mcpField
S
super-video-maker

super-video-maker

github.com/bomx创意与媒体349121 次安装14 周前更新
代码仓库

关于 super-video-maker

Super Video Maker 是一项将创意、脚本、录屏和现有视频制作成成品素材的 skill。它提供多种格式的配方与制作指导,包括虚拟形象解说、社交广告和动态拼贴短片。

主要功能

  1. 01虚拟形象解说与 UGC 广告配方
  2. 02动态拼贴解说视频制作
  3. 03生成或编辑图像与辅助镜头
  4. 04录屏与动态图形制作
  5. 05字幕、音乐和 FFmpeg 导出

适用场景

  1. 01制作虚拟形象主持的产品解说视频
  2. 02制作付费社交广告的多个版本
  3. 03将长视频改编为短视频素材
  4. 04根据屏幕证据制作配音视频

安装

复制下面的命令,在终端中运行。

$npx skills add https://github.com/bomx/openvideo --skill super-video-maker

安装后在 Claude Code 中输入/super-video-maker确认已加载。

包含的文件

除 SKILL.md 外,安装时一起下载的参考资料和脚本。

.env.example
.gitignore
README.md
REMOTION_VIDEO_GUIDE.md
HYPERREALISTIC_IMAGE_SOP.md
FFMPEG_PLAYBOOK.md
LIVING_CANVAS_PLAYBOOK.md
MOTION_COLLAGE_STYLE.md
HOOK_PLAYBOOK_ARTICLE_SPRINT.md
REFERENCE.md
SPOKEN_VO_HUMANIZER.md
REVIEW_VIDEO_PLAYBOOK.md
TABLETOP_EXPLAINER_PLAYBOOK.md
SEEDANCE_AVATAR_ROI.md
VIDEO_COPY_PLAYBOOK.md
WORKFLOW_EXAMPLES.md
package.json
commands/
avatar-vo-reel.md
avatar-insta-reel.md
review-video.md
hyperframes-template/
README.md
package.json
hyperframes-template/compositions/
demo.html
recipes/
avatar-explainer.json
README.md
agent-browser-proof.json
avatar-hook-broll.json
avatar-insta-split.json
avatar-vo-broll.json
faceless-broll-ad.json

详细介绍

超级视频制作工具

此技能的功能

可将视频创意、脚本、产品流程、屏幕录制、虚拟形象简介或现有长视频制作成精美的视频素材。此技能可生成:

  • 虚拟形象讲解视频(avatar-explainer):以证据为依据的虚拟形象视频,包含合成主持人、屏幕录制/来源凭证、UI 微型故事、字幕和行动要点,
  • UGC AI 广告(ugc-ai-ad):面向付费社交平台的广告,采用虚构 AI 创作者、参考图像角色一致性、Seedance 2.5 片段、ElevenLabs 配音一致性、多种开场版本、字幕和直接响应式 CTA,
  • 动态拼贴讲解视频(motion-collage-explainer):围绕单一创意制作的无真人出镜讲解短片,基于醒目的丝网印刷风格剪贴拼贴静帧(gpt-image-2),再通过 Seedance 2.5 将其制作成动态拼贴,并以平和的“In a Nutshell”纪录片旁白风格讲述(参见 MOTION_COLLAGE_STYLE.md),
  • 使用 HeyGen 制作虚拟形象视频,
  • 通过 fal.ai 使用 Seedance 2.5 制作 AI 辅助镜头,
  • 使用 OpenAI 图像模型生成或编辑图像,
  • 制作带有光标/事件日志的屏幕录制,
  • 使用 Remotion 或 HyperFrames 制作动态图形,
  • 添加字幕、隐藏式字幕、音乐,并使用 FFmpeg 导出最终成片。

