Vincentwei1021/video-talkcraft

Latest recorded source activity: October 12, 2026 at 05:29

SkillsMP catalog refreshed: November 2, 2026 at 18:02

skills collected: 1

GitHub stars: 2,021
GitHub forks: 207

Install with an AI assistant

Copy this prompt into the AI assistant you're using.

Follow https://skillsmp.com/skill-install/prompt.md to install Agent Skills from https://github.com/Vincentwei1021/video-talkcraft.

Repository README

Repository README source: README.md

Read the source README

Expand full README

<div align="center"> <img src="assets/logo.svg" alt="video-talkcraft logo" width="150"> <h1>video-talkcraft</h1> [![Gallery](https://img.shields.io/badge/Gallery-live%20previews-7A5AF8)](https://vincentwei1021.github.io/video-talkcraft/) [![License](https://img.shields.io/badge/License-PolyForm%20Noncommercial-blue)](LICENSE) [![WeChat](https://img.shields.io/badge/WeChat-%E8%AE%A8%E8%AE%BA%E7%BE%A4-07C160?logo=wechat&logoColor=white)](assets/wechat-group.jpg) **口播视频的 agent skill：字级配音同步 · 108 张动效配方卡 · 七层反 PPT 镜头系统 · 三重验收** [中文](README.md) | [English](README_EN.md) </div> **video-talkcraft** 是 [video-shotcraft](https://github.com/Vincentwei1021/video-shotcraft) 系列的口播视频篇：一个把 Claude Code / Codex 变成口播视频动效工作室的 AI agent skill。给它一份口播稿和一条成品配音，它在本机对齐字级时间戳、把每个语义拍写进 SHOTBOOK 分镜，然后用 [Remotion](https://www.remotion.dev/) 渲出高质量的解说成片——动态字卡、证据截图、运镜、素排字幕、影视级音效，全部锁在人声上。 🖼️ [**在线画廊：108 张动效预览一页全览 »**](https://vincentwei1021.github.io/video-talkcraft/) [![video-talkcraft 在线画廊](assets/gallery-zh.png)](https://vincentwei1021.github.io/video-talkcraft/) ## 统一依赖（runtime/）所有口播工程的 `remotion/node_modules` 与 `workbench/node_modules` 都软链到 `runtime/node_modules`，版本只在 `runtime/package.json` 钉一处（`@remotion/*` 全家同号）。 - 新片开工：`bash runtime/check-runtime.sh --upgrade`（装依赖 + 共享无头浏览器 + 链 workbench；Remotion 有新版就升级并冒烟渲 1 帧，不过回滚）。 - 接工程：`bash runtime/link-runtime.sh <工程根>`（软链 + package.json 版本对齐）。工程目录里不跑 `npm install`。 - 一份 `node_modules` ≈ 760 MB（含 190 MB 无头浏览器）；之前每支片各装一份，六个工程 3.9 GB。 ## 🆕 更新（What's new）  **2026-09-11** - ✂️ **配音预剪 `scripts/voice_trim.py`**——真人录音先以口播稿为真值剪掉口水词 / 结巴重说 / 过长停顿再做时间戳（只剪稿子里没有的插入段，ASR 听错的字永不剪），词表来源可选 FireRed ASR / 逐字 SRT / 词级 JSON，切点吸附帧网格、同一 EDL 可剪人物视频保音画同长（→ SKILL.md ②-0）。 - 🫥 **工作台右键导出透明通道**——时间轨上右键任一动效片段可导出只含这一段的透明视频（MOV ProRes 4444 / WebM VP9 alpha），根底透明、自动去掉卡根层幕底与人物剪影占位，给剪映 / PR / AE 当叠加素材；右键菜单同时带分割 / 复制 / 删除（→ `workbench/GUIDE.md` ⑦）。 - 📺 **工作台实时看板（L1）**——⑤-1 骨架搭完就接入并开着工作台：阶段栏 + 进度轨（每镜占位 / 已实现 / 已渲 / 已过闸 / 过期 / 红点）+ 镜头视图（单镜预览 · issues · SHOTBOOK 段落）+ 实时成片卡（2026-09-21 起单轨成片卡下线，看板即多轨），状态按盘上产物自动推、`scripts/pipeline_state.mjs --pass/--issue` 只补人工判定，代码半成品不再盖页（→ SKILL.md ⑤-2、`workbench/docs/live-pipeline.md`）。 - 🔗 **工作台接入加固**——`kbsrc` 改按真实路径解析、契约模块缺哪个只回退哪个 stub、导出形态差异由 `src/kb/` 适配层归一：接入 skill 正式工程（`Main.tsx` + `scenes/`，无 promo 模块）不再整页 500，「拆解导入」按钮按契约自动禁用（→ `workbench/README.md`「接入口播成片工程」）。 **2026-09-09** - 🎬 **首镜先做先确认**——⑤ 实现改为先搭全合成骨架、其余镜头占位，只做样板镜并用 `--seg-audio` 出一条有声单镜预览给用户确认，确认后再做其余镜头；⑥-1.5 只剩"整片还是逐镜"一问（→ SKILL.md ⑤-1）。 **2026-09-07** - ✏️ **G5 线稿示意图系统**——纯文字镜必配一张图标 + 方框 + 箭头的线稿陪衬图，文字不裸放、每句至少一个可见变化，缺陪衬行 preflight 报 WARN（→ `template/motion-systems/schematic.tsx`、`references/schematic.md`）。 - 🎞️ **视频容器边框八式 + 章节主题层**——单视频镜头必须包一式主题边框（浏览器窗 / 胶片 / 拍立得 / 图纸等八式，一片一式、不做假播放器），章节卡按章换色 + 线稿 motif（→ `template/components/theme-frame.tsx`、design-language §1.3）。 **2026-09-05** - 🔁 **19 张 video-shotcraft 移植卡（89 → 108）**——从姊妹库 [video-shotcraft](https://github.com/Vincentwei1021/video-shotcraft) 两轮筛选移植（09-06 删定格圈注余 18），tsx 改成本库自包含契约、带母本溯源（→ `references/taxonomy.md` 第八批◎）。 - 🎨 **领域定风格 · 中性卡蒙皮**——开工先由口播稿判定领域、派生风格档写进 SHOTBOOK G0；库里的卡是中性 UI，进片按风格档改皮不改运动命门，每镜写蒙皮行（→ `references/design-language.md` §0）。 - 🧩 **10 张多素材同屏新卡（79 → 89）**——并列句排版、三联画接力、对比分屏、传送带、卡堆扇开、照片墙推轨 / 时间线照片带等，每卡标注输入类型与常用场景，选卡先按素材类型过滤（→ `references/taxonomy.md` 输入类型索引）。 - 📐 **排版规范 `references/layout.md`**——12 栏栅格、间距令牌、字阶最小档、包围盒不相交等九项自检，选中卡的「已知坑 / 落位自检」必须抄进 SHOTBOOK。 - 🎨 **12 款动态幕底入库**——`template/motion-systems/backdrop.tsx` 深浅各 6 款、frame 驱动零随机，默认幕底改为浅 `pastel-mesh-flow` / 深 `mesh-flow-dark`。 **2026-09-04** - 🎥 **运动系统做减法**——每场景只保留一条极缓推拉相机曲线 + 让位，idle 微动 / 环境呼吸 / 脉冲全部默认关闭。 - 🌐 **网页拍摄不贴图**——网页素材不再静态贴屏，改为镜头滚动 / 巡游 / 放大镜 / 划重点"拍"出来，坐标全吃 Playwright 实测（→ SKILL.md §③、`references/shot-design.md` §2④）。 **2026-09-02** - 🎛️ **动效工作台 `workbench/`**——剪映式的成片后期台：多轨时间线 + 素材库（素材 / 动效库 / 音效 / 背景）+ schema 属性面板 + 实时预览 + 一键「导出成片」。108 张动效卡 100% 参数化（文案 / 颜色 / 字号 / 位置可调，节奏命门固定不暴露）；口播成片可一键拆成字幕 / 转场 / 环境 / 数字人 / 镜头 / 配音 / 音效七类多轨单元逐项微调。 skill 交付成片后会主动打开它。→ [**图文指南 workbench/GUIDE.md**](workbench/GUIDE.md) <a href="workbench/GUIDE.md"><img src="workbench/docs/img/01-overview.png" alt="动效工作台总览" width="720"></a> - ⚡ **渲染提速：分段渲染母版制**——`scripts/render_shots.mjs` 按镜头切段并行渲、段内单进程保光栅一致，拼装 + 整条音轨混入 + 帧数断言；改一个镜头只重渲该段±邻段。`scripts/render_stills.mjs` 一次 bundle 批量出静帧。 - 🧮 **评审 token 减量**——`scripts/contact_sheet.py` 把 QA 帧拼成 3×4 网格给评审子代理整版浏览；连拍三帧对只对标了 `"burst": true` 的状态切换锚点抽（曾占评审材料 2/3）。 - ✅ **一轮审片即交付**——机器闸全过后只做 1 轮独立审片、修完 P0/P1 即交付，再询问是否续审（累计封顶 3 轮），替代旧的"循环到全过"。 | 实测（201s 竖屏片） | 之前 | 现在 | |---|---|---| | 全片首渲 | 13 min | 9 min | | 改一个镜头出有声新片 | 整渲 | 53 s | | 43 张静帧抽样 | 11 min | ~1 min | | 评审读 160 张 QA 帧 | ≈16 万 token / 21 min | ≈4 万 token / 7 min（拼图） | - 🤝 新卡：社区贡献 **douyin-follow-card 抖音主页关注卡**（[@scpcn01vision-oss](https://github.com/scpcn01vision-oss)），库存 79 张。 ## ✨ 亮点 - **字级配音同步**——`scripts/timestamps_cpu.py` 把口播稿对齐到音频（默认 FireRedASR2-CTC int8，备选 faster-whisper 免手动下载）。110s 中英混合口播对照 GPU 强制对齐器实测：字级偏差中位 20–40ms、最差 200ms、质检零误报。每个动效节拍都锚在确切的字上。 - **108 张动效配方卡**——每张有意图、参数、已知坑、可直接复制的自包含 Remotion tsx 源码和可跑的 HTML 预览， [在线画廊](https://vincentwei1021.github.io/video-talkcraft/)一页全览（本地 `open gallery/index.html` 同款）。动态字卡、数据镜头、证据巡游、六式运动承接转场、长镜头世界画布、人物合成等。 - **七层反 PPT 系统**——每场景一条极缓推进 / 拉出的相机曲线 + 让位生命周期 + 六式运动承接转场（2026-09-04 起做减法：不再要求主体 idle 与环境呼吸）。静止帧在结构上不可能出现（漏网的也会被自动检测抓住）。 - **经得住审片的排版纪律**——语义拍分镜、同屏元素预算、留白锚、枢轴句切镜规则、用真实检测（`scripts/face_bbox.py`）量出来的人脸安全区，不靠目测。 - **三重验收**——画面健康双判定（静止段 + 并发光栅抖动，时域缺陷机器抓）、纯音效轨逐 cue 能量验证、带动效锚点帧与评审拼图的独立评审。 ## 🚀 快速开始 **最直接的方式：把仓库链接丢给你的 agent。