- ⚡ **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
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。