Treemation — 3D 教育影片 是做什麼的?
此技能會產出如 examples/zenhosta/(「Kok website bisa online?」)範例中的影片:
一個像素皮膚的主持人(方塊沙盒遊戲風格的角色,搭配像素化動畫臉孔),會根據使用者
的脈絡做調整,吉祥物「Byte」,一個會切換鏡位(臉部特寫、吉祥物特寫、
3D 插圖特寫、廣角、低角度)的相機,背景主題跟著主題變化,頂部有
步驟標籤與進度條,一個浮動的 3D 舞台用於道具,3D 場景(整個房間/地點——數據
中心、辦公室、倉庫、城市,或你自己的場景——建立在主持人身後,主
持人漂浮在它們前方,然後鏡頭飛進內部)、UI 面板在單詞被說出時精準
出現,大字幕(關鍵字為黃色),以及一個嘴巴跟著語音動的主持人。
所有與使用者的通訊皆使用印尼語(腳本、字幕以及聊天回覆)。
觸發規則(請先閱讀——使用者的話只需一句就足夠)
A. 使用者指定主題——例如「buat konten edukasi apa itu domain」、「bikin video soal cara kerja email, CTA ke tokoku.id」、「konten tiktok: kenapa harga emas naik」。
- 這是製作內容的要求,而非提問。不要在聊天中解釋該主題, 不要總結資料,也不要反問(「mau durasi berapa?」、「target penontonnya siapa?」、「pakai CTA?」)。
- 直接進入第一階段並使用下列預設值,然後以第一階段的格式
(
references/output-format.md)回覆:可直接複製到 ElevenLabs 的腳本、角色、縮圖、場景 表格、video-plan.json的路徑。最後用一句話結尾:「Kirim MP3 dari ElevenLabs, nanti langsung aku jadikan video.」 - 未指定時的預設值:時長約 60–70 秒(120–150 字)、2–4 個步驟(依主題而定)、
角色來自
karakter.md(使用者脈絡 → 利基 → 預設raka)、結尾 CTA 「Follow buat konten edukasi lainnya!」(無品牌)。如果使用者指定了品牌/網址,則 CTA 使用該品牌。 每個預設值之後都可以修改——在回覆中簡短提及即可,不要先詢問。 - 如果主題依賴可能變動的事實(價格、法規、近期數據),且你有 網路存取權限,請先查證;否則撰寫不依賴當前數字的腳本。
B. 使用者傳送 MP3(無論是否有附帶訊息)——執行第二階段至完成,無需
要求確認:尋找專案、對齊、撰寫 scenes.js、檢查靜態圖片、渲染、
縮圖、編碼、檢查結果,然後以第二階段的格式回覆。
- 尋找專案:
python <skill>/scripts/find_project.py會列出專案及其狀態。 使用plan.json存在但尚無音檔的專案(最近的)。MP3 檔案名稱 或使用者提及主題的訊息會優先於時間順序。只有在多個候選者同樣合理時,才問一個 簡短問題。 - 完全沒有專案 → 要求使用者貼上在 ElevenLabs 中朗讀的文字(對齊需要
確切的文字),然後圍繞該文字建立
plan.json而不改變其用詞,並繼續 執行第二階段。 - 音檔時長與預估值相差太多(> 25%)或
align.py標記許多片語為<-- cek→ 文字可能在 ElevenLabs 中被編輯過。要求使用者提供所使用的文字,更新計畫中的 旁白,然後重複。 - 中途停止的唯一原因:缺少相依套件(先詢問一次權限以安裝它)或 你無法自行修復的錯誤。
- 完整渲染可能需要一段時間;將其背景執行,等待期間製作縮圖, 並在會話支援時發布簡短的進度更新。
C. 使用者要求修改(「ganti karakternya jadi cewek berhijab」、「judul thumbnail
lebih singkat」、「warna merek biru」)→ 在同一專案中更改 plan.json/scenes.js。在
MP3 存在之前:僅重新發送第一階段回覆中已變更的部分。如果旁白改變了,
提醒使用者必須重新產生 MP3。在影片完成後:僅重新渲染所需的部分(僅縮圖,
或完整的影片)。
兩個階段的聊天回覆格式皆在 references/output-format.md 中——請嚴格遵循。
專案資料夾
一部影片 = 一個資料夾 video-<簡短主題>/(小寫、連字號,例如 video-apa-itu-domain)
位於工作目錄中。在第一階段建立它,並一次性設定完成:
python <skill>/scripts/setup_project.py video-<主題>
這會複製引擎(index.html、engine.js、pixelchar.js),透過 npm 安裝 three.js + 字型 +
圖示,建立 icons.js,並檢查 ffmpeg/numpy/playwright。如果某行以
PERLU: 開頭,請先安裝它所命名的項目(在安裝任何東西到使用者的
系統前,請先請求權限)。
完成時的資料夾內容:plan.json(由你撰寫)、scenes.js(由你撰寫)、narasi.mp3、
