Communitygithub.com

paxon-yang/口播動畫影片技能

一句話需求 → 產出配音對齊字幕、動畫特效、打字機音效、封面與文案的完整影片(支援數字人摳像融合)。

口播動畫影片技能 是什麼?

這是一個專為 AI 代理(如 Claude Code)設計的高階影片生成技能,使用者只需提出一句話需求,系統便會自動完成從稿件撰寫、配音對齊、字幕生成、動畫特效、渲染到封面與文案包裝的完整影片製作流程。它透過「combo-style」處理口播包裝與協作,並利用「ae-motion-craft」控制動畫特效的規律與方法,支援「純動畫版」與「數字人出鏡版」兩種模式。技能會自動推進流水線中的各個步驟,僅在配音音頻生成、數字人身份驗證等必需人工介入的環節停下,並確保最終產品符合架構、響度與字幕對齊等嚴格品質標準。此技能適用於 Cursor、Codex 等支援自訂技能的開發環境,能大幅縮短從概念到成片的時間。

相容平台✓Claude Code~Codex CLI~Cursor✓Gemini CLI
npx skills add https://github.com/paxon-yang/talking-video-skills/tree/HEAD/skills/talking-video-oneshot

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

一句話出片:總入口

目標:使用者只說需求,Claude 自己把稿件、字幕、動畫、音效、渲染、自檢、封面、文案做完,交出一個成片。不要每步都問,不要讓使用者確認可以自己決定的事。

先查備料(開工前 30 秒)

對照 ../video-asset-prep/SKILL.md 的備料清單:數字人(出鏡版才需要)、聲音、積木庫、固定框架。缺哪項就轉去備哪項,不要硬做;純動畫版不需要數字人。備料齊了,下面全部自動推進。

0. 收需求(最多問一次,三個問題打包問)

只問會改變成片結構、且無法預設的事。使用者沒回答的一律走預設:

問題預設
主題和觀點(一句話,或粗稿)必須有
有沒有數字人出鏡?無(純動畫)。有則需要使用者的數字人形象和配音
配音從哪來?使用者自己的克隆聲音生成音頻發給你;沒有就先用系統 TTS 做佔位走完全流程,真配音到了只重跑對齊

固定預設:1920×1080、30fps、60–80 秒、不做 BGM(只交人聲 + 音效,音樂使用者自己加)、字幕膠囊、淺色或暗色按主題定、成片 −16 LUFS、封面橫豎各一對、一句話文案。

1. 流水線(自動推進)

步做什麼誰產物 / 驗收
S1 稿件壓成 8–12 句口播:每句 ≤20 字、一句一個意思、數字單獨成句;去 AI 味(短句、口語、少排比);核對事實;字數 ≈ 時長×4.8Claudescript_lines.json;事實有疑問才打擾使用者
S2 配音稿子按配音工具讀法改寫(縮寫寫成 A I 逐字母)→ 使用者生成音頻 → 本地停頓封頂 0.4 s使用者給音頻voice.mp3;這是唯一必須等人的環節(沒有就佔位)
S3 對齊whisper 強制對齊到逐字 → 字幕按詞切 → 與波形獨立核起音Claudewords.json subs.json;字幕起音 ≤3 幀
S4 數字人(可選)瀏覽器驅動數字人工具:上傳音頻→生成→下載。身份驗證、付款、刪除只由使用者做Claude + 使用者綠幕 mp4
S5 摳像(可選)色差鍵 + 邊緣延伸 → VP9 alpha WebM;解碼曲線補償;口型提前 3 幀Claudekey_host.py
S6 鏡頭表全部鏡頭時間從詞級對齊表推出(句首 −6 幀為切點),不手填幀號Claudetimeline.ts 單一事實來源
S7 動畫每句一個鏡頭、一台相機、一個焦點;所有打字都用打字機動畫並登記 typing.ts;音效按事件生成Claude見 ae-motion-craft
S8 渲染分段 + 看門狗:5 分鐘無新幀即殺行程重試 ≤3 次;每段起止時間寫日誌Claude分段 mp4 → 拼接 → 混音
S9 自檢見第 3 節清單;對著真實檔案時間戳和日誌核對,不憑印象說「快好了」Claude自檢表
S10 包裝橫版 + 豎版封面(主圖 + 備選)、縮圖尺寸檢查、一句話網感文案Claude封面 4 張 + 文案

