HyperFrames 媒體前置處理
三個用於產生組合素材的 CLI 指令: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下載模型,並快取在 ~/.cache/hyperframes/ 下。將輸出檔案放入專案後,於組合 HTML 中引用它——關於音訊/影片元素的慣例,請參閱 hyperframes 技能。
文字轉語音 (tts)
使用 Kokoro-82M 在本地端產生語音音訊。無需 API 金鑰。
npx hyperframes tts "Text here" --voice af_nova --output narration.wav
npx hyperframes tts script.txt --voice bf_emma --output narration.wav
npx hyperframes tts --list # 全部 54 種聲音
聲音選擇
將聲音與內容配對。預設為 af_heart。
| 內容類型 | 聲音 | 原因 |
|---|---|---|
| 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 |
| 文件說明 | bf_emma/bm_george | 清晰英式英語、正式 |
| 休閒 / 社交 | af_heart/af_sky | 親切、自然 |
多語言
聲音 ID 的第一個字母編碼了語言: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=國語。CLI 會從前綴自動偵測音素化語言環境——當聲音與文字匹配時,無需 --lang 參數。
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
僅在需要覆蓋自動偵測(例如風格化口音)時才使用 --lang。有效代碼:en-us、en-gb、es、fr-fr、hi、it、pt-br、ja、zh。非英語的音素化需要系統全域安裝 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— 自然語速(預設)1.1-1.2— 開場、過場、活潑內容1.5+— 很少適用;務必仔細測試
長腳本
對於超過幾段的內容,請寫入 .txt 檔案並傳遞其路徑。輸入超過約 5 分鐘的語音可能適合分割成多個段落。
需求
Python 3.8+ 並安裝 kokoro-onnx 和 soundfile(pip install kokoro-onnx soundfile)。模型首次使用時下載(約 311 MB + 約 27 MB 聲音,快取於 ~/.cache/hyperframes/tts/)。
轉錄 (transcribe)
產生包含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 # 匯入現有字幕
npx hyperframes transcribe subtitles.vtt
npx hyperframes transcribe openai-response.json
語言規則(不可協商)
除非使用者明確說明音訊是英語,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,而不是進行轉錄。這會靜默地破壞原始語言。
- 語言已知且非英語 →
--model small --language <代碼>(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 自動偵測
預設模型是 small,而不是 small.en。
模型大小
| 模型 | 大小 | 速度 | 何時使用 |
|---|---|---|---|
tiny | 75 MB | 最快 | 快速預覽、測試流程 |
base | 142 MB | 快 | 短片段、清晰音訊 |
small | 466 MB | 中等 | 預設 — 大多數內容 |
medium | 1.5 GB | 慢 | 重要內容、有雜音的音訊、音樂 |
large-v3 | 3.1 GB | 最慢 | 最終品質 |
含人聲的音樂:從 medium 起跳;生成的音軌通常需要手動導入 SRT/VTT。關於字幕品質檢查(每次轉錄後都必須進行)、清理用的 JS、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
組合使用一個扁平的單字物件陣列。id 欄位(w0、w1...)在標準化過程中加入,以提供穩定的字幕覆蓋參考;為了向後相容,此欄位為可選。
[
{ "id": "w0", "text": "Hello", "start": 0.0, "end": 0.5 },
{ "id": "w1", "text": "world.", "start": 0.6, "end": 1.2 }
]
移除背景 (remove-background)
從影片或圖片中移除背景,使主體(通常是人物——虛擬角色、簡報者、說話者頭像)在組合中作為透明疊層呈現。
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(剪輯用)
npx hyperframes remove-background portrait.jpg -o cutout.png # 單張圖片去背
npx hyperframes remove-background subject.mp4 -o subject.webm \
--background-output plate.webm # 一次處理輸出兩個圖層
npx hyperframes remove-background subject.mp4 -o transparent.webm --device cpu
npx hyperframes remove-background --info # 偵測到的提供者
使用 u2net_human_seg(MIT 授權)。首次執行下載約 168 MB 的權重至 ~/.cache/hyperframes/background-removal/models/。
圖層分離 (--background-output)
傳遞 --background-output(或 -b)來與去背畫面一起輸出第二個透明影片:與來源相同的 RGB,但 alpha 為 255 - 遮罩 而非 遮罩。去背畫面的主體具有透明背景;底層則是原始背景,主體所在位置為透明空洞。
| 檔案 | Alpha 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 — 背景不透明、主體區域透明 | 底層;可將文字或圖形置於此層與主體層之間 |
兩個輸出共享相同的 --quality 預設,並從單次推論處理中執行——編碼成本約為兩倍,但分割成本不變。僅適用於影片輸入和 .webm/.mov 輸出。
是挖洞的底層,而非修補過的乾淨背景。 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是:在主體原本所在的位置,是否曾經有任何東西會透過主體的剪影被看到?
