Video Podcast Maker Lite
一個專為個人使用設計的單一用途管線:主題 → 旁白腳本 → Azure TTS (SSML) → Remotion → 1080p/4K MP4。不依賴外部技能、無需設定檔、沒有捆綁模板——Remotion組合會根據下方契約生成一次,然後在各影片間重複使用。
前置需求
pip3 install azure-cognitiveservices-speech # 唯一的 Python 依賴
export AZURE_SPEECH_KEY="..." # Azure Speech 資源金鑰
export AZURE_SPEECH_REGION="..." # 例如 eastasia
# 需要 ffmpeg 和 node 18+;需有一個已執行 npm install 的 Remotion 專案
# 僅步驟 5 的背景音樂擷取需要 Playwright MCP(會話瀏覽器)
專案探索(在步驟 1 之前執行)
- 找到 Remotion 專案——包含
src/remotion/index.ts和node_modules/remotion/的目錄。先檢查目前工作目錄;如果不在那裡,請詢問使用者專案路徑。不要掃描檔案系統,如果其他地方已有專案,也不要建立新專案。 - 盤點現有影片——
ls videos/和ls src/remotion/*Video.tsx。最新的一個*Video.tsx是在步驟 3 中要複製的元件;videos/顯示哪些影片已經存在。 - 已有
videos/{name}/? 那麼這是對該影片的迭代,而不是新影片——重複使用目錄並僅重新執行已變更的內容(請參閱迭代)。 - 沒有任何專案(僅首次執行)→ 在工作目錄中建立一次:
npm init -y && npm i remotion @remotion/cli @remotion/transitions react react-dom,建立src/remotion/,並提醒使用者這是一次性的大約 2 GB 安裝。後續所有影片都會跳過此步驟。
工作流程(6 個步驟)
從專案根目錄執行所有命令。一個影片的所有成品都存放在專案內的 videos/{name}/ 中。{name} 是英文小寫,以連字號分隔。
步驟 1 — 撰寫腳本:videos/{name}/podcast.txt
每個影片段落一個 [SECTION:xxx] 標記;段落名稱是英文小寫(hero、content-1、outro)。可選的顯示標題放在 | 之後——[SECTION:outro|thanks]——它標示進度條上的標籤和預設版面(如果沒有,標籤會從第一句話推導出來,這可能會很奇怪)。以 # 開頭的行會被忽略(並且可以安全地提及標記)。僅包含口語文字——不含 Markdown——並遵循下方腳本風格規則。範例:
# 註解行不會被朗讀
[SECTION:hero|intro]
歡迎來到本期影片!今天我們要聊一個大家都關心的話題。
[SECTION:content-1|point 1]
首先,我們來看第一個要點。這裡有幾個關鍵資訊需要你知道。
[SECTION:outro|thanks]
好了,今天的內容就到這裡。如果覺得有幫助,歡迎按讚訂閱,我們下期再見!
腳本風格(反 AI 風味,繁體中文)
在撰寫時套用,然後在 TTS 前進行自我檢查。目標:日常口語中文,而不是帶有逗號的書面散文。(源自完整技能的 natural-narration.md + script-polish.md——這些是規範來源;先在那些檔案中編輯規則,然後在此處鏡像。)
連接詞替換(書面 → 口語):此外→還有 · 然而→但是 · 因此→所以 · 與此同時→這時候 · 總的來說/綜上所述→刪掉 · 首先/其次/最後→直接講下一件事。
禁用清單(改寫或刪除):賦能、打造、深入探討、值得一提/值得注意的是、眾所周知、至關重要、革命性、顛覆、天花板、無縫、閉環、抓手、里程碑、標誌著、未來可期、讓我們拭目以待。
結構性跡象——修正模式:
| 模式 | 修正 |
|---|---|
| 動詞-名詞殼層:進行優化/實現增長/做出選擇 | 具體動作 + 結果:「把審批從三步改成一步」 |
| 否定對比:不是 X,而是 Y | 直接陳述 Y |
| 三層並列:既是…又是…更是… | 保留資訊量最大的項目;兩個優於三個 |
| 空洞強調詞:顯著/大幅/非常 | 一個數字或可感知的結果 |
| 模糊歸因:業內普遍認為/有專家指出 | 具名來源 + 日期,否則刪除該句子 |
| 口號式結尾:未來可期/注入新的活力 | 落腳於具體事實:數字、日期、下一步行動 |
為耳朵而寫:一個句子一個想法,主詞在前,變化句子長度,不要嵌套從句,不要使用 — 或 · 作為連接詞(它們不會被朗讀且會弄亂字幕)。輕度第一人稱沒問題(「我實測下來」)。
字幕就是腳本,逐字——所以請以它們在螢幕上應有的樣子來書寫數字:阿拉伯數字(3.8、63K、98.8%、128G),永遠不要使用中文數字(六十五點一 / 三百九十七)。同樣的數字規則也適用於 Remotion 元件中的螢幕文字(卡片、標題)。不要為了修正發音而在腳本中寫出口語形式——它會洩漏到字幕中。tts.py 自己推導出口語層:每個包含數字的 token(86.1、9B、5600、Qwen3.5)在合成前都會被轉換為其中文讀法(八十六點一、九B、五千六百、千問三點五),然後詞邊界會被映射回來,以便字幕保留顯示文字。(像 zh-CN-XiaoxiaoMultilingualNeural 這樣的多語言語音在混合上下文中會以英文讀出裸數字——正是這一層防止了這種情況。曾嘗試過 SSML <sub alias> 但放棄了:Azure 的詞邊界事件對 <sub> 有 bug 且會損壞 SRT。)
