SuperAPI AI 工具集

vox-skill

设计与创作

查看项目

更新于 11-03 17:14

技能介绍

vox-skill 是一套在 Remotion 中构建带解说、与配音同步的动态图形解说片或 B-roll 影片的制作流程与技能说明。输入一个选题,输出一部 1920×1080 的 React 影片,风格为编辑纪录片式。所有动画由代码驱动,没有 After Effects 环节,也没有可拖动的时间线,导演工作就是编写组件和调整 props。

适用选择

横版 1920×1080、React/Remotion、代码绘制图表与报纸:使用本技能。 竖版 1080×1920(TikTok、Reels、Shorts):本技能加 --vertical,参见 references/vertical.md。 其他叙事解说片且管线未定:explainer-studio。 快剪产品广告加声音设计:fastcut-ad。

质量决定因素(按优先级)

  1. 所依据的事实:需要一个真正出人意料、可核实的反转,否则影片没有存在理由。
  2. 解说词:它是时钟和脊柱,每个剪辑都对到具体的口播词。
  3. 景深:画面是否有三层相互运动。
  4. 其余一切。

十个阶段

阶段一,寻找反转并写节拍。写 8 到 12 个节拍,一行一个想法,脚本即时间线。钩子是第一节拍且不透露主题,不含专有名词,陈述一件看似不可能的事;最后一拍回答该问题。节拍写入 script.json。

阶段二,先做配音再做时序。用 python3 -m venv .venv && ./.venv/bin/pip install -q edge-tts 与 gen_vo.py 生成 vo/beat_NN.mp3、合并的 public/audio/vo.mp3 以及含每拍起止、时长、帧窗口和词级边界的 vo/timing.json。默认语音 en-GB-RyanNeural、语速 +4%,可用 VOICE= 和 RATE= 覆盖。文档还列出可试听的备选语音。

阶段三,让时序可派生而非手写。在 cues.json 中指定每个元素落在哪个词上,再用 sync_timing.py(可加 --check 检查)生成 src/shared/timing.ts。场景从 D 读取时长、从 CUE 读取起始帧。

阶段四,把节拍映射到场景。场景数少于节拍数,七场对十拍是较好比例;场景时长为其节拍帧窗口之和,映射先写下来再写组件。

阶段五,生产素材。优先代码绘制(报纸、图表、文档、地图、账本、打字机文字、划掉列表);其次透明 PNG 剪影,可用 cutout.swift 在本地通过 Vision 抠图,再用 halftone.py 做去饱和、提高对比度、网点、暖墨处理;再次是透明视频,转码为带 alpha 的 VP9 后用 OffthreadVideo transparent 使用。纸张背景保持 1920×1080 且小于 5 MB。

阶段六,在锁定视觉系统上搭建场景。三个不可妥协点:每场三层(不变的背景纸纹、带偏移红标描边的主体中景、遮挡主体下半身的前景);红标描边是签名,strokeX 约 ±26、strokeY 约 8;元素是弹入而非淡入,用 spring 与 16 帧不透明度斜坡,错开入场。每场都用 zod schema 接收调好的 props。

阶段七,配乐与母带。以笔记本扬声器能还原的内容判断配乐,用高于 250 Hz 的分离度衡量,18–22 dB 为目标;score.py 打印小扬声器惩罚与四个时间点的可听电平,mix_audio.sh 做母带(高通 85 Hz、350 Hz -2 dB、3 kHz +2.5 dB、6.8 kHz -3 dB、3:1 压缩、loudnorm -16 LUFS)并在人声时侧链压低约 6 dB。

阶段八,渲染前用静帧质检。逐场渲染一张最饱满时刻的静帧并拼成联系表,可发现红字压墨、元素相碰、标题换行、SVG 过小、轮廓形状误读等问题。

阶段九,组装与渲染。用 Series 串联场景,位置 props 镜像各 Composition 的 defaultProps;音频用 BAKE_AUDIO 开关控制。Studio 要能保存 props 需 defaultProps 为内联对象字面量且项目根目录有 .prettierrc.json。

阶段十,选取封面帧。不要用默认缩略图,帧零是空纸背景。用 pick_thumbnail.py 评分选最繁忙、构图最好的时刻,可 --embed 嵌入 mp4,--report 打印候选列表,竖版加 --grid 5。

快速参考与常见错误

输出为 1920×1080、30fps、MP4;纸底 #DAD9D5、墨 #1A1A1A、红 #E04329;标题用 Arial Black 紧字距大写,衬线用 PlayfairDisplay、PTSerif,打字机用 SpecialElite;入场 spring 参数 {damping: 18, mass: 0.75, stiffness: 110},上升 360–390px,不透明度斜坡 16 帧。常见错误包括猜测帧数、一拍一场、背景随场变化、缺少前景层、元素同帧入场、从常量导入 defaultProps、硬编码位置、背景过大、为旋律而非频谱选乐、音乐电平平坦、直接输出原始 TTS、使用默认缩略图、竖版无字幕等,文档均给出对应修正。