yuyurun73-dev/bw-song-ad

/bw-song-ad — 黑白卡通歌曲廣告，直到完稿

2026-10-18，使用「おひさまパンツ H-OHI-023a」製作的流程。參考來源為 X 上的 WhiteHat MRR（骨密度・黑白卡通・約4分鐘）。 本人的反應是「歌太火了，簡直是神」。參考影片的真面目是並非短小的鈴聲，而是將長格式 VSL 的腳本近乎原封不動地唱出來。

順序（不可變更）

歌詞 → 歌曲（Suno） → 逐字時間對齊 → 場景分割 → 角色表 → 關鍵幀 → 影片化 → 背景匯出 → Remotion → 品檢。 歌曲就是時鐘。如果先製作畫面，會因為與歌曲節奏不符而全部重做。

S=~/.agents/skills/bw-song-ad
AD=<案件資料夾>/<廣告ID>        # lyrics.md / captions.txt / song/ / shots.py / keys/ / clips/ / remotion/
cp -R $S/remotion $AD/remotion && cd $AD/remotion && NODE_USE_ENV_PROXY=1 npm install

0. 先檢查庫存

如果同品牌之前做過圖片或影片，優先使用它們（查看各品牌的素材庫存表 ASSETS.md，新增時請追記）。 需要生成時，請先告知「圖片◯張・影片◯部・約◯點數」。本次實績：圖片61張約15點，Grok 影片61部約265點。

1. 歌詞（lyrics.md）— reference/lyrics.md 的格式

• 將 VSL 的段落逐段唱出。不押韻。應與參考一一對應： 專業人士開場 → 經典開場「不一樣」×3 → 更重要的事 → 原因不在你想像的地方 → 體內的盟友與反派 → 過去曾經順利 → 現在反派佔上風 → 問題從這裡開始（忽略的連鎖）→ 賣場全是同樣的東西 → 但改變了（解決方案）→ 前往文章（無需註冊）→ 庫存 →「已經不用再〜」×3 →「沒關係。點擊下方」
• 全部使用平假名。數字也寫平假名（Suno 對漢字和數字容易出錯）。
• 不唱商品名（用畫面標籤顯示）。不提及金額。承諾僅限於商品頁面範圍。
• 先展示再作曲。

2. 歌曲（Suno・Playwright）

• 僅登入由本人操作。其餘則將歌詞、Style、Title 輸入到 suno.com/create?mode=CUSTOM 然後 Create。
• Style（推薦）：1930s vintage upbeat jazz, old cartoon soundtrack, swing, clarinet, muted trumpet, ragtime piano, brushed snare, upright bass, warm female vocal, Japanese, clear diction, storytelling sung melody
• 每次會產生2首曲子。用 whisper 全部聽寫並對照歌詞，選取沒有走音的那首。
• 下載方式：前往歌曲頁面的 More options → Download → MP3 →「Unlock & Download」（使用一次免費額度）。cdn1.suno.ai 會回傳403，用於播放的 m4a 已加密。不採用從瀏覽器 blob 提取以規避次數限制的方法。
• 存放於 song/song.mp3。

3. 字幕文字（captions.txt）

• 歌詞每段一行。行內用 / 分隔（一個區塊＝畫面顯示一次的內容。大約12個字以內）。
• 改寫為容易閱讀的漢字假名混合日語（歌詞為平假名，但字幕使用一般表記）。
• 若想顯示為兩行，使用 |（例如：下方的按鈕|閱讀文章）。

4. 逐字時間對齊

uv run --python 3.12 --with openai-whisper python $S/scripts/align.py $AD

→ 產生 $AD/cap_events.json（每個區塊的 開始秒數・結束秒數）與 $AD/line_starts.json（每行的開始歌詞時間）。

• 不使用 whisper-cli 的行級時間。因為它會將前奏（沒有歌詞的前幾秒）視為從0秒開始唱歌，且行內也平均分配，導致字幕在「沒唱歌時仍向前推進」。
• 在歌曲停頓的地方（超過0.8秒）隱藏字幕。
• 若匹配率低於80%，表示歌曲走音或 captions.txt 與歌詞不符。

5. 場景分割（shots.py）

• 定義 STYLE（所有鏡頭通用的畫面風格描述）和 SHOTS = [(行號, 該行的第幾個鏡頭, 場景, 動作), ...]。
• 每個鏡頭2〜5秒。長行分割成2〜3個鏡頭。約3分半鐘約60個鏡頭。
• 長片不全部做成影片：若一半鏡頭使用靜態圖緩慢拉近，則影片生成量可減半。
• 角色：老師（鮑伯頭・圍裙）／媽媽（低丸子頭・條紋）／小孩（娃娃頭）／體內傳令兵2人（條紋連身褲・帽子）／反派（黑色圓形・角・海綿與吸管）／商品（實物花紋）。

