HyperFrames 媒體預先處理
三個 CLI 指令,用於產生合成用的資產:tts (語音)、transcribe (時間戳記) 和 remove-background (透明影片)。每個指令在首次執行時會下載模型,並快取在 ~/.cache/hyperframes/ 下。將輸出放入專案,然後在合成 HTML 中引用它 — 請參閱 hyperframes 技能了解音訊/影片元素的慣例。
文字轉語音 (tts)
使用 Kokoro-82M 在本地生成語音音訊。無需 API 金鑰。
npx hyperframes tts "這裡的文字" --voice af_nova --output narration.wav
npx hyperframes tts script.txt --voice bf_emma --output narration.wav
npx hyperframes tts --list # 全部 54 種語者
語者選擇
讓語者與內容相符。預設為 af_heart。
| 內容類型 | 語者 | 理由 |
|---|---|---|
| 產品展示 | af_heart/af_nova | 溫暖、專業 |
| 教學 / 操作指南 | am_adam/bf_emma | 中立、易於理解 |
| 行銷 / 宣傳 | af_sky/am_michael | 充滿活力或權威 |
| 文件 | bf_emma/bm_george | 清晰的英式英語,正式 |
| 休閒 / 社群 | af_heart/af_sky | 平易近人、自然 |
多語言
語者 ID 以第一個字母編碼語言:a=美式英語,b=英式英語,e=西班牙語,f=法語,h=印地語,i=義大利語,j=日語,p=巴西葡萄牙語,z=華語。CLI 會自動從前綴檢測音素化器地區設定 — 當語者與文字匹配時,無需 --lang。
npx hyperframes tts "La reunión empieza a las nueve" --voice ef_dora --output es.wav
npx hyperframes tts "今日はいい天気ですね" --voice jf_alpha --output ja.wav
僅在需要覆蓋自動檢測(風格化口音)時使用 --lang。有效代碼:en-us、en-gb、es、fr-fr、hi、it、pt-br、ja、zh。非英語音素化需要在系統範圍內安裝 espeak-ng (brew install espeak-ng / apt-get install espeak-ng)。
速度
0.7-0.8— 教學、複雜內容、無障礙1.0— 自然速度 (預設)1.1-1.2— 介紹、過場、活潑內容1.5+— 很少適合;請仔細測試
長腳本
對於超過幾段的內容,請寫入 .txt 檔案並傳遞路徑。超過約 5 分鐘語音的輸入,可能需要分割成段落。
需求
需要 Python 3.8+ 以及 kokoro-onnx 和 soundfile (pip install kokoro-onnx soundfile)。模型在首次使用時下載(約 311 MB + 約 27 MB 語者,快取於 ~/.cache/hyperframes/tts/)。
轉錄 (transcribe)
產生帶有逐字時間戳記的標準化 transcript.json。
npx hyperframes transcribe audio.mp3
npx hyperframes transcribe video.mp4 --model small --language es
npx hyperframes transcribe subtitles.srt # 匯入現有
npx hyperframes transcribe subtitles.vtt
npx hyperframes transcribe openai-response.json
語言規則 (不可協商)
除非使用者明確指出音訊是英語,否則永遠不要使用 .en 模型。 .en 模型 (small.en、medium.en) 會將非英語音訊翻譯成英語,而不是轉錄它。這會悄悄地破壞原始語言。
- 語言已知且非英語 →
--model small --language <code>(無.en後綴) - 語言已知且為英語 →
--model small.en - 語言未知 →
--model small(無.en,無--language) — whisper 自動檢測
預設模型為 small,而非 small.en。
模型大小
| 模型 | 大小 | 速度 | 使用時機 |
|---|---|---|---|
tiny | 75 MB | 最快 | 快速預覽、測試流程 |
base | 142 MB | 快 | 短片段、清晰的音訊 |
small | 466 MB | 中等 | 預設 — 大多數內容 |
medium | 1.5 GB | 慢 | 重要內容、吵雜音訊、音樂 |