必要时阅读这些文件

  • VIDEO_COPY_PLAYBOOK.md:了解每个配方的文案层:四行主干(一个观看者、一个承诺、一个机制、一个下一步)、双轨规则(旁白承载论点,画面承载证据,二者互不重复)、屏幕文案技巧(动态标题、数据徽章、幽灵标题、片尾卡优惠、字体划线)、各格式的叙事弧线、可信度规则,以及首次付费生成调用前要执行的文案检查关卡。编写任何脚本、钩子、标题或 CTA 之前都要先读它,并且先读第 11 节:一段由负责人批准、采用 PLAIN REGISTER 的参考旁白转录(70 秒内不含任何比喻),以及一张列出负责人斥为“太诗意、太概念化、AI 垃圾”的文案前后对照表。指认测试也在其中:如果观看者无法指出你刚说的名词,就重写。与 copywriting-skill 技能配合使用;该技能负责通用语气和节奏规则。
  • SPOKEN_VO_HUMANIZER.md:了解口播台词应该听起来如何(短视频脚本的 12 条规则 + 禁用的 AI 口播痕迹清单)。
  • HOOK_PLAYBOOK_ARTICLE_SPRINT.md:了解钩子类型、先定角度再写文案的规则,以及循环计算。
  • recipes/README.md 和 tools/video_recipes.py:了解机器可读的视频配方(列出、匹配、规划、验证)。
  • REFERENCE.md:了解提供商能力和路由决策。
  • FFMPEG_PLAYBOOK.md:了解精确的 FFmpeg 配方。
  • WORKFLOW_EXAMPLES.md:查看完整的制作示例。
  • REMOTION_VIDEO_GUIDE.md:了解 Remotion 动效设计规则。
  • TABLETOP_EXPLAINER_PLAYBOOK.md + workflows/tabletop-levels-explainer/:了解如何制作分层的 “levels-of-X” 讲解短片(虚构主持人 + 首尾帧工艺类 B-roll + 与节拍锁定的切换组装)。
  • LIVING_CANVAS_PLAYBOOK.md + workflows/living-canvas-explainer/:了解精品级单画布 SaaS 发布/讲解视频:在一张连续画布上控制元素级节奏(0-3 次硬切)、根据旁白词句锁定镜头运动并覆盖持久显示的 UI 卡片、因果物理效果 + 布局重排 + 变换链、配有情绪化旁白和喜剧节奏的故事式冷开场、三频段音乐,以及与节拍锁定的音效总线。收到任何“让它有顶级动态设计工作室的感觉”的请求前,都要先读它——所有时长、缩放系数和弹簧常数都有明确规定。
  • HYPERREALISTIC_IMAGE_SOP.md:了解将参考图转化为逼真、看起来不像 AI 生成的 UGC 创作者提示词的 12 部分框架。生成任何创作者静态图或超写实角色之前都要先读它。
  • MOTION_COLLAGE_STYLE.md:了解 motion-collage-explainer 配方:如何使用 gpt-image-2 构建醒目的丝网印刷剪纸拼贴静帧,使用 Seedance 2.5 将其制作成动态拼贴,并以平静的 “In a Nutshell” 纪录片讲解口吻进行旁白。制作任何无露脸的拼贴/习语/概念讲解短片之前都要先读它。
  • REVIEW_VIDEO_PLAYBOOK.md + commands/review-video.md:了解 review-conquest-compilation 配方(/review-video):制作无露脸旁白蒙太奇,展示真实且经过验证的竞争对手评论,针对 “<竞争对手> reviews” 关键词,点明反复出现的投诉,将用户自己的业务定位为替代选择,然后附上用户自己的客户评价短片。制作任何竞争对手评论/比较/竞品征服视频之前都要先读它。片尾出现的业务是变量——绝不要硬编码特定公司。