6. 角色表與關鍵幀（Higgsfield gpt_image_2_5・9:16・每張0.25）

• 先製作一張角色表，之後的所有鏡頭都將角色表＋參考漫畫一格作為 image_references 傳入。
• 開頭加上 STYLE：black and white 1930s rubber-hose cartoon, thick clean ink lines, cross-hatching, grayscale only, vintage Fleischer-era look, slightly grainy film, soft dark round vignette, no text
• python3 $S/scripts/make_reqs.py $AD image → 每次12筆，呼叫 generate_image_batch。
• 讓小孩穿上衣服（內衣或尿布造型會因 NSFW 而被拒絕）。如果參考圖片中有內衣，也同樣會被拒絕。
• 商品需在提示詞中描述其實物花紋（若出現不存在的花紋則需重做）。
• 全部以連接觸控表檢視：確認畫風・無文字・符合角色表。

7. 影片化（Grok Imagine grok_video_v15_lite・720p・僅使用 start_image・1秒≒1點數）

• python3 $S/scripts/make_reqs.py $AD video → 每次12筆，呼叫 generate_video_batch。長度為負責區段＋0.5秒（3〜8秒）。
• 提示詞：「讓這張圖動起來：<動作>。保持相同畫風・構圖・角色，彈跳的橡膠軟管動作、底片閃爍、攝影機固定、無剪輯、無新增文字」。
• 若被拒絕且回傳 preset，則將 declined_preset_id 放入 params 重新提交。
• 將所有結尾幀並排檢視。 當商品轉向側面或旋轉時花紋會變形 → 只使用變形前的秒數（SRC_MAX），或讓正面部分來回播放。

8. 匯出背景（無文字）

python3 $S/scripts/bg.py $AD          # → 產生 $AD/bg.mp4（1080x1920・30fps）與 shot_starts.json

• 鏡頭切換時機對齊每行開始歌唱的時間（line_starts.json）。第一個鏡頭從0秒開始。
• 若前奏無歌詞，可考慮快速切換強烈場景（反派・大洪水・用印章壓扁等）來填補。

9. Remotion（$AD/remotion）

• 放置 public/bg.mp4（背景）・public/song.mp3・src/data.json： python3 $S/scripts/make_data.py $AD --hook-end 29.3 --cta 192.9 --brand 44,46,47,50 --hook-top "進行如廁訓練的媽媽們" --hook-main "尿布脫不掉" --hook-mark "真正的原因" --brand-name "<商品名>" --keys "<要變成黃色的關鍵詞,逗號分隔>"
• 疊加內容（src/SongAd.tsx）：
  • 上方鉤子：使用紙卡（黑色粗框・偏移陰影・略微傾斜），在最初1秒內讓觀眾了解「目標對象＋話題內容」。例如「進行如廁訓練的媽媽們／尿布脫不掉真正的原因」。
  • 字幕：黑色圓角白色粗體字，彈跳出現。只有關鍵詞使用黃色（黑白中唯一的色彩）。
  • 商品名標籤：僅在商品出現的鏡頭中，於上方以小字顯示。
  • CTA：從最後的「點擊下方」到結束，黃色箭頭三層向下流動彈跳＋「點擊下方按鈕|閱讀文章」。
• 渲染（此 Mac 上無頭 Chrome 會單獨崩潰 → 使用 chrome-wrap.sh，在沙箱外執行）：

cd $AD/remotion && NODE_USE_ENV_PROXY=1 npx remotion render src/index.ts SongAd out/<廣告ID>.mp4 --browser-executable=./chrome-wrap.sh --concurrency=6 --crf=20

• 交付時使用 -crf 23 -movflags +faststart 重新編碼（黑白噪點會使檔案變大。3分半鐘約200MB）。

10. 品檢（務必在開啟前執行）

• 讀取約每秒24格的接觸表：確認字幕與歌曲無偏移／沒有歌詞的地方未出現字幕／商品花紋未變形／CTA 箭頭在畫面內／無多餘文字。
• 特別檢視最初3秒（鉤子是否能一眼看出）。
• 建立 HTML 預覽頁面並開啟。廣告名稱直接使用 AdLab 發佈的名稱（H-XXX-000a）作為檔案名稱。

遇到的問題（本次實測）

• 字幕從開頭就偏移：歌詞從4.9秒開始，但 whisper-cli 卻從0秒開始計算 → 透過 align.py（使用 openai-whisper 的 word_timestamps 與 difflib 進行文字對齊）解決。
• 關鍵幀的 NSFW：小孩穿著內衣、參考圖片中的內衣 → 讓角色穿上衣服／在畫風提示詞中說明參考圖。
• 商品旋轉變形：Grok 經常讓商品轉向側面。只使用正面的秒數。
• 製作過量：本次一部影片使用了61張圖片＋61段影片。下次應利用庫存與靜態拉近鏡頭減半數量。
• 長段結尾文字有一個字掉到下一行 → 使用 | 指定行數。

相關：reference/lyrics.md（歌詞格式與實例）、/zackd-ad（3D 動畫類型）、AdLab（製作前先註冊假說）。