large-v3 | 3.1 GB | 最慢 | 生產品質 |
帶人聲的音樂:最低從 medium 開始;製作的音軌通常需要手動匯入 SRT/VTT。關於字幕品質檢查 (每次轉錄後必須執行)、清理 JavaScript、重試規則以及 OpenAI/Groq API 匯入路徑,請參閱 hyperframes/references/transcript-guide.md。
輸出形狀
合成使用一個平面化的單詞物件陣列。id 欄位 (w0、w1、...) 在標準化過程中加入,以在字幕覆蓋中提供穩定的參考;為了向後相容,它是可選的。
[
{ "id": "w0", "text": "Hello", "start": 0.0, "end": 0.5 },
{ "id": "w1", "text": "world.", "start": 0.6, "end": 1.2 }
]
背景移除 (remove-background)
移除影片或圖片的背景,使主體(通常是人物 — 虛擬角色、簡報者、發言人頭像)作為合成中的透明疊層。
npx hyperframes remove-background subject.mp4 -o transparent.webm # 預設:VP9 alpha WebM
npx hyperframes remove-background subject.mp4 -o transparent.mov # ProRes 4444 (剪輯)
npx hyperframes remove-background portrait.jpg -o cutout.png # 單一圖片去背
npx hyperframes remove-background subject.mp4 -o subject.webm \
--background-output plate.webm # 一次處理兩個圖層
npx hyperframes remove-background subject.mp4 -o transparent.webm --device cpu
npx hyperframes remove-background --info # 檢測到的提供者
使用 u2net_human_seg (MIT 授權)。首次執行會下載約 168 MB 的權重到 ~/.cache/hyperframes/background-removal/models/。
圖層分離 (--background-output)
傳遞 --background-output (或 -b) 以在去背素材旁同時輸出第二個透明影片:相同的來源 RGB,但阿爾法通道為 255 − mask 而非 mask。去背素材是帶有透明背景的主體;底板是帶有透明主體空洞的原始周圍環境。
| 檔案 | 阿爾法通道是… | 用途 |
|---|---|---|
-o subject.webm | 遮罩 — 主體不透明,背景透明 | 前景圖層,放置於頂層 |
--background-output plate.webm | 反向 — 周圍環境不透明,主體區域透明 | 底層;在此與主體之間放置文字或圖形 |
兩個輸出共用相同的 --quality 預設,並從單次推理中產生 — 編碼成本大約翻倍,分割成本保持不變。僅適用於影片輸入以及 .webm/.mov 輸出。
空洞切割底板,非修復清潔底板。 plate.webm 中的主體區域是完全透明的 — 在其下方合成不透明內容以填補空洞。判斷 --background-output 是否為正確工具的單一測試:在主體曾經所在的位置,是否會有任何東西透過主體的輪廓可見?
| 使用案例 | 正確工具 |
|---|---|
| 在去背素材和底板之間的文字/圖形(此指令存在的原因) | 空洞切割 (--background-output) |
| 將主體置於不相關的場景上 | 僅使用 subject.webm;忽略底板 |
| 單獨顯示沒有人的房間,上方無其他內容 | 清潔底板 — 需要修復器 (LaMa、ProPainter、E2FGVI)。非此指令。 |
| 用不同的主體替換現有主體 | 清潔底板 — 同上 |
如果使用者要求「移除人物後的房間」並打算單獨顯示它,不要使用 --background-output。告訴他們需要修復器。
典型的圖層合成(規範的空洞切割使用案例):
<!-- z=1 反向阿爾法底板填充除主體區域外的所有內容 -->
<video
src="plate.webm"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<!-- z=2 圖形 / 文字位於兩個圖層之間 -->
<h1 id="headline" style="z-index:2; ...">MAKE IT IN HYPERFRAMES</h1>
<!-- z=3 去背素材將主體浮在標題上方 -->
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3">