| 使用場景 | 正確工具 |
|---|---|
| 文字/圖形位於去背畫面與底層之間(此指令存在的原因) | 挖洞 (--background-output) |
| 將主體置於不相關的場景上 | 僅使用 subject.webm;忽略底層 |
| 在沒有任何其他內容的背景上單獨顯示「沒有那個人的房間」 | 乾淨背景 — 需要修補工具(LaMa、ProPainter、E2FGVI)。不是此指令。 |
| 用不同的主體替換現有主體 | 乾淨背景 — 同上 |
如果使用者要求「移除人物後的房間」並且打算單獨顯示它,請不要使用 --background-output。告知他們需要一個修補工具。
典型的圖層組合(標準的挖洞使用案例):
<!-- z=1 反向 alpha 的底層填滿主體區域以外的整個畫面 -->
<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 去背畫面將主體浮在上方,蓋過標題 -->
<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列的文字在主體後方模式,但你不需要在專案中保留原始的 presenter.mp4 —— 底層取代了它。當你想要僅提供兩個透明圖層,並讓使用者在其之間放置任意內容時,這非常有用。
輸出格式
| 格式 | 何時使用 |
|---|---|
.webm(VP9 + alpha) | 預設。組合透過 <video> 直接播放。 |
.mov(ProRes 4444) | 在 DaVinci/Premiere/FCP 中剪輯。檔案較大。 |
.png | 單張圖片去背(靜態主體,疊加於背景之上)。 |
Chrome 原生解碼 VP9 alpha,因此 .webm 可以像其他任何靜音自動播放影片一樣插入組合——請參閱 hyperframes 技能以了解 <video> 軌道慣例。
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 | 何時使用 |
|---|---|---|
fast | 30 | 疊代開發、較小檔案、顏色匹配較鬆散 |
balanced | 18 | 預設。對於大多數使用情況視覺上相同 |
best | 12 | 母版/最終交付。檔案最大、匹配最嚴格 |
合成模式 — 選擇正確的
去背後的 webm 是來源 mp4 RGB 的重新編碼副本。這個選擇會對其背後放置的內容產生影響:
| 模式 | 去背畫面背後是什麼 | 結果 |
|---|---|---|
| 去背畫面疊在另一個場景上(最常見) | 靜態圖片、漸層或不相關的影片 | 看起來很棒。去背畫面的 RGB 是主體的唯⼀來源——沒有重疊、沒有邊緣光暈。這是 remove-background 的設計用途。 |
| 去背畫面疊在其自身的來源 mp4 上(文字在主體後方) | 產生去背畫面時相同的 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,你會看到微弱的色偏 / 邊緣光暈。製作母版時請使用 --quality best(crf 12)。 |
| 去背畫面疊在同一個人的_不同_鏡頭上 | 同一位主體的不同片段 | 看起來會像兩個不同的人重疊。請勿這樣做。 |
文字在主體後方(標題位於簡報者背後):
<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:
- 將去背影片包在一個非計時的
<div>中,並動畫化該 wrapper 的不透明度,而不是影片元素本身。框架會強制啟用中的片段(任何具有data-start/data-duration屬性的元素)的不透明度為 1,因此直接動畫化影片的不透明度會被靜默覆蓋。Wrapper 沒有data-*屬性,因此它由你的 CSS/GSAP 控制。 - 兩個影片都使用
data-start="0"和data-media-start="0",這樣框架從 t=0 開始同步解碼它們。延遲掛載去背畫面(data-start=3.3)會引入一次 seek 和暖機,導致其畫面與基礎 mp4 相差一格——在切換時會出現一格的錯位。
然後使用 GSAP 在切換點翻轉 wrapper 的不透明度:tl.set(cutoutWrap, { opacity: 1 }, 3.3)。
TTS → 轉錄 → 字幕
當沒有預先錄製的旁白時,可生成一個並將其轉錄回來,以獲得用於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.j
…
[為翻譯而截斷]