數字必須可追溯——沒有來源的精確數字是捏造的;刪掉它或標明來源。
步驟 2 前的自我檢查:沒有禁用清單中的詞?沒有「不是…而是…」?沒有口號式結尾?把每個段落大聲讀出來——如果結巴了,就拆分句子。
停止——腳本審查關卡(強制):當 podcast.txt 寫好後,暫停管線並將腳本交給使用者審查。在使用者明確批准腳本之前,不要執行 TTS(步驟 2)。這個關卡排在所有下游工作之前——音訊、時間點和視覺進場都源自腳本,所以晚期的腳本更改會導致完全重新執行。
步驟 2 — TTS
python3 "${SKILL_DIR}/scripts/tts.py" videos/{name}/podcast.txt videos/{name}/
先執行 --check(僅 lint,不合成,免費)以在付費合成前捕捉多音字和別名遺漏。
產生 podcast_audio.wav + podcast_audio.srt + timing.json + cues.json(每個提示的文字、全域影格和 section_frame——用它來對齊元件中的視覺進場,而不是手動解析 srt)。每個段落透過 SSML 單獨合成並串接,因此段落時間點是精確的。字幕提示以短語為優先:一個句子如果在 30 個可見字元內則完整顯示;較長的句子從逗號/分號子句打包(每個提示約 22 個字);過長的子句在其最接近中間的詞邊界處切斷,永遠不在詞中間切斷;微小的結尾提示會合併到前一個提示中僅限於同一段落內(下一個段落的第一個短句子絕不能流入上一個段落的最後一個提示中)。在現有的 timing.json 上重新執行會列印每個段落的時長差異;任何移動超過 0.3 秒的段落表示元件的硬編碼進場延遲需要根據新的 cues.json 重新對齊。
參數:--voice(預設 zh-CN-XiaoxiaoNeural)、--style(mstts:express-as,例如 gentle / cheerful——堅持只使用這兩個;其他的聽起來可能很勉強)、--rate(韻律,例如 -4%)、--phonemes(用於多音字的全詞拼音字典,如 命令行/同行;預設情況下 ~/.video-podcast-maker/phonemes.json 和輸入旁的 phonemes.json 會被合併——每個影片的條目優先)、--aliases(發音別名 顯示→口語,例如 "Ornith-1.5": "Ornith 一點五";與 aliases.json 使用相同的合併順序)。環境變數後備:TTS_VOICE / TTS_STYLE / TTS_RATE。為了在不同影片間保持一致的聲音,可以在 shell 設定檔中設定一次(例如 TTS_VOICE=zh-CN-XiaoxiaoMultilingualNeural TTS_RATE=+5%),而不是每次都傳遞旗標。
發音:多音字預檢、已知誤讀模式、別名字典機制以及內建的口語層行為在 references/pronunciation.md 中有說明——在針對新主題進行首次 TTS 執行前請閱讀它。
步驟 3 — 組合視覺元素
- 第一個影片:根據組合契約生成組合(
src/remotion/下的index.ts+Root.tsx+Video.tsx)。 - 後續每個影片:複製前一個影片的元件並編輯——永遠不要再從契約開始。
一個 Remotion 專案承載所有影片;一個新影片剛好新增一個元件檔案和一個 <Composition> 註冊:
project-root/ # 一個專案,npm install 一次
├── src/remotion/
│ ├── index.ts # registerRoot — 共享,永不變動
│ ├── Root.tsx # 每個影片一個 <Composition id="…">
│ ├── DemoVideo.tsx # 每個影片的元件(複製上一個並編輯)
│ └── NextTopicVideo.tsx
└── videos/{name}/ # 每個影片的成品:podcast.txt, wav, srt, timing.json, mp4
每個影片:選擇一個唯一的 PascalCase 元件/組合 ID(例如 ReferenceManagerComparison),設定標題/顏色,並為每個段落名稱指定一個版面(switch (section.name) 配合 hero / content-N / outro 效果不錯)。
視覺豐富度(預設風格——純文字框不是目標外觀):每個資訊卡片、流程框、標籤和統計資料格都帶有一個前置 emoji(或者當它描繪真實產品時使用 @lobehub/icons 品牌元件);每個元素最多一個,並且永遠不要在 MONO 值行內部使用(emoji 會破壞等寬對齊——將其放在標籤/標題上)。保持一個概念 = 一個 emoji 的映射在整個影片中一致,並針對主題有品味地挑選(日期/參數/速度/成本各自有一個明顯的匹配項;由 agent 選擇)。每個段落也至少有一個視覺錨點(插圖):優先使用官方素材(產品橫幅、規格卡、螢幕截圖),否則使用免費插圖或圖示集(unDraw SVG、Pixabay/Pexels 圖片、OpenMoji / Microsoft Fluent Emoji / Google Noto Emoji、@lobe/icons 用於品牌標誌)——在 publish_info 的 asset-sources 部分注明來源 + 授權(需要標註出處的集合,如 Flaticon 的免費層級,必須在影片描述中致謝)。Emoji 裝飾 UI 卡片,插圖錨定段落;兩者不互相取代。
步驟 4 — 預覽(強制人工關卡)