2. 只有人能做的事(其餘都自己做)

配音音頻生成、數字人身份驗證、付款確認、刪除帳號/形象、最終審美驗收。遇到這些一次性說清要什麼,不要拆成多輪追問。

3. 自檢清單(交付前逐條寫 ✓/✗/數值)

  • 時長:影片與音頻差 ≤0.05 s;ffprobe 1920×1080 / 30fps / BT.709
  • 響度 −16 LUFS(人聲 + 音效),峰值 < −1 dBFS;音效比人聲低 ≥10 dB
  • 字幕:逐行起音與波形偏差 ≤3 幀、無時間重疊、一個樣式
  • 紫色像素佔比(若不想要紫線)<0.2%;切點逐 2 幀條帶無硬跳
  • 每個打字塊:字元數 = 鍵聲數
  • 畫面無第三方品牌/真人/內部檔案名稱;中文影片畫面文字用詞通用
  • 渲染產物時間戳晚於最後一次改動;日誌無失敗段

4. 鐵律(踩過的)

  1. 不猜原因:渲染卡住先看檔案修改時間 vs 當前時間、讀完整日誌,再下結論。
  2. 別讓使用者當監工:長任務每段寫時間戳,卡住自己發現並重試。
  3. 先出靜幀 / 低清預覽自查,再渲 1080p。
  4. 字幕必須逐詞對齊,絕不按字數估算。
  5. 不做 BGM;不放說明性小字;淺色底裡不放大塊深色;紫色不用。
  6. 使用者一句具體反饋,只重做受影響的鏡頭,不整片重來。
  7. 交付後不重複彙報過程,給:位置、改了什麼、已知瑕疵、封面、一句話文案。

5. 相關

  • 備料(數字人 / 聲音 / 積木 / 固定框架):../video-asset-prep/SKILL.md
  • 本 skill 的細節在 references/:稿件與鉤子(hooks-and-copy、thinking、templates)、分鏡與畫面(visual-mapping、motion-and-camera、packaging)、字幕對齊(subtitle-sync)、舒適度規律(comfort-rules)、全流程手冊(production-playbook)、口播融合(hosted-video-fusion)、渲染與管線(remotion-pipeline、promo-and-hosted-pipeline)、音效(motion-polish-and-sfx)、協作(collaboration)、中英文版(english)、封面素材(gemini-asset-prompts)。
  • references/legacy-combo-style-SKILL.md 是拆分前的舊總覽,僅供查閱,其中檔案路徑以現在的目錄為準。
  • 腳本:scripts/、../../pipeline-scripts/;完整方法論:../../方法論-製作篇.md

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

paxon-yang/talking-video-skills

用户提供自己的数字人视频(或先拿 Claude 写的口播稿去数字人工具生成),和 Claude 多轮沟通、逐轮打磨,按 combo 风格(博主A × 博主B 合并后的"暗底固定框架 + 数字人口播 + 少而准的动效")做出 1–3 分钟横屏精品讲解视频,目标是成片和原片一样精美。用户说"按 combo 风格/博主A风格/博主B 风格做视频""我有数字人视频,帮我包装/加动效""帮我写数字人口播稿/脚本""出分镜表""给剪映剪辑说明""做 Remotion 动效视频/写 timeline.json/出样张/预览/渲染""这条视频不够精致,再改改"时使用。流程是协作轮次:素材接收 → 稿子 → 分镜 → 关键帧样张(与原片并排) → 低清预览 → 精修终版;每轮交给用户看、请用户确认、按反馈修改,可随时回到前面任一轮。

paxon-yang/talking-video-skills

做口播 / 动效视频之前的备料:数字人(形象、绿幕生成、抠像、清晰度、口型校准)、克隆声音(读音规则、停顿处理)、沉淀动效积木(拆解参考视频→提取带数值的规律→做成带参数的组件→逐镜头复刻验证)、固定框架(字幕胶囊、背景、封面)。用户说「准备数字人」「学这个动效」「拆一下这个视频的动效」「沉淀成积木」「做我自己的动效库」「备料」「我还缺什么才能开始做视频」时使用。备齐后用 talking-video-oneshot 做片。

相關技能