Communitygithub.com

自動化教學影片工作室

給定網站地址、軟體名稱和一份粗略章節大綱,由技能驅動真實操作、由用戶用外部錄屏工具採集,再對採集到的影片做逐句對位剪輯、動效疊加、轉場、BGM 壓低、逐幀遮擋校驗並匯出可播放成片。用於製作實作教學影片。

自動化教學影片工作室 是什麼?

此技能為一個自動化教學影片製作工作室,專注於生成高品質的軟體實作教學影片。它能根據用戶提供的網站地址、軟體名稱和章節大綱,自動驅動瀏覽器或桌面應用程式的真實操作流程。技能本身不負責螢幕錄製,而是交由用戶使用外部工具(如 OBS)進行,錄製完成後再將影片素材匯入。隨後,技能會自動執行逐句對位剪輯、添加動態效果與轉場、壓低背景音樂以避免干擾人聲、並進行逐幀遮擋審計(例如檢查是否有控制台視窗意外錄入),最終產出符合響度標準(-16 LUFS)的成品影片。支援的範例平台包括 Claude Code、Coder、Cursor 等開發者工具與 AI Agent 場景,其工作流程涵蓋劇本撰寫、配音、真實操作、後期製作與品質驗收,是一個從無到有的完整影片生產管線。

相容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/wildmai/video-skills/tree/main/auto-tutorial-studio

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

自動化教學影片工作室 是做什麼的?

給定一個網站地址或軟體名稱,再給一份粗略的章節順序,本技能負責:

驅動真實操作 → 通知用戶錄製 → 導入採集素材 → 建立可檢索索引 → 逐句對位剪輯 → 動效與轉場 → 逐幀校驗 → 成片

分工:技能做什麼,用戶做什麼

誰來做說明
錄製畫面用戶用戶用 OBS / ShareX / 系統錄屏等外部工具錄,技能不錄屏。外部錄製保留原生解析度與清晰度,也能錄進系統聲音
真實操作技能技能用瀏覽器 CDP 或視窗自動化完成每一步,並記錄操作位置
剪輯、配音、動效、校驗技能全部自動化,帶閘門
素材入庫用戶操作結束後把錄好的影片給技能(路徑即可)

技能不佔用用戶的硬體滑鼠:瀏覽器操作走 CDP 元素點擊,不移動真實指標。

七條鐵律

  1. 採集歸用戶,技能不錄屏。 技能只負責操作與後期。用戶錄完必須把檔案交給技能。
  2. 操作歸技能,錄製視窗歸用戶。 技能在用戶宣布「開始錄製」後才動手,操作結束立刻通知用戶停止錄製。
  3. 錄製期間螢幕上不能有控制台。 技能自己的每一條命令都必須無視窗執行, 並且開啟 guard 把新彈出的控制台和浮層立刻藏掉——它們都會被錄進去。
  4. 只藏視窗,不關視窗。 用 SW_HIDE,用 guard stop 統一恢復。
  5. 每一鏡繫結一句口播。 plan.json 裡每個 beat 宣告它服務於第幾句口播,章節總長必須等於該章口播總長。
  6. 念出來的數字必須從真實介面讀到。 頂點數、價格、版本號一律以介面為準。
  7. 遮擋審計是閘門,不是報告。 構建前逐幀 OCR 出片視窗,發現控制台 / 通知 / 啟動頁就拒絕出片。 BGM 要給人聲讓位,成片 −16 LUFS、真峰 ≤ −1.5 dBFS。

階段 0 · 立項

確認三件事,缺一不可:

  • 目標:網站地址或桌面軟體的名稱、版本。
  • 大綱:章節順序(用戶給粗略的就行,細節由技能補)。
  • 錄製方案:用戶用什麼錄屏工具、錄哪塊顯示器、是否錄系統聲音、輸出格式與解析度。

同時確定採集範圍(錄整屏還是某個視窗)和是否分段錄製。 一段一功能的多次錄製最好維護;一次錄全流程也可以,靠索引定位。

階段 1 · 寫稿

build/script.md,每章一個 ## 標題,格式是 ## <章節ID> | <顯示標題>:

## ch00 | 開場

先看我做出來的東西。

這個手辦是從一張圖生成的。

## ch01 | 註冊與登入

官網是 hi3d.ai,瀏覽器打開就能用。
  • 章節ID 只能是小寫字母、數字、底線、連字號(TTS 清單要求),必須與 plan.json 的章節 id 完全一致。 同一章的多段自動編成 ch01、ch01_1、ch01_2。
  • 顯示標題 給章節卡用,可以是中文。
  • 章節ID 之間不要互為前綴(ch0 與 ch01 會串),建議統一用 chNN。
  • 開頭先給成果(最有辨識度的畫面),再回到操作。
  • 邊緣功能一句話帶過,篇幅留給「決定結果的那幾個參數」和「怎麼檢查做對了」。
  • 提示詞、程式碼、配置用 ``` 圍欄程式碼塊儲存——程式碼塊不會被念出來,只作畫面。
  • 每段口播都要有對應的真實畫面;暫時沒有畫面的段落,改寫成畫面能證明的話。

階段 2 · 配音

python scripts/studio.py voice --project <項目>

按 ## <章節ID> | <標題> 切章、空行斷句、程式碼塊和 > 備註跳過,產出 build/audio_map.json,每段帶實測時長。

關注輸出的 chars/s:低於 3.0 的段落是 TTS 異常(某次合成被拉長),改寫後重新生成,不要帶著它進剪輯。

階段 3 · 實作與外部錄製 ★

這是本技能的核心環節。

3.1 準備錄製環境

python scripts/studio.py windows                      # 找到目標視窗
python scripts/studio.py prep --project <項目> \
    --keep-title "Chrome" --maximize-title "Chrome"   # 藏掉無關視窗,目標視窗最大化

prep 永遠不會藏技能自己的終端(按祖先 PID 排除)。

3.2 啟動螢幕守衛 ★

這一步不能省。 技能在操作過程中會執行命令(ffmpeg、ffprobe、python 子程序), 每一個都可能跳出一個控制台視窗,正好落在用戶的採集屏上被錄進去。

python scripts/studio.py guard start --project <項目> \
    --protect "DeepSeek Harness" --protect "Chrome"

守衛是一個獨立的後台程序,每 0.25 秒掃一遍視窗列表,把新出現的控制台類視窗 (ConsoleWindowClass、cmd、PowerShell、終端、xshell 等)和輸入法 / 通知浮層 立即 SW_HIDE 掉。它記住藏過哪些視窗,guard stop 時原樣恢復。

  • --protect 保護正在演示的程序(按標題匹配,必須傳)。
  • 預設只藏技能自己程序樹裡的控制台視窗,不藏 GUI——用戶的對話介面保持可見。
  • 需要連 GUI 一起藏時加 --hide-own-gui。
  • 守衛的判據是「真實重疊」:只壓到採集區幾像素的視窗(在另一塊螢幕上的)不會被誤藏。

3.3 通知用戶開始

明確告訴用戶:請開始錄製,完成後回覆「已錄製」。 在用戶確認之前不要動手——否則這段準備動作會被錄進去。

3.4 執行真實操作

按章節順序操作,每一步:

  • 瀏覽器:用 CDP 元素點擊,不移動真實滑鼠。 點擊前把座標記下來,後面標註要用:python scripts/studio.py aim <項目> <x> <y> --note "匯出格式"。
  • 桌面軟體:視窗啟動 + 鍵盤優先;確需點擊時用真實滑鼠,但要提醒用戶錄製期間不要動滑鼠。
  • 需要確認狀態時,不必打斷用戶——自己抓一幀看一眼:
python scripts/studio.py shot --out <項目>/build/check.png
  • 登入、授權、驗證碼:保持錄製,由用戶自己完成,技能只負責確認是否成功。 剪掉憑證、驗證碼、金鑰——可以在登入前和成功後分段錄製,再按依賴順序拼接。
  • 技能自己的每一條命令都必須無視窗執行:scripts/h.ps1 以 CreateNoWindow 啟動子程序,技能內部的子程序一律帶 CREATE_NO_WINDOW。

