用途：将多模态输入自动转换为视频序列，基于本地 Hyperframes 框架完成数据提取、脚本生成与程序化渲染。触发场景为用户要求“创建视频”“生成 hyperframes 视频”或“把某输入变成视频”。
主要能力：支持本地文件路径（如 ./guide.html、./report.pdf、./diagram.png）、纯文本、YouTube 链接。HTML 会剥离 CSS/脚本并保留标题层级；YouTube 链接用 web_fetch 提取字幕、摘要与要点；网页用 web_fetch 抓取正文；PDF/文档用 read_file 提取文本，长文档归纳为 5-8 个场景；图片用 read_file 结合视觉能力做 OCR 与元素描述；纯文本直接作为分镜基础。
使用方式：先做输入归一化，再暂停向用户确认目标画幅（9:16 或 16:9）、视觉风格、缺失信息与时长，之后生成 5-10 个场景的 JSON 分镜（含 scene_duration、narrator_script、visual_asset_type、visual_content），默认采用 Clean Minimalist 风格（深板岩背景 #0F172A、白色文字、强调色 #3B82F6 或 #10B981，系统无衬线字体，GSAP 动画）。将 JSON 写入 .hyperframes/temp_render_config.json 后执行： hyperframes render --config .hyperframes/temp_render_config.json --output ./output/final_video.mp4 完成后确认输出文件存在，失败则读取控制台输出并给出修复建议，最后告知用户视频路径并可调整时间或样式。
限制：提取失败时须停止并索取原始文本，不得使用占位内容；场景数控制在 15 以内；所有提取、写入与渲染须在主会话完成，不得委派子代理；SVG/HTML 标签须严格闭合；不得跳过归一化步骤；画幅、风格、脚本长度不确定时必须停止询问，不得假设默认值；输入类型不支持或损坏时立即停止并请用户核实。