卡通短片：點子 → 腳本 → 配音 → 完成版 MP4

外觀：扁平 2D 豆形頭卡通角色（畫布繪製的「卡片」，帶有李子色外框）在色彩繽紛的 3D 世界中，搭配黑色墨水外框、繪畫紋理、景深和滑行攝影機。輸出為 1080x1920，30 fps，長度與配音完全一致。用戶的聲音保持不變。背景音樂和音效是合成的：音樂低於人聲 16 dB，音效不超過人聲的 50%。已在「從未離開的士兵」（19.7 秒，8 個鏡頭）上得到驗證。

如果此技能以檔案形式到達聊天中

用戶可能會發送 SKILL.md 和 cartoon-short-kit.zip，並說「讀取此技能，安裝它並使用它」。然後：

閱讀整個檔案並遵循它。不要解釋什麼是技能，也不要問設定問題。
將工具包解壓縮到一個可寫入的資料夾（見 4.0）。確認 engine/main.js 和 vendor/three.module.js 已存在。
如果此環境有個人技能資料夾（例如 ~/.claude/skills/），請將 SKILL.md 和工具包複製到其中的 cartoon-audio-short/。如果沒有，不要說它已永久安裝：只用一行說明它已準備好在本次聊天中使用，並且這兩個檔案需要在新的聊天中再次發送。
用一行簡短回覆，然後直接進入階段 1。

語言：阿拉伯語或英語

聊天： 從第一次回覆開始，用使用者訊息的語言回答。如果他們用阿拉伯語寫信或要求阿拉伯語，則每一條訊息都是阿拉伯文：問題、選項標籤和描述、任務清單、想法、進度說明、錯誤和交付說明。使用簡單的日常用語，如果他們用某種方言書寫，則匹配他們的方言。英文只保留在檔案名稱和命令中，並獨自佔一行，以免從右到左的文字打亂它們。
腳本： 腳本的語言遵循聊天，除非他們另有要求。在任何問題中輸入「أريد أفكار بالعربي」意味著進入階段 2，使用阿拉伯語。
阿拉伯語變體： 除非他們用某種方言（伊拉克語、埃及語、海灣語、黎凡特語等）書寫或要求，否則書寫簡單的標準阿拉伯語。不要停下來詢問。用一行結束腳本回覆：「تريده بلهجة ثانية؟ اكتب اللهجة وسأعيد كتابته。」除非他們要求，否則切勿在一個腳本中混合標準語和方言。
阿拉伯語的固定問題。 使用以下措辭：
- "من أين نبدأ؟"
  - "الصوت جاهز": 上傳音訊檔案，如有文字也一併上傳，我將製作影片。
  - "عندي نص": 我會改進它並給你錄音建議，然後在上傳音訊後製作影片。
  - "أحتاج إلى أفكار ونص": 我會建議十個原創點子，然後為你選擇的點子寫腳本。
- "كم مدة الفيديو؟"
  - "من 20 إلى 30 ثانية (مُوصى به)": 大約 40 到 60 個單詞。
  - "من 30 إلى 45 ثانية": 大約 60 到 90 個單詞。
  - "من 45 إلى 60 ثانية": 大約 90 到 120 個單詞。

規則

故事、角色和鏡頭始終是原創的。切勿逐鏡頭複製其他創作者的作品。而是提供相同點子的原創詮釋。
沒有真實的、具名的在世人物作為角色，也沒有品牌吉祥物或標誌。
除非使用者要求，否則不要加字幕。文本內文字（雕刻的訊息、標誌）是可以的，並且必須正確閱讀（不是鏡像）。標誌、標籤和標題使用腳本的語言：阿拉伯語影片使用 "بِيعَ"，而不是 "SOLD"。按照 4.3 中的方式繪製它們。
切勿編輯或重新調整聲音的時間。圖片是根據聲音來定時的，每個視覺反應都在其單詞之前的 0-3 幀內。
音訊電平： 背景音樂應低於人聲 16 dB（閘控均方根），因此旁白保持清晰。音效位於 50% 或略低，峰值被限制，沒有任何打擊音突出於旁白之上。始終使用 mix.py 進行混音，不要手動操作。不要使用會改變此比率的閃避或壓縮；只有一個線性增益加上一個峰值限制器應用於整個混音。
使用任務清單讓使用者知曉。在長時間渲染之前發送一張靜態影像連拍圖。

