim.mp4 \
  -vf "scale=1920:1080:flags=lanczos,setsar=1:1,fps=25" \
  -c:v libx264 -pix_fmt yuv420p -r 25 beats/beat-XX/visual.mp4

批次處理： 每 6 個一組進行 image_generate 呼叫。如果被標記，則中性改寫提示詞並重試一次。

VHS 濾鏡參考

VHS 濾鏡 (scripts/vhs-filter.py) 對單張圖片套用以下效果：

效果	作用	視覺結果
色差	R/B 通道偏移 (0-2px)	邊緣出現色彩條紋，像未對準的 CRT
類比噪訊	每通道 ±8 階顆粒 (按強度縮放)	陰影與中間調呈現底片質感
掃描線	每第四行調暗至 96%	CRT 磷光柵格疊層
CRT 暗角	邊緣變暗 (依強度 15-35%)	圓形螢幕角落，像老電視

對於圖片： 所有效果以單一隨機種子套用一次。色差和噪訊是可見的；抖動/追蹤線條因為只有單格而較為細微。

注意： 此濾鏡僅適用於圖片 — 不處理影片輸入。要產生動態，請先對靜態畫面套用濾鏡，然後再加上 Ken Burns/zoompan。

第三點五階段：視覺檢查關卡

暫停。將每個視覺片段傳送給使用者審查。

使用 MEDIA: 路徑包含螢幕截圖或 MP4。依照編號呈現：

節拍 01: [MEDIA 路徑] — [簡短描述]
節拍 02: [MEDIA 路徑] — [簡短描述]
...

詢問：「在我們繼續處理音訊之前，有任何需要修改的地方嗎？」

在使用者批准視覺素材之前，請勿生成 TTS。 將回饋記錄在 project.md 的備註中。

如果需要修改，僅重新生成受影響的節拍並重新進行檢查。

第四階段：生成 TTS 音訊

生成所有 TTS 音檔 — 每個節拍一個。使用 text_to_speech 工具，輸出路徑為 .mp3。儲存為 beats/beat-XX/audio.mp3。

關鍵：音訊格式始終使用 MP3。 OGG 在 Telegram 傳遞和 ffmpeg 串接操作中存在編解碼器相容性問題。將 TTS 提供者設定為 OpenAI 並以 MP3 輸出。

規則：

• 每次呼叫一句話。不要串接。
• 生成後使用 ffprobe 測量每個音檔的持續時間。
• 在 project.md 中每個節拍旁記錄持續時間。

ffprobe -v error -show_entries format=duration -of csv=p=0 beats/beat-XX/audio.mp3

第四點五階段：音訊檢查關卡

暫停。將音訊片段呈現給使用者。

套用語音濾鏡 (必做)

對每個 TTS 片段套用乾/濕位元粉碎鏈 — 這是我們的標誌性語音。完整技術與陷阱請參閱 references/dry-wet-bitcrush.md。

提供兩種方法：

A) 靜態混音 (簡單、一致)：

# 步驟 1：透過 wav 中繼檔建立粉碎版本 (保持時長)
ffmpeg -y -i beats/beat-XX/audio.mp3 \
  -af "aresample=resampler=soxr:osr=2000,aformat=sample_fmts=u8,aresample=resampler=soxr,lowpass=f=2500" \
  temp-crushed.wav

# 步驟 2：混合乾 + 濕訊號，並加上壓縮膠合
ffmpeg -y -i beats/beat-XX/audio.mp3 -i temp-crushed.wav \
  -filter_complex "[0:a]volume=0.7[dry];[1:a]volume=0.3[wet];[dry][wet]amix=inputs=2:duration=first:normalize=0,acompressor=threshold=0.05:ratio=4:attack=10:release=100[out]" \
  -map "[out]" beats/beat-XX/audio-filtered.mp3

rm temp-crushed.wav

B) 動態混音 (訊號退化效果 — 建議使用)： 使用 Python 腳本 (scripts/vibey-mix.py)，透過零階保持升取樣實現真實位元粉碎，音高正確。

需求： pip install numpy pydub (numpy 用於陣列處理，pydub 用於 MP3 讀寫)。

鎖定參數 (dec5-bit8 變體)：

• 抽取： 5 倍 (丟棄每 5 個樣本，然後透過零階保持重複)
• 量化： 8 位元 (固定)
• 乾/濕基線： 80% 乾 / 20% 濕
• 衰減模式： 大約每 1.2 秒，乾訊號降至約 35%，濕訊號升至約 65% (持續時間約 0.25 秒)
• 僅作用於濕訊號的顫音： 4Hz 三角波，深度 70% (濕訊號在 30-100% 之間脈動)
• 拍擊延遲： 80ms，-18dB (約 0.12 音量)，套用於最終混音

python3 scripts/vibey-mix.py beats/beat-XX/audio.mp3
cp beats/beat-XX/audio-dynamic.mp3 beats/beat-XX/audio-filtered.mp3

鏈路分解： 乾淨的乾訊號與極端的數位偽影 (5 倍抽取、8 位元量化經零階保持升取樣) 分層混合，週期性的衰減會提高濕訊號電平以產生「傳輸中退化」效果，濕訊號上的顫音提供節奏性脈動，拍擊延遲增加空間感。保持鏈路結構完整 — 僅在必要時調整個別參數。

在所有後續階段使用 audio-filtered.mp3。保留原始 audio.mp3 以供參考。

將決策記錄在 project.md 的備註中。

第五階段：合成節拍

對於每個節拍，將視覺與音訊以硬切 (無轉場) 合併。節拍持續時間由視覺和音訊中較長者決定。

如果視覺 >= 音訊：

音訊在整個視覺期間播放。無需填充。

ffmpeg -i beats/beat-XX/visual.mp4 -i beats/beat-XX/audio-filtered.mp3 \
  -c:v libx264 -pix_fmt yuv420p -c:a aac \
  -shortest -r 25 output/beat-XX-composed.mp4

如果音訊 > 視覺：

視覺保持其最終畫面以填滿剩餘時間。對影片使用 tpad：

AUDIO_DUR=$(ffprobe -v error -show_entries format=duration -of csv=p=0 beats/beat-XX/audio-filtered.mp3)
ffmpeg -i beats/beat-XX/visual.mp4 -i beats/beat-XX/audio-filtered.mp3 \
  -vf "tpad=stop_mode=clone:stop_duration=$AUDIO_DUR" \
  -c:v libx264 -pix_fmt yuv420p -c:a aac \
  -t $AUDIO_DUR -r 25 output/beat-XX-composed.mp4

如果未套用音訊濾鏡，則使用 audio.mp3 代替 audio-filtered.mp3。

節拍之間暫停