** 在 Claude Code / Codex 里直接说： ```text 帮我安装这个 skill：https://github.com/Vincentwei1021/video-talkcraft ``` 或用 [skills](https://skills.sh/) CLI / 手动安装： ```bash npx skills add Vincentwei1021/video-talkcraft ``` ```bash git clone https://github.com/Vincentwei1021/video-talkcraft.git cd video-talkcraft ln -s "$(pwd)" ~/.claude/skills/video-talkcraft # Claude Code # 或 ln -s "$(pwd)" ~/.codex/skills/video-talkcraft # Codex ``` 环境（agent 会按需自行配置）： - Node 18+（Remotion 渲染；单片工程内 `npm install`） - Python 3.10+ - 本机 CPU 时间戳对齐：`pip install zhconv pypinyin sherpa-onnx soundfile numpy` （首次使用下载一次 767MB 的 FireRedASR2-CTC 模型，地址见 `scripts/timestamps_cpu.py` 头注释；或加 `--backend whisper` 免手动下载） - 一键流式配音+时间戳（Fish Audio 免费层）：`pip install requests python-dotenv` - ffmpeg 然后这样下需求： ```text 用 video-talkcraft 把这份口播稿 + voiceover.wav 做成视频。做一条 100 秒的 <话题> 解说，稿子和音频在这里。 ``` ### 🎙️ 可选：Fish Audio 生成配音 + 字级时间戳默认仍是「成品配音 + 本机 CPU 对齐」。没有录音时，可主动选择 Fish Audio 接入；脚本默认请求 `s2.1-pro-free`，模型的免费额度与可用期限以 Fish Audio 为准。 1. 安装 `ffmpeg` 和 Python 依赖 `pip install requests python-dotenv`。 2. 复制 `.env.example` 为 `.env`，填写 `FISH_AUDIO_API_KEY`。`FISH_AUDIO_REFERENCE_ID` 可填音色库中的音色 ID，留空使用服务默认音色。 3. 准备 `script.json`，例如 `{"sentences": ["这是第一句。", "这是第二句。"]}`；也支持字符串数组或每行一句的 `.txt`。 4. 生成音频与时间戳： ```bash # 默认逐句模式：每句一次请求，句间插入 0.25 秒真实静音 python3 scripts/tts_fishaudio.py script.json audio/full.wav audio/timestamps.json --timing-out remotion/src/timing.json # 整稿一次请求，保留模型生成的句间节奏 python3 scripts/tts_fishaudio.py script.json audio/full.wav audio/timestamps.json --timing-out remotion/src/timing.json --mode stream ``` 两种模式均接收 SSE 音频与对齐快照；`stream` 表示流式接收，**文件在全部生成完成后写出，不提供边生成边播放**。`--pause-sec` 只控制逐句模式额外插入的静音。音频先分别解码成 PCM，再拼接、编码，时间戳按实际采样数累计。`--format mp3|wav|opus` 控制接口返回格式，输出格式由音频文件扩展名决定。中文沿用接口的字级锚点；英文在词内按字符插值，标点零时长。空音频、缺失/无效对齐、解码失败、规范化后稿子与对齐文本不一致都会报错退出。规范化忽略标点、大小写与字符宽度，不推测 `2` 与 `two` 等读法转换；遇到此类差异请改写为实际朗读文本，或使用已有音频走本机 CPU 对齐。`match=1` / `ok=true` 表示文本映射通过，不代表已人工确认发音或字级精度，仍需试听。回归验证（无需 API Key，需要 `requests` 与 `ffmpeg`）： ```bash python3 -m unittest discover -s scripts -p 'test_*fish*.py' -v ``` ## 🎞 你提供什么 vs. 