階段 1：接收（始終優先）

如果已附加音訊檔案，請跳到階段 4。如果也提供了腳本，則使用它進行定時。否則，提出一個 AskUserQuestion（或純文字，如果該工具缺失）：「您從哪裡開始？」

配音已準備好：要求他們上傳它，如果有的話也一併上傳腳本文字（腳本使定時更精確）。到達後進入階段 4。
我有腳本，需要配音：如有必要，根據階段 3 收緊腳本，連同錄音技巧一起回傳，要求上傳，然後進入階段 4。
需要影片點子和腳本：進入階段 2。同時詢問目標長度（如果他們尚未說明）。預設為 20-30 秒；允許 45-60 秒。在阿拉伯語聊天中，使用「語言」部分下的措辭。

階段 2：10 個影片點子

在一次回覆中準確給出 10 個點子，編號，並要求使用者回覆一個數字（或「更多」）。每個點子獲得：

標題（5-8 個單詞，好奇心驅動，例如「從未離開的士兵」）。
鉤子句：第一句口語，一個悖論被陳述為事實（「一個人賣掉了艾菲爾鐵塔。兩次。」）。
轉折點一行（結束影片的諷刺性報應）。
為什麼它動畫化效果好：2-3 個重要的視覺時刻（倒塌、揭露、追逐）。
真實還是傳說：簡單說明它是有記錄的歷史、有爭議的描述還是民間傳說。

使一個點子「完美」適合此格式的因素：

一個具有可展示的物理因果關係的驚人故事。
一個清晰的普通人角色、不斷升級的利害關係以及最後一句話的轉折。
一個可以從簡單的 3D 形狀加上卡通卡片（城鎮、橋樑、船隻、城堡、沙漠、實驗室、宮殿）構建的場景。
將 10 個點子跨越時代和主題進行混合：古代、中世紀、19 世紀、現代、科學、動物、發明、災難、奇怪的法律、幸運的意外。
對於任何呈現為真實的內容，在提供之前用網路搜尋驗證關鍵事實。不要將病毒式傳說呈現為事實。如果使用者無論如何都想要它，則將其框定為「傳說說」。
沒有真實的在世人物作為笑話的對象，沒有圖形內容，也沒有政治內容。

對於阿拉伯語點子：

用阿拉伯語寫標題、鉤子、轉折點和說明。用自然的阿拉伯語句子書寫鉤子，而不是翻譯。給外國名字其常見的阿拉伯語拼寫。
將來自阿拉伯和伊斯蘭歷史與科學的故事與世界故事混合，使列表感覺像是為這個觀眾量身定做的。
同時搜尋阿拉伯語和英語。流行的阿拉伯語故事也常常沒有來源地傳播，因此以相同的方式標註它們為真實還是傳說。
切勿展示先知、他們的同伴或其他神聖人物作為角色。不要拿宗教、教派、部落或國籍開玩笑。

階段 3：腳本（在他們選擇之後）

只寫旁白（口語文字中沒有舞台指示）。英語約為 3.7 字/秒：20 秒 ≈ 75 字，30 秒 ≈ 110，60 秒 ≈ 220。阿拉伯語較慢，約為 2 字/秒：20 秒 ≈ 40 字，30 秒 ≈ 60，60 秒 ≈ 120。 阿拉伯語單詞承載更多音節，實際阿拉伯語聲音測量為 1.6-2.1 字/秒。公式：

鉤子（句子 1，無鋪陳）：荒謬的事實。
設定用 1-2 行：何時、何地、何人、一個具體細節。
升級，2-4 個節拍，每個更大。其他人懷疑或嘲笑。使用一個誇張的笑話。
謎團或轉折：「但當…」 / 「你看，」引入真實機制，通常用一個日常類比。
轉折/報應：簡短、諷刺，並且是影片的最後一句話。使用簡單的口語英語、縮寫、句子約 8-15 個單詞，數字寫成單詞。永遠不要描述觀眾已經看到的內容。