操作规则

  1. 运行分阶段流水线,而不是随机调用工具。 按以下顺序执行:接收需求 -> 脚本/镜头清单 -> 素材 -> 组装 -> FFmpeg 后期处理 -> QC -> 导出。 1a. 文案是制作关卡,不是装饰。 在首次调用 TTS、生成片段或构建时间线之前,根据 VIDEO_COPY_PLAYBOOK.md 写出四行主干(一位观众、一个承诺、一种机制、一个后续步骤),选定角度,并完成对应的文案检查清单。旁白和画面绝不能传达同一句话:静音视频后,故事仍应连贯;关闭画面后,论点仍应成立。这一顺序不是风格问题。在旁白锁定的格式中,脚本就是时间线,因此构建完成后修改脚本,会让每个帧编号都需要重新锁定。
  2. 首次付费调用前确认付费生成计划。 列出计划使用的服务商、片段/图像数量、时长、分辨率和可能的成本因素。
  3. 优先使用技能本地工具。 先使用 tools/ 中的文件,再考虑项目根目录的脚本。
  4. 每个工具都应输出 RESULT: {...}。 将该 JSON 解析为事实来源。
  5. 保留作业状态。 将每次运行的文件放在 tmp/video_jobs/<job_id>/ 中,并包含 job_state.json、输入、过程文件和最终导出文件。
  6. QC 通过前不要删除过程素材。 原始片段还在时,修复失败的视频作业会更容易。
  7. 绝不提交机密或用户会话。 不得发布 .env、Cookie、生成的录音、私人头像或下载的用户视频。
  8. 让错误对用户友好。 不向最终用户显示原始堆栈跟踪,但要保存详细日志以便调试。
  9. 默认制作以故事为先的视频。 不要制作纯新闻幻灯片。采用:钩子 -> 透明的虚拟形象开场 -> 新闻要点 -> 具体故事/示例 -> 来源佐证 -> 行动步骤。 9a. 将 avatar-explainer 作为默认配方名称,用于结合 HeyGen 虚拟形象旁白、屏幕录制/来源凭证、UI 微型故事、补充镜头、字幕和行动要点的格式。
  10. 通过虚拟形象自己的声音披露合成身份。 在钩子之后立即将台词 "Quick note, this is the digital avatar of " 写入脚本。不要在前面加静态免责声明卡片。如果音频中缺少披露,则在开头约 4 秒内,于左上角添加小型透明圆角胶囊形 PNG 徽标(使用 Pillow 渲染:深海军蓝填充 #0A1228,不透明度 96%;品牌橙色 #FF6B2C 描边,宽 2px;16px 强调色圆点;白色无衬线文字 "Digital avatar of ";圆角半径 22px,距各边 50px)。切勿在底部区域使用厚重的 drawbox 下三分之一横幅,它会与居中的字幕冲突。片尾卡片始终要包含永久页脚文字:"Digital avatar of . "。
  11. 有意匹配 HeyGen 虚拟形象和声音。 虚拟形象和声音是两个独立的 ID。如果没有明确指定声音,先尝试让声音名称与选定的虚拟形象名称匹配,再考虑其他选项。
  12. 屏幕录制应呈现调查过程,而不是无意义的滚动壁纸。 浏览器佐证应展示 Agent 如何核实说法:打开来源、跳转到标题、突出显示确切短语、使用页面内搜索查找功能名称、滚动到相关段落、切换标签页查看佐证报道,并放大证据。避免静态页面、漫无目的的浏览、反复裁切主页大图、广告、CAPTCHA、Cookie 弹窗,以及无法揭示新信息的缓慢滚动。
  13. 补充镜头应解释画面,而不是充当装饰。 对每句话都问:“什么界面会因这个想法而发生变化?”不要用泛化画面匹配名词(“创始人” -> “人在笔记本电脑前”)。应展示变化发生的环境:Google Doc、日历、SERP、分析仪表板、Slack 讨论串、CMS 编辑器、浏览器标签页或包含前后状态的产品 UI。避免照搬任何现有 YouTube 频道风格;使用原创的现代编辑式动态效果、UI 微型故事、来源凭证和简洁标注。
  14. 让每个画面都与旁白节拍同步。 始终使用 Whisper 转录虚拟形象音频(词级时间戳),并将每次画面切换、补充镜头切换、字幕和下三分之一横幅都固定在相应词语实际出现的秒数上。绝不要按假定的时间安排叠加画面。
  15. 检测 HeyGen 脚本重复。 部分 HeyGen 渲染会意外重复脚本。下载后比较 Whisper 片段,并在合成前将主音轨裁剪到首次完整内容。