naskah-elevenlabs.txt、video-plan.json、timeline.js/json、frames/、previews/、video.mp4。
第一階段——概念 → 腳本 + 場景計畫
- 閱讀
references/naskah-dan-plan.md(如何撰寫腳本、plan.json結構、 姿勢、表情、吉祥物動作和音效的清單)。 - 從使用者的脈絡中選擇主持人角色(閱讀
references/karakter.md),並將其 寫入plan.json的characters中。執行python <skill>/scripts/preview_characters.py <project> --plan並查看結果;盡可能將previews/karakter.png包含在回覆中。 - 閱讀
references/hook.md。撰寫 3 個鉤子版本(不同類型),並為 第一個旁白句子和plan.json中的hook(大型螢幕文字、替代方案)挑選最強的。場景 1 必須滿足三層原則:在@start處有一個強烈的鏡頭、第一個字詞上有一個音效、 沒有問候/介紹。 - 撰寫
plan.json:6–9 個場景,依序為:鉤子 → 介紹(要點數量)→ 步驟 1..n → 回顧 → CTA,加上thumbnail(封面標題、要顯示的道具、主持人表情)——請參閱「縮圖」 一節。同時規劃每個場景的shots和background(章節「Shot kamera」 和「Latar adaptif」)。目標總詞數為 120–150 字(約 60–70 秒的 ElevenLabs 語音)。 如果某個步驟是關於一個地點(伺服器機房、倉庫、辦公室、街道、教室、工廠…),請閱讀references/sets.md,並在該場景中使用set(每支影片 1–2 組場景):主持人漂浮在 一個 3D 房間前方,鏡頭移動到位於旁白中提及的spot:、mark指向其 部件、fx使其活躍。如果一個地點不在內建的場景集中 → 在scenes.js中(第二階段)使用defineSet()來建立它。 - 執行
python <skill>/scripts/plan_timing.py <project>→ 建立video-plan.json(預估 時間)、naskah-elevenlabs.txt。檢查輸出:每個觸發詞都必須被找到、必須 列印出 「Cek hook: OK」,並且當使用場景集時,必須列印出 「Cek set 3D: OK」——修復每個 ⚠ 警告,並重新 執行。針對有場景集的影片的可選項目:plan_timing.py <project> --preview也會寫一個 預估的timeline.js,因此render.py --stills可以在 MP3 存在之前檢查場景集的外觀 (需要scenes.js;在第一階段中,一行就夠了:import { register } from './engine.js'; register({});)。 - 以
references/output-format.md中第一階段的格式回覆使用者:可直接貼上的 腳本區塊、發音備註、包含時間的場景表格,以及video-plan.json的路徑。 要求提供 MP3。
第二階段——MP3 → 影片
- 將音檔儲存為
<project>/narasi.mp3。 - 確認
plan.json中的旁白完全與所朗讀的文字一致(使用者可能已在 ElevenLabs 中編輯過腳本——如果不確定,請詢問;或檢查時長:與預估值差距很大 表示文字不同)。 python <skill>/scripts/align.py <project> --whisper→ 同步後的timeline.js、timeline.json、video-plan.json。使用--whisper(需要pip install faster-whisper;第一次下載 模型約 500 MB)每個字的時間來自真實的語音辨識,因此卡拉 OK 字幕 和嘴型同步會精準對齊;若無此參數,則使用暫停 + 音節對齊。如果 faster-whisper 未安裝,腳本會自動回退到舊方法。查看片語清單: 標記為<-- cek的行具有可疑的時長, 通常是因為文字與音檔不同,或 ElevenLabs 在意想不到的地方暫停。 如有需要,請修正計畫中的文字並重新執行。- 閱讀
references/engine-api.md(以及如果計畫使用set,則閱讀references/sets.md),然後撰寫<project>/scenes.js。先從複製examples/zenhosta/scenes.js中的模式開始。所有時間都使用T(sceneId, 'word'),而不要使用原始 秒數——這樣如果音檔被替換,所有內容仍會保持同步。 - 完整渲染前的視覺檢查:
python <skill>/scripts/render.py <project> --stills <每場景 3–4 秒>然後查看<project>/previews/中的圖片。每個鏡頭至少取一張靜態圖(對於場景集:每個spot:一張,以及在場景集建立時的一張)。檢查: 面板沒有遮住主持人的臉、邊緣沒有被切掉、字幕可讀、 道具出現在舞台上、沒有頁面錯誤。修正並重複,直到乾淨為止。這是品質 最重要的步驟。 要檢查動作(角色走位、背景轉場、鏡頭切換),請渲染一個 帶有聲音的短片:python <skill>/scripts/render.py <project> --clip 10 18→previews/clip_10-18.mp4。 - 完整渲染:
python <skill>/scripts/render.py <project>(如果中斷可恢復; 在多核心 CPU 上使用--workers N)。如果電腦有顯示卡,請先檢查render.py <project> --gpu --check-gpu;如果渲染器不是 SwiftShader,請使用--gpu渲染 (快 3–10 倍)。在完整渲染前,先比較一張--gpu靜態圖與 CPU 版本。 每個工作線程每幀約 0.3–0.6 秒。如果時間很長,請在背景執行並監控進度。 - 背景音樂:如果使用者傳送了音樂檔案(或
plan.json中設定了music),請使用它並搭配 自動音量降低(旁白說話時音樂音量降低)。如果沒有檔案,請使用--music auto(簡單的程式碼生成、免版稅音樂),並在回覆中說明使用者 可以用自己選擇的音樂替換它——切勿使用有版權的歌曲。 - 縮圖:
python <skill>/scripts/thumbnail.py <project>→<project>/thumbnail.png(1080×1920 封面)和previews/thumbnail-cek.png(安全區域輔助線)。查看檢查 圖片:標題和主持人臉部在紅色框內、標題未遮住臉部、道具可見。 調整props_from、stage或title_y並重複。可以在完整渲染運行時完成。 python <skill>/scripts/encode.py <project> <name>.mp4 [--music file.mp3|auto]→ 音效 會自動產生,以低音量混合在旁白下方(+ 音樂搭配音量降低),然後 編碼為 1080×1920 30 fps H.264 + AAC MP4。- 檢查最終 MP4 的幾個幀(ffmpeg
-ss <seconds> -frames:v 1),然後以references/output-format.md中第二階段的格式回覆。
原則
- 先同步,再美觀。 每個視覺元素都在解釋它的詞語被說出時出現。一個在 詞語說出前就出現的面板會感覺不對勁。
- 先有鉤子,再有內容。 前 3 秒決定影片是否會被觀看:鉤子
句子 ≤ 14 個字,沒有問候,螢幕上顯示不複製旁白的大字、
角色/道具從第一幀開始移動,並且承諾在 8 秒內開始被兌現(
references/hook.md)。 - 一個活生生的鏡頭,而不是靜止的。 每個場景至少有 2 個鏡位(
host_close、host_medium、mascot_close、illustration、wide、low_angle),並在正確的 詞語上進行剪接或移動——特寫用於鉤子/重擊點/CTA、illustration用於討論道具時(角色 先消失或滑出畫面,然後返回)、mascot_close用於反應。 UI 面板必須保持在當前鏡位的安全區域內。 - 背景跟著主題走。 每個場景(或關鍵詞)都有一個
background:色彩主題、粒子 圖案和與內容相符的主題圖示——冷色系使用冰藍色 + 雪、 伺服器使用二進位碼、CTA 使用暖色/品牌色。整支影片使用靜態單一背景 會讓人感到無聊。 - 嘴巴跟著母音走。 嘴型同步使用 5 種嘴型 A、I、U、E、O,按照每個
詞語的母音順序——「aku mau makan」→ A U A U A A——並在暫停時閉合。外語單詞透過
pronunciation的發音來讀取(references/karakter.md)。 - 角色永遠不擋鏡頭。 當專注於插圖時,角色要嘛瞬間消失(
hide,用於 剪接),要嘛在鏡頭移動前直線滑出到側邊(slide,用於移動)——不要轉身、不要 走到鏡頭前方。為了變化(僅在需要時),角色可以從下方、側邊或上方透過enter彈入。 - 一個地方變成舞台,而不是背景。 當旁白談到一個地方時,將其建構成 主持人後方的 3D 場景集(而不是背景圖片):主持人漂浮在它前面解釋, 然後鏡頭移動到被提及的部分,再回到主持人。單個物體留在浮動 島上。
- 一個時刻一個想法。 頂部區域(y 230–900 px)一次只保留一個主要元素:一個 UI 面板 或一個大型 3D 道具。清除前一個場景的元素。
- 符合脈絡但又原創的角色。 像素皮膚的主持人是根據規格(預設 + 髮型、服裝、顏色、配件、頭巾)從使用者的描述、品牌和利基中選擇的。 不要複製其他創作者、遊戲角色或品牌吉祥物的皮膚/角色—— 從參考圖片中,只取其風格。
- 準確的事實。 教育腳本必須正確;範例數字使用文件中的
範圍(例如 IP
203.0.113.x)或清晰的標籤。切勿發明統計數據。 - 誠實的 CTA。 如實陳述使用者的品牌/網址,不添加他們未提供的 宣稱(價格、促銷、「最好」、虛假的截止日期)。
- 每秒都活躍。 卡拉 OK 字幕、關鍵字上的變焦強調、重讀詞語上的點頭、眼睛 瞥向所指的方向、數字會彈出……永遠不要讓觀眾有理由 跳過。