3.5 通知用戶停止

操作全部做完後立刻告訴用戶:操作結束,請停止錄製,並把影片檔案路徑給我。 等待用戶返回路徑。不要自行去找或刪除任何錄製檔案。

3.6 收尾

python scripts/studio.py guard stop --project <項目>      # 停止守衛並恢復視窗
python scripts/studio.py guard status --project <項目>    # 確認採集螢幕上沒有殘留的控制台

guard status 會列出採集區裡仍然可見的控制台類視窗——必須為空才算乾淨。 如果有殘留,說明有程序在反覆彈跳視窗,讓用戶重錄那一段。

階段 4 · 導入素材並建立索引

python scripts/studio.py import --project <項目> --file "D:\video\rec.mp4"
python scripts/studio.py index  --project <項目> --clip rec.mp4 --step 2

index 按固定步長掃描整段錄影,逐幀 OCR 並記錄:

  • 每一時刻螢幕上有什麼文字(用來查某一秒在做什麼);
  • 視覺變化點(天然的切點);
  • 污染區間(控制台 / 通知氣泡 / 啟動頁,要避開)。

產出 build/index_<名字>.txt(可直接檢索)和 .json(結構化)。 排鏡頭前先讀索引,不要憑印象猜時間碼。

階段 5 · 排鏡頭

build/plan.json:

{
  "display": {"region": [0, 0, 1920, 1080]},
  "voice": {"voice": "zh-CN-XiaoxiaoNeural", "rate": "+8%"},
  "chapters": [
    {
      "id": "ch02", "num": "02", "title": "文生圖", "sub": "三段式提示詞,決定還原度",
      "beats": [
        {"seg": 0, "src": "rec.mp4", "in": 120,  "out": 134},
        {"seg": 1, "src": "rec.mp4", "in": 136,  "out": 152, "zoom": 1.0}
      ],
      "callouts": [
        {"seg": 1, "offset": 1.0, "text": "提示詞三段\n角色 → 材質 → 構圖",
         "x": 120, "y": 680, "pointer": "up"}
      ]
    }
  ]
}
  • src 是 raw/ 裡的檔案名(由 import 導入的用戶錄影),in/out 是秒。
  • seg 是這一鏡服務於第幾句口播,按章節內計,從 0 開始。
  • zoom > 1 做推近(靜態裁切放大)。
  • callouts 用 seg + offset 定位標註出現的時刻,跟著口播走;x/y 是標註位置(可用 aim 記下的操作座標)。
  • 章節 id 必須等於 script.md 的章節ID,也必須等於 audio_map.json 的段前綴。
  • 完整範例見 assets/plan.example.json。

排鏡頭的規矩:

  • 一鏡服務一個操作重點,鏡頭長度由那句口播決定。
  • 名稱出現前或同時到達相應控制項;關鍵反饋出現時留閱讀時間。
  • 相鄰控制項盡量共用一次取景,不要頻繁跳。
  • 合理壓縮真實等待,但保留「觸發動做 → 處理反饋」可辨認的時間。
  • 缺畫面的段落,改寫成畫面能證明的話,或者補錄。
  • 避開索引標出的污染區間。

階段 6 · 剪輯、校驗、交付

python scripts/studio.py build  --project <項目>
python scripts/studio.py verify --video <項目>/final.mp4 --expect-duration <口播總長>

build 自動完成:逐句配時切鏡 → 章節標題卡 → 標註疊加 → 交叉溶解轉場樹 → BGM 側鏈壓低 → 響度歸一。

BGM:把音樂放到 build/bgm.wav(或 build/bgm_final.wav),構建器按人聲包絡算出壓低曲線後混入。 沒有這個檔案也能出片,只是沒有背景音樂。

審計不通過時:按 build/audit.txt 的時間碼換視窗或補錄,改 plan.json 重跑。 常見做法是把受污染的 in/out 整體挪到乾淨區間,或讓用戶補錄那一段。

交付前自查:

  • 檔案能完整播放,畫面與聲音軌道完整,時長貼近口播總長。
  • 逐幀 OCR 審計零問題。
  • 以正常速度看和聽整片,重點回查:前 3–10 秒、每個功能切換、提交與成果、數字專名、等候段、結尾。
  • 每個講解點都找得到對應游標落點;沒有大段靜態換圖、沒有無內容停頓、BGM 沒蓋人聲。