對於阿拉伯語腳本：

保持句子約 6-12 個單詞，並使用相同的五部分公式。諸如「لكن عندما…」和「والسبب؟」的轉折效果很好。
將數字和年份寫成單詞（ألف وتسعمئة وأربعة وتسعون），並將外來詞和品牌名稱用阿拉伯字母拼寫，以便聲音正確讀取它們。
為聲音加標點：「،」和「。」用於呼吸，「…」用於揭示前的停頓，「？」用於問題。定時也使用此標點。
提供一個可複製的語音區塊，準備好貼上到語音產生器中：
- 每個單詞上的變音符號，這在名稱和具有多種讀音的單詞上最有幫助。省略敘述者不會說的詞尾變化，並按口語書寫方言。如果他們要求不加變音符號，或者聽起來不對，則將其刪除。
- 英文的 Eleven v3 音頻標籤，例如 [excited]、[curious]、[serious]、[whispers]、[warmly]。每個句子組最多使用一兩個，僅在單詞需要的地方使用。
- 伊拉克語的 "g"： 在口語發音需要的地方書寫 گ 和 چ（تِگْدَر，لْگِيت），因為 ك 讀作 "k"。
- 部分： 對於超過約 700 個字元的腳本，在句子結尾將其分成編號的部分。
字數和長度使用上述阿拉伯語速率，忽略標籤和變音符號。

然後回覆：

腳本在可複製區塊中，附帶字數和估計長度。
一段視覺計劃（你將製作的鏡頭）。
錄音技巧：一個穩定、溫暖的敘述者聲音；ElevenLabs 效果很好（深沉的敘述者聲音，速度約 1.05-1.1，穩定性約 45-55%）。Mp3 或 wav 都可以。在句子結尾留下自然停頓。匯出時不帶音樂。
阿拉伯語錄音技巧：使用 Eleven v3，因為舊型號會大聲朗讀 [tags] 標籤。從穩定性設定為自然，速度約 0.95 開始，在產生所有內容之前先嘗試前幾個句子。使用另一個產生器時，首先刪除標籤。他們自己的聲音也可以，無需標籤或變音符號。
要求：「配音準備好後上傳，我將製作完整的影片。」 保留最終的腳本文字。它驅動階段 4 中的定時，因此不需要語音辨識。如果他們錄製了更改過的版本，請要求提供最終文字。

階段 4：建立影片（上傳配音後）

從現在開始不間斷地執行所有操作。僅在無法解決定時問題時才提問。

4.0 取得工具包

程式碼工具包包含引擎、工具、實例、供應的 three.js r160、來自 github.com/mromidev/claude-animated-shorts 的 toon.ts Pen 庫（均為 MIT 許可）和 Lalezar 阿拉伯語字體（SIL OFL）。按以下順序找到它，並將其視為唯讀：

此 SKILL.md 旁邊的 kit/ 資料夾，使用 find / -name SKILL.md -path "*cartoon-audio-short*" 2>/dev/null 找到。
一個已解壓縮的 cartoon-short-kit 資料夾。
在本次聊天中發送的檔案中的 cartoon-short-kit.zip：find / -name "cartoon-short-kit*.zip" 2>/dev/null，然後將其解壓縮到 ~/cartoon-short-kit-src/。工具包是其中包含 engine/ 的資料夾。

然後執行 bash <kit>/tools/setup.sh ~/shorts/<slug>。它將引擎和工具複製到專案中，安裝供應的 three.js，使用 Node 22 的 module.stripTypeScriptTypes 從 toon.ts 中移除類型，並連結 Playwright。無需網路。如果缺少供應的檔案，它會回退到 npm 或 git clone。

要求：Node 22.6+、帶有 numpy + Pillow 的 Python 3、ffmpeg，以及帶有 Chromium 的 Playwright（如果缺失，執行 npm i -g playwright && npx playwright install chromium）。
如果套件註冊表被阻止，通常可以透過 GitHub 使用 git。永遠不要停用 TLS 或繞過代理。
Chromium：使用預先安裝的 Playwright 瀏覽器，搭配 --use-angle=swiftshader --enable-unsafe-swiftshader --ignore-gpu-blocklist。這樣可以提供 CPU WebGL，速度約為 3-10 秒/幀。

4.1 定時

執行 python3 timing.py voice.mp3 script.txt --out work。如果沒有腳本，則為阿拉伯語新增 --lang ar。腳本可以是準確的語音區塊：它會移除 [tags] 和變音符號，並在阿拉伯語標點處分割片語。

如果安裝了 whisper 或 faster-whisper，它會使用單詞時間戳記。對於阿拉伯語，它使用多語言模型，並保留腳本本身的單詞，因此聽錯的方言單詞不會改變文字。
否則，它會將腳本片語（在標點處分割）對齊到靜音偵測到的語音片段，使用一個 DP 來比對音節與持續時間，並懲罰在片段內部的句子結尾以及在片語內部的長間隙。
沒有 ASR 且沒有腳本時，要求提供腳本。Claude 無法聽到音頻。
檢查 work/phrases.json：停頓應落在句子結尾。總幀數 = round(duration × 30)。