<video
src="subject.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
這在功能上等同於下方的「主體後文字」模式,但您不需要在專案中包含原始的 presenter.mp4 — 底板取代了它。當您只想提供兩個透明圖層並讓使用者在它們之間放置任意內容時,這很有用。
輸出格式
| 格式 | 時機 |
|---|---|
.webm (VP9 + 阿爾法通道) | 預設。合成透過 <video> 直接播放此檔案。 |
.mov (ProRes 4444) | 在 DaVinci/Premiere/FCP 中剪輯。檔案較大。 |
.png | 單一圖片去背 (靜態主體,分層放置於背景之上)。 |
Chrome 原生解碼 VP9 阿爾法通道,因此 .webm 可以像任何其他靜音自動播放影片一樣插入合成中 — 請參閱 hyperframes 技能了解 <video> 音軌慣例。
品質預設
--quality fast|balanced|best 僅控制 VP9 編碼器的 CRF — 分割品質是固定的。
| 預設 | CRF | 時機 |
|---|---|---|
fast | 30 | 疊代、較小檔案、較寬鬆的色彩匹配 |
balanced | 18 | 預設。對大多數使用情況來說視覺上相同 |
best | 12 | 母版 / 最終交付。最大檔案,最嚴格的匹配 |
合成模式 — 選擇正確的
去背 webm 是來源 mp4 RGB 的重新編碼副本。這個選擇會根據您在其後方放置的內容產生影響:
| 模式 | 去背素材後方有什麼 | 結果 |
|---|---|---|
| 去背素材置於不同場景上方 (最常見) | 靜態圖片、漸層或不相關的影片 | 看起來很棒。去背素材的 RGB 是主體的唯⼀來源 — 沒有重疊,沒有邊緣光暈。這就是 remove-background 的設計目的。 |
| 去背素材置於其自身來源 mp4 上方 (主體後文字) | 產生去背素材的相同 mp4 | 同一個人有兩個 RGB 來源。在預設 --quality balanced (crf 18) 下,重疊幾乎不可見;在 --quality fast (crf 30) 下,您會看到輕微的色彩偏移/邊緣光暈。製作母版時請使用 --quality best (crf 12)。 |
| 去背素材置於同一個人的_不同_鏡次上方 | 相同主體的素材 | 看起來像是兩個不同的人重疊。請勿這樣做。 |
主體後文字 (簡報者後方的標題):
<video
src="presenter.mp4"
id="bg"
data-start="0"
data-duration="6"
data-track-index="0"
muted
playsinline
></video>
<h1 id="headline" style="z-index:2; ...">MAKE IT IN HYPERFRAMES</h1>
<div class="cutout-wrap" style="position:absolute;inset:0;z-index:3;opacity:0">
<video
src="presenter.webm"
data-start="0"
data-duration="6"
data-track-index="1"
muted
playsinline
></video>
</div>
兩個關鍵規則:
- 將去背影片包裝在一個非計時的
<div>中,並對包裝器的不透明度進行動畫處理,而不是影片元素本身。框架會對啟用的片段(任何帶有data-start/data-duration屬性的元素)強制設置不透明度為 1,因此直接對影片的不透明度進行動畫處理會被默默地覆蓋。包裝器沒有data-*屬性,因此它由您的 CSS/GSAP 控制。 - 兩個影片都使用
data-start="0"和data-media-start="0",這樣框架會從 t=0 開始同步解碼它們。延遲掛載去背素材 (data-start=3.3) 會引入一次搜尋+預熱,導致與基礎 mp4 偏差一個影格 — 在切換處可見為一個影格的不對齊。
然後使用 GSAP 在切換處翻轉包裝器的不透明度:tl.set(cutoutWrap, { opacity: 1 }, 3.3)。
TTS → 轉錄 → 字幕
當沒有預先錄製的語音旁白時,生成一個並將其轉錄回來,以獲得字幕的逐字時間戳記:
npx hyperframes tts script.txt --voice af_heart --output narration.wav
npx hyperframes transcribe narration.wav # → transcript.json
然後使用 hyperframes 技能中的慣例將生成的 transcript.json 附加到您的合成中。