命令速查

studio init   <項目>                     # 建項目骨架
studio windows                            # 列視窗,找操作目標
studio prep   --project <項目> --maximize-title "Chrome"
studio guard  start --project <項目> --protect "Chrome"    # ★ 錄製期間保持採集螢幕乾淨
studio shot   --out check.png            # 抓一幀確認狀態
studio aim    --project <項目> 1001 720 --note "匯出格式"
studio guard  stop  --project <項目>      # 停止守衛並恢復視窗
studio guard  status --project <項目>     # 確認沒有殘留控制台
studio import --project <項目> --file rec.mp4
studio index  --project <項目> --clip rec.mp4
studio voice  --project <項目>
studio build  --project <項目>
studio audit  --project <項目>
studio verify --video final.mp4
studio status --project <項目>

參考

  • references/production.md — 錄屏、配音、剪輯、混音、驗收細則
  • references/troubleshooting.md — 症狀 → 根因 → 修法
  • assets/plan.example.json — 鏡頭計畫完整範例

Individual skills in this repo

This repo contains 4 individual skills — each has its own dedicated page.

jianying-subtitle

从剪映(JianyingPro)草稿提取字幕生成标准 SRT,并自动审查改正错别字、重复字词、他/它指代错误、断句碎片、词语分割和语句不通顺。Use when user provides a JianyingPro draft directory path (containing draft_content.json) and wants to (1) extract subtitles to SRT, (2) review subtitles and list errors (typos, repeated words, 他/它 errors, sentence fragments, split words, ill-formed sentences), or (3) apply fixes back into the draft (write_back). Especially useful when a video was exported from Jianying and the user wants to find and correct ASR subtitle issues.

outline-to-video

把「一份视频大纲 + 一个素材视频目录」做成完整的知识/干货讲解成片:清点并转写素材视频、按大纲匹配相关片段、编写带钩子与节奏设计的口播脚本、用免费的 Edge TTS 出试听稿等用户确认,确认后再用豆包声音复刻配音并渲染输出 MP4。当用户说"按大纲做视频""把这些录屏剪成讲解视频""根据大纲配音出片""大纲出片""outline to video"时使用。

web-video-presentation

把一篇文章或口播稿,做成"看起来像视频"的点击驱动 16:9 网页演示,可选合成口播音频。流程:原始文章 → **一次产出**口播稿 + outline 开发计划 → 用户**一次对齐** 5 件事(稿子 / outline / 主题 / 素材 / 开发模式)→ 网页开发(逐章 / 顺序 / 并行)→ 可选音频合成(provider-agnostic:内置 MiniMax mmx-cli + OpenAI TTS,可换 ElevenLabs / edge-tts / Azure / 自带 TTS)。**outline 只规划节奏与信息密度,不规划动画** —— 动画由章节开发时按 PRINCIPLES + ANTI-AI 法则即时设计。每次点击推进口播稿的一个节拍,每一步独占整屏,进度条平时隐藏只在悬浮时出现。适用场景:用网页做视频(动态 PPT 但不像 PPT)、把口播稿 / 文章变成可交互的解说、为 B 站 / YouTube / 视频号录屏教程、做有电影感的产品 / talk demo。本 Skill 沉淀的是设计方法论 + 协作流程 —— 不绑定任何特定样式 / 字体 / 颜色 —— 因此能复用到任意主题与美学。

youtube-viral-thumbnail-designer

Create high-click-through YouTube thumbnails from a video summary, script opening, product test result, or brief topic description. Use this skill when the user asks to design, redesign, generate, or evaluate a YouTube thumbnail, especially for AI, AI coding, agents, software development, model benchmarks, technical tutorials, product tests, workflow automation, and industry-opinion videos. The skill automatically extracts the strongest click hook, compresses it into a short judgment-led headline, selects one visual composition, preserves mobile readability, and follows the formula: one strong judgment + one strong visual subject + one credible proof + generous whitespace.

相關技能