4.2 鏡頭計劃（`work/PLAN.md` 在程式碼之前）

每行一個鏡頭：幀數、單詞、設定、光線、攝影機運動、角色/姿勢/表情、效果和音效提示。

幀 0 已經是鉤子圖像。
通常每個片語一個鏡頭。將很小的片語合併到下一個鏡頭中。
逐字說明每個句子。道具承載笑話。
變化鏡頭尺寸：鉤子中景 → 廣角揭露 → 雙人鏡頭 → 插入關鍵物件的特寫 → 反應特寫 → 環境移動以呈現報應。
使用光線來表現節拍：白天用於正常，金色用於衰退或戲劇性，夜晚藍色用於解釋。時間跳躍獲得一個 6 幀的白色閃光。
轉折句得到一個重擊音（音樂停止，低沉的打擊音，推進並帶有旋轉）。最後鏡頭的實體報應落在最後一個詞上。

4.3 世界（`web/main.js`）

保持引擎部分：卡通材質、墨水收縮、add/tbox、天空、燈光、卡片、渲染目標/後處理、applyLight、drawActors、swapForNd、renderFrame。將 // ---------- world ---------- 和 // ---------- cards ---------- 之間的範例世界，以及 worldState() 的故事部分替換掉。

從具有繪畫畫布紋理（paint.js：木板、橫樑、腐爛的木頭、石頭、苔蘚/常春藤、草、泥土、灰泥、屋頂瓦片、大理石、橫幅、雕刻文字）的基元進行建構。以相同的扁平帶深色接縫風格編寫新的繪製器。
使用 tbox 來保持恆定的紋理像素密度，一個 2 步驟的卡通漸層，以及霧 = 地平線顏色。
背景：山丘（半埋的球體）、山脈（圓錐體 + 雪頂）、柏樹/松樹、遠處的房屋、繪畫的雲朵廣告牌。
場景物件（倒塌、墜落、門）是由 0..1 進度驅動的旋轉群組，來自 worldAt(f)，具有緩動和交錯的部分。
曲線的文本內文字使用平面 UV。檢查它是否沒有鏡像。
任何物體上的阿拉伯文字： 使用 P.signCanvas(text, opts) 搭配 P.tex() 用於標誌和標籤，P.drawText() 用於你自己的畫布，或 P.carvedText() 用於雕刻。它們載入捆綁的字體，設定從右到左，並繪製完整的字串。永遠不要逐字母繪製阿拉伯文。

4.4 角色

使用 P.character()：一個附加身體/衣服/頭髮的豆形頭。臉部表情是繪製的：眼睛（睜開/閉上/瞇眼/驚嚇/思考）、眉毛（向上/向下/內八/外八/聳肩/無聊）、嘴巴（微笑/悲傷/O 型/露齒/大喊/噘嘴/僅張開/閉著）。將其保存下來。

保持可讀：卡片上的繪圖是清晰的線條藝術，在 1080p 下具有良好的對比度。
顏色：使用 3-4 種色調的色調範圍。為角色的衣服和頭髮設定統一的外觀。
每個鏡頭使用 P.createActors() 並只繪製需要的演員。
動畫：透過位置變化、循環行走動畫以及關鍵姿勢之間的形狀插值來實現。

4.5 配音定時

將 framework/voice.js 中的音訊資料複製到 main.js 中：一個形如 {phrase: [startTime, endTime] ...} 的時間戳記陣列。使用 voicecue(name) 來觸發片語。

對話氣泡（可選）：使用 P.bubble() 搭配框架和文字。如果是阿拉伯語，則從右到左對齊。檢查文字方向。

4.6 渲染

執行 node web/main.js。它會建立一個名為 work/render/ 的資料夾，帶有 PNG 幀。然後執行 bash tools/render.sh work/voice.mp3 30。這會產生 final.mp4。

如果幀已存在且 main.js 沒有改變，則 main.js 會跳過渲染（斷點續傳）。
如果 Chromium 失敗，請檢查它是否已安裝且可執行。如果需要，使用 playwright install chromium 重新安裝。
音訊：mix.py 處理最終音訊混合。

4.7 交付

將 final.mp4 傳送給使用者。同時傳送一兩幀，以便他們可以看到結果。

工具

timing.py：對齊腳本和音訊。
paint.js：生成畫布紋理。
mix.py：混合音訊。
setup.sh：設定專案。
render.sh：渲染最終影片。

卡通音頻短片製作