它做什么 | 你提供（输入） | skill 负责 | | --- | --- | | 口播稿 | 字级时间戳对齐，逐句质检标记 | | 成品配音——任何 TTS 或真人录音 | SHOTBOOK 分镜：语义拍、层矩阵、排版预算 | | 可选的人物素材——普通实拍视频即可（抠像 + 人脸安全区工具已含，绿幕抠得最干净） | Remotion 实现：全局系统（极缓推拉相机/让位）、转场、音效落位 | | 可选的 B-roll / 截图 | 渲染 + 三重验收（机器闸全过 + 一轮独立审片修完 P0/P1 即交付，可选续审累计 ≤3 轮），响度归一交付 | ## 📦 库里有什么 | 内容 | 说明 | | --- | --- | | 108 张动效配方卡 | 意图、能量档、参数、实现要点、已知坑——每张都配自包含 Remotion tsx 源码（`template/cards/`，复制单文件即用）+ 可跑的 HTML demo | | 画廊 | [在线版](https://vincentwei1021.github.io/video-talkcraft/)或本地 `open gallery/index.html`——108 个预览一页自动播放，按名称/关键词搜索 | | 动效系统 | CameraRig（极缓推拉）、让位生命周期、六式转场、长镜头世界画布；视差 / 环境层可选（`template/motion-systems/`） | | 组件 | 素排字幕、花字、砸字、荧光笔、铅笔手绘、数字滚动、视频容器边框八式（`template/components/`） | | 管线脚本 | 字级时间戳（双 ASR 后端）、人脸安全区检测、静止检测、音效在场检查、QA 抽帧（`scripts/`） | | 方法论 | 设计语言（Apple 范式默认）、镜头三面工作单、电影感规范、分镜格式、验收口径（`references/`） | | 内嵌音效 | 逐卡 cue 表 + 真采样内嵌 demo 库（授权见 `demos/_lib/sfx/ATTRIBUTION.md`） | ## 🗂 目录结构 ```text video-talkcraft/ ├── SKILL.md # agent 入口：八步管线与硬规则 ├── references/ │ ├── design-language.md # 默认视觉系统（色板/字阶/布局/字幕） │ ├── shot-design.md # 三面工作单 + 七型镜头预设 │ ├── cinematography.md # 七层模型、转场、排版预算、验收关卡 │ ├── shotbook-example.md # 完整分镜范例 │ ├── cards/ # 108 张动效配方卡 │ ├── taxonomy.md # 按类别与来源的卡片索引 │ ├── broll-sources.md # 免署名素材源（API、授权坑） │ ├── host-footage.md # 人物素材：输入规格、抠像、人脸安全区 │ └── demo-spec.md # 卡片/demo 编写规范 ├── demos/ # 108 个可跑的 HTML 预览（共享库内嵌音效） ├── gallery/ # 单页本地画廊 ├── template/ # 即取即用的 Remotion 代码 │ ├── cards/ # 108 卡逐卡自包含 tsx 源码（skill 首选引用） │ ├── motion-systems/ # 相机/视差/让位/环境/转场/长镜头系统 │ └── components/ # 字幕/花字/砸字/铅笔等组件 └── scripts/ # 时间戳、人脸检测、QA 工具 ``` 完整工作流从 [SKILL.md](SKILL.md) 进入。 ## ❓ FAQ **video-talkcraft 是什么？** 一个开源的 AI agent skill（Claude Code / Codex 技能包），用于 AI 视频制作：把口播稿 + 成品配音自动做成带动效的口播视频。它不是剪辑软件，也不是模板站—— agent 读方法论、选动效配方卡、写 [Remotion](https://www.remotion.dev/) 代码、跑三重验收，产出可直接发布的解说成片。 **能做哪类视频？** 知识科普、产品评测、新闻解读、观点锐评等口播/解说类横屏视频。中文口播优先设计，中英混排完全支持。 **需要准备什么？** 口播稿（文本）+ 成品配音（任何 TTS 或真人录音）；人物出镜素材与 B-roll 可选。 **免费吗？** 个人、教育、研究用途免费（PolyForm Noncommercial 1.0.0），用它做出的视频归你所有；工具本身的商业使用需先授权（见下）。 ## 📄 许可 [PolyForm Noncommercial 1.0.0](LICENSE)——个人、教育、研究用途免费。 **将本工具用于任何商业用途需事先获得授权**——发邮件至 [vincentwei1021@gmail.com](mailto:vincentwei1021@gmail.com) 或提 GitHub issue 联系。 **用本 skill 做出的视频归你所有。** 如果它帮到了你，欢迎在视频简介里 @ 一下作者的账号——非强制，但对作者是最好的支持。 ## 🔊 音频与素材说明 - 内嵌音效采样的来源与授权：[demos/_lib/sfx/ATTRIBUTION.md](demos/_lib/sfx/ATTRIBUTION.md)。 - B-roll 素材源指南只收免署名源（Pexels、Pixabay、Mixkit Free、Coverr、NASA），并记录了被排除源的授权陷阱——见 [references/broll-sources.md](references/broll-sources.md)。 - demo 里的主持人素材（`demos/_lib/dh-host.webm`）是 AI 生成的演示形象占位，生产时请替换为你自己的人物素材。 ## 🙏 致谢 - **[Remotion](https://www.remotion.dev/)**——驱动全部渲染的 React 视频框架（注意其自身[许可](https://github.com/remotion-dev/remotion/blob/main/LICENSE.md)）。 - **[FireRedASR2](https://github.com/FireRedTeam/FireRedASR2S)**（经 **[sherpa-onnx](https://github.com/k2-fsa/sherpa-onnx)**）与 **[faster-whisper](https://github.com/SYSTRAN/faster-whisper)**——时间戳后端； **Qwen3-ASR/ForcedAligner** 是精度基准参照。 - **OpenCV YuNet**——人脸安全区规则背后的检测器。 - **Pexels · Pixabay · NASA · Mixkit**——免署名素材来源。 - **Claude Code**——本库由 AI 编码 agent 构建、迭代与验收，用的正是 skill 自己教的那套评审循环。 ## 关注作者 <p> <a href="https://www.douyin.com/user/MS4wLjABAAAAK1pkjBxilk2Oi_9h_vFyD-lTAu9CTlvhmOtkosDvvxg"><img alt="在抖音关注作者" src="https://img.shields.io/badge/%E6%8A%96%E9%9F%B3-%E5%85%B3%E6%B3%A8%E6%88%91-000000?style=for-the-badge&logo=tiktok&logoColor=white"></a> <a href="https://xhslink.cn/m/At9iP2d5C1V"><img alt="在小红书关注作者" src="https://img.shields.io/badge/%E5%B0%8F%E7%BA%A2%E4%B9%A6-%E5%85%B3%E6%B3%A8%E6%88%91-FF2442?style=for-the-badge&logo=xiaohongshu&logoColor=white"></a> <a href="https://x.com/VincentWei93"><img alt="在 X 关注作者" src="https://img.shields.io/badge/X-%E5%85%B3%E6%B3%A8%E6%88%91-000000?style=for-the-badge&logo=x&logoColor=white"></a> </p> ## 微信讨论群有建议、反馈或使用问题？扫码加入 video-talkcraft 交流群（3 群）： <img src="assets/wechat-group.jpg" alt="video-talkcraft 微信交流群二维码" width="300"> 二维码更新于 2026-10-12，2026-10-19 前有效；过期后会不定期更新，也可通过上方社媒直接联系作者。

Loading the repository README…

Skills in this repository

classification pending

skill

occupation

description

updated

video-talkcraft

unclassified

终极口播视频 skill：中文口播稿 + 成品配音 → CPU 字级时间戳 → SHOTBOOK 层矩阵分镜 → Remotion 电影感成片（横屏默认/竖屏）。当用户要"做口播视频"、"解说/科普视频"、"把文案变成视频"、"给配音配画面动效"时使用。默认使用成品配音，可选 Fish Audio 从稿子合成配音与时间戳；数字人生成技术不在本 skill 内（人物素材是输入）。含统一视觉语言（Apple 范式）、108…

Source text: Chinese

2026-10-12

Showing 1 of 1 collected skill.