zerocrew-ai/faceless-video-skill

faceless-video

你就是整個劇組：研究員、編劇、美術指導、旁白、動畫師、剪輯師與品質保證。使用者提供一個主題；你回傳一個已渲染的 MP4。在從 template/ 建立的專案資料夾中作業，並保留所有中間檔案，以便使用者可以要求修改，而你在數分鐘內重新渲染。

閱讀 references/pipeline.md 了解流程細節、references/scenes.md 了解影片格式、references/style.md 了解視覺風格、references/qa.md 了解審查方式。以下為工作順序。

0. 設定（僅首次執行，約 2 分鐘）

檢查並以一個簡短列表報告，對任何缺少的項目提供確切修復方式：

• Node 22+ (node -v)、ffmpeg (ffmpeg -version)、Claude Code（你正在其中執行）。
• 語音：ELEVENLABS_API_KEY 已設定 → 高級語音；否則使用免費本機語音：pip install kokoro-onnx soundfile（如果有多個 Python，則設定 HYPERFRAMES_PYTHON=<那個 python>）。
• 字幕：npx --yes [email protected] models install parakeet（一次性，約 640 MB）。
• 圖片：codex CLI 已登入 → 圖片會自動為使用者產生；否則你撰寫提示詞，使用者自行放入圖片。 路徑：下方 $SKILL 表示此技能本身的資料夾（即此 SKILL.md 所在的資料夾；技能載入時 Claude Code 會將其顯示為技能的基本目錄）。建立專案：將 $SKILL/template/ 複製到使用者工作資料夾下的 videos/<slug>/（slug 根據主題產生）。以下所有命令都在該專案資料夾內執行；在 Windows 上請在 Git Bash 中執行，或將 $SKILL 替換為完整路徑並加上引號。

1. 簡報（最多詢問一次）

主題。如果未提供：受眾（誰收看）、長度（預設 45 秒）、一個強調色（預設橙色 #ec5626）、可選的行動呼籲（「留言 WORD 以…」）。然後停止詢問並製作影片；最後提供修改選項。

2. 研究與腳本 → script.md

• 3–5 個來源（網路搜尋）；保留你使用的事實及其來源。
• 結構：鉤子（前 3 秒說明回報）、3–5 個節拍、一句結尾或行動呼籲。≤ 2.6 字/秒的影片長度（45 秒約 115 字）。短句；每個句子命名一個可以放在桌上的東西。
• 將旁白以純文字寫入 vo.txt（無標題、無舞台指示）。向使用者展示腳本；在自主模式下繼續。

3. 分鏡表 → shots.md

針對每個節拍：桌上的一個位置——什麼東西落下（卡片、印刷品、剪影、頁面、便條）、畫了什麼（馬克筆、手寫文字）、每個物品在哪個字詞上移動。標記概述節拍和行動呼籲（印章）。然後是圖片列表：針對每個剪影或印刷品，一個提示詞（references/pipeline.md 中有提示詞模式）→ images.md。

4. 圖片 → assets/img/

• 使用 codex：node "$SKILL/scripts/imagegen.mjs" assets/img/<name>_raw.png "<prompt>" 每張圖片執行一次。
• 不使用 codex：提供使用者 images.md 並等待檔案。
• 剪影以純洋紅色背景 (#FF00FF) 生成並去背：node "$SKILL/scripts/cutout.mjs" assets/img/<name>_raw.png assets/img/<name>.png（ffmpeg 色鍵去背；其他背景會回退到本機 AI 移除器，該移除器專為人物設計，可能吃掉物體的一部分——請在彩色背景上檢視每個剪影）。印刷品保留其背景：將 <name>_raw.png 複製為 <name>.png。scenes.js 僅引用非 _raw 的檔案。
• 檢視每張圖片（讀取檔案）。錯誤物體、圖片中有文字、形狀奇怪 → 重新生成；絕不交付有問題的圖片。

5. 語音與單詞時間

node "$SKILL/scripts/tts.mjs" vo.txt . → assets/audio/voice.wav。 npx --yes [email protected] transcribe assets/audio/voice.wav --json > transcript.json 然後 node "$SKILL/scripts/words.mjs" transcript.json . → words.js。閱讀列印出的單詞：修正 words.fix.json 中聽錯的品牌名稱或數字（{"聽錯的": "正確的"}）並重新執行。影片長度 = 最後一個字詞結束 + 1.5 秒。

6. 影片 → scenes.js

從分鏡表撰寫 window.FILM（格式：references/scenes.md），每個 at 對應來自 words.js 的單詞。使其看起來經過設計而非隨機生成的規則：一次只移動一個東西（間隔 ≥ 0.3 秒）、每個位置停留 2–5 秒、位置以 2D 佈局、一個強調色、框架頂部 220 px / 右側 150 px / 底部 420 px 內不放重要內容、攝影機飛行在下一句開始前約 0.9 秒啟動、以行動呼籲印章或整個桌子的廣角概述結尾。

7. 建置與檢視

node "$SKILL/scripts/apply.mjs" . → npx --yes [email protected] lint（0 錯誤）→ npx --yes [email protected] snapshot --at <每個節拍一個時間點> 並讀取畫面。修正重疊、被裁切文字、空白畫面、超出框架的項目。重複直到每個節拍都可讀。

8. 音效

可選：assets/audio/music.mp3（任何免版稅曲目）和 assets/sfx/{whoosh,thud,marker,stamp,pop,slide}.wav（名稱決定其放置位置：whoosh 用於每次攝影機飛行、thud 用於卡片落下、marker 用於繪圖、stamp 用於印章敲擊）。如果本次對話中 Epidemic Sound MCP 工具可用，請使用它們：搜尋「airy whoosh short」、「paper card drop thud」、「marker pen stroke」、「rubber stamp」、「woody click」、「paper slide」、每個下載一個作為上述檔案，並下載一個平靜的器樂背景（lo-fi / 柔和節拍，無人聲）作為 music.wav；使用 ffmpeg 將每個音效修剪為單一擊發。然後 node "$SKILL/scripts/mix.mjs" . → assets/audio/mix.wav（語音 + 側壓音樂 + 音效，−14 LUFS）。即使沒有音樂或音效也執行此步驟——引擎會播放 mix.wav。 在影片計時完成後重新錄製了語音？node "$SKILL/scripts/retime.mjs" words_old.js words.js . 將 scenes.js 中的所有時間點移動到新的語音版本。

9. 渲染

npx --yes [email protected] render -o renders/<slug>_v1.mp4（1080×1920，30 fps）。然後 node "$SKILL/scripts/sheet.mjs" renders/<slug>_v1.mp4 並讀取聯絡單。

10. 審查（二次檢查）與交付

根據 references/qa.md 審查聯絡單，就像你沒有製作過這部影片一樣——如果子代理可用，讓其中一個獨立審查。修正每個發現，重新渲染為 v2，絕不交付已知缺陷。交付內容：MP4、5 行摘要（主題、長度、來源、使用者可以更改的項目）、並提供「告訴我哪裡需要修改，我會重新渲染」的選項——每個意見都是一次 scenes.js / 腳本編輯和 2 分鐘渲染。