npx remotion studio src/remotion/index.ts --public-dir videos/{name}/
必須啟動 Studio 並等待使用者親自審查。在使用者明確確認(「渲染」 / "render")之前,永遠不要渲染。調整請求不是確認——套用變更,讓 Studio 熱重載,然後再次詢問。每一輪視覺變更都需要自己全新的確認;確認永遠不會延續到步驟 5。
步驟 5 — 渲染 + 背景音樂
渲染:
npx remotion render src/remotion/index.ts MyVideo videos/{name}/output.mp4 --public-dir videos/{name}/
背景音樂(預設;僅在使用者說不想要音樂時才跳過):從 Pixabay Music 擷取一個隨機曲目並以低音量混合(旁白保持主導)。Pixabay 授權:免版稅,可商業使用,無需署名——但仍然在 publish_info 的 asset-sources 部分記錄標題/作者。
如何擷取(2026-08-25 驗證):Pixabay 的搜尋/列表頁面是客戶端渲染的,對非瀏覽器客戶端有 Cloudflare 閘門,但在真實瀏覽器中開啟的單一曲目頁面會在其 JSON-LD 中嵌入完整曲目下載 URL,然後該 cdn.pixabay.com URL 可以透過普通 curl 下載。
-
使用會話瀏覽器(Playwright MCP),開啟一個搜尋頁面——
https://pixabay.com/music/search/cinematic/(或relaxing/ambient,如果需要更平靜的背景)。 -
收集匹配
/music/<slug>-<id>/的結果連結(排除/music/search/和包含語言前綴的例如/de/music/...),隨機挑選一個,開啟它。 -
讀取曲目的 JSON-LD(
script[type=application/ld+json"]→AudioObject):contentUrl(完整曲目 MP3)、name、creator.name、duration。偏好 ~1.5–8 分鐘;如果超出範圍,開啟另一個連結。如果頁面的 JSON-LD 沒有contentUrl(版面已更改),停止重試——請使用者挑選一個曲目並提供下載 URL。 -
使用 curl 下載(瀏覽器 UA +
Referer: https://pixabay.com/——經驗證有效):curl -sL -A "<browser UA>" -H "Referer: https://pixabay.com/" "<contentUrl>" -o videos/{name}/bgm.mp3
混合(背景音樂低音量;loudnorm 階段是必要的——沒有它混合後的平均音量約為 -32 dB,太安靜了大約 10 dB):
ffmpeg -y -i videos/{name}/output.mp4 -i videos/{name}/bgm.mp3 -filter_complex "[1:a]volume=0.08[bg];[0:a][bg]amix=inputs=2:duration=first[a];[a]loudnorm=I=-16:TP=-1.5:LRA=11[out]" -map 0:v -map "[out]" -c:v copy -shortest videos/{name}/final_video.mp4
一旦渲染被確認,請停止 Studio 伺服器——殘留的 Studio 會佔用其連接埠並持續監控檔案。
步驟 6 — 交付附加項目(僅當使用者的管線包含它們時)
在步驟 5 之後渲染,按此順序:
- 封面靜態圖片:透過
npx remotion still取得的 16:9 + 4:3 縮圖靜態圖片——先刪除舊的 PNG,still 會跳過現有檔案。 - 背景音樂響度檢查:
ffmpeg -i final_video.mp4 -af volumedetect -f null -,平均約 -19 到 -22 dB,最大約 -1.5 dB。 publish_info.md:標題 / 描述 / 標籤 / 章節時間戳(章節從timing.json推導)。assets/manifest.json:素材來源。- 儲存庫層級的記帳:索引/主題產生器(例如
VIDEO_INDEX.md建構器)通常根據publish_info.md標題進行操作,並且分類腳本可能拒絕執行,直到新影片目錄被添加到它們的指派映射中——在發布成品就位後執行它們。
組契約
組合透過 staticFile() 從 --public-dir videos/{name}/ 消費三個檔案:podcast_audio.wav、podcast_audio.srt 和 timing.json:
{
"total_duration": 32.1,
"fps": 30,
"total_frames": 964,
"sections": [{ "name": "hero", "label": "…", "start_time": 0, "duration": 11.8, "start_frame": 0, "duration_frames": 355 }]
}
生成組契約時的不可協商事項(每一項都是如果遺漏則會發生的真實失敗模式):
- 音訊是主時鐘——
calculateMetadata在執行時傳回durationInFrames = timing.total_frames。永遠不要硬編碼時長。解析度依專案慣例:1920×1080 @ 30fps,或透過包裝器縮放 1920×1080 的 4K(3840×2160)。
...
[為翻譯而截斷]