  16. 建立有层次且区域互不冲突的布局,并使用无边框画中画。 钩子节拍使用虚拟形象全屏画面。其他所有节拍使用虚拟形象画中画:无边框、24px 圆角、柔和投影——绝不使用有颜色的硬边框。实现方式:每个作业使用 Pillow 渲染一次 pip_mask.png(圆角矩形 Alpha 遮罩)和 pip_shadow.png(模糊的深色形状);FFmpeg 使用 chromakey -> scale -> alphamerge 为虚拟形象画面添加圆角,然后在下方偏移 +4, +16 合成阴影。在 1920x1080 主画面中,默认尺寸为 492x276。画中画位置要适应字幕对齐方式:如果字幕默认在底部居中,则将画中画放在右上角,位置为 x=W-pip_w-50, y=50。绝不要将画中画与字幕放在同一区域,并在片尾 CTA 收尾段完全隐藏画中画,让回顾卡片占据整个画面。跳过静态标题卡,直接以虚拟形象全屏画面开场。结尾使用片尾回顾卡片,显示行动步骤和永久披露页脚。
  17. 在底部居中烧录卡拉 OK 字幕。 使用粗体全大写 Arial Black,约 64px;每组 2-3 个词,当前词以黄色高亮,添加白色投影和 5px 描边。ASS 样式:Alignment=2(底部居中),MarginL=MarginR=80,MarginV=90。根据 Whisper 词语 JSON 生成字幕,并应用主音轨偏移。不要默认放在左下角——左对齐字幕看起来不专业,也会与披露叠层冲突。
  18. 对主音轨进行响度标准化,采用 I=-16:TP=-1.5:LRA=11,确保上传到 YouTube、LinkedIn、X 和播客时符合广播响度标准。
  19. 默认使用 fal.ai 生成 Seedance 2.5。 tools/fal_seedance_video.py 默认使用 2.5,除非传入 --seedance-version 2.0 或设置 SEEDANCE_VERSION=2.0。此账号已获授权并验证可正常使用 2.5(2026-08-09),因此应将 2.5 片段视为正常结果,而不是仅仅期待它能生成。三项常规规则:(i) 运行工具的 Python 解释器必须安装 fal_client(python3 -m pip install fal-client),否则每次 Seedance 调用都会在请求 fal 之前因 ModuleNotFoundError 失败;(ii) 绝不要移除工具中的占位内容防护,因为 fal 会以 HTTP 200 返回预置示例片段,而不是针对未授权的 2.5 请求报错;自动回退到 2.0 是避免成片混入库存素材的唯一保障;(iii) 在声称片段由 2.5 生成之前,始终检查 RESULT 内容中的 fell_back——现在值为 true 意味着访问权限已失效,应主动说明,而不是直接交付。2.5 价格更高(720p 时约为 $0.4730/s,而 2.0 标准版为 $0.3024/s,2.0 快速版为 $0.2419/s),因此应将其用于承载视频核心内容的镜头,填充节拍则使用 --fast。--fast 和 --mini 会将调用固定到 2.0,这是唯一提供蒸馏档位的版本。如果 fal Seedance 受到限流或额度不足,请按以下顺序回退:(a) 仅当已配置 REPLICATE_API_TOKEN 且 fal 不可用时使用 Replicate Seedance;(b) 使用能直接解释节拍的真实来源截图、UI 模型图、库存素材或文字卡片;(c) 使用 OpenAI gpt-image-2 静帧,设置 quality=high、原生 16:9(2048x1152),再用 FFmpeg Ken Burns 效果缩放填充并裁切;(d) 仅当 local_explainer_broll.py 能渲染真实的 UI/事件/状态变化时才使用。绝不要回退到抽象的暗黑宇宙、发光、漂浮或象征性的“AI”画面。
  20. 通过 video_id 恢复耗时较长的 HeyGen 作业,而不是重新生成。 如果本地轮询超时,应查询已有的 HeyGen 作业,并在完成后下载,以避免重复扣除额度。
  21. 绝不要在较长的节拍中循环播放补充镜头。 如果 Whisper 对齐的节拍长于片段,则应:(a) 为后半段生成互补补充镜头;(b) 对最多约 2 秒的超时部分使用 tpad=stop_mode=clone:stop_duration=N 定格最后一帧;或 (c) 插入 Ken Burns 静帧。明显的循环跳变比短暂定格更令人分心。
  22. 根据节拍目的选择补充镜头,而不是根据提示词创意。始终优先选择真实素材而非生成素材。 补充镜头应根据旁白当下的作用来确定,而不是看什么“生成起来很酷”。按以下方式选择:
    • **新闻节拍(“这是发生的变化”):**公告真实截图(官方博客、产品页面、发布文章)→ Ken Burns。效果胜过任何生成画面。
    • **来源佐证:**由 Agent 操作的浏览器录像或佐证页面的真实截图。绝不要用生成的补充镜头替代。
    • **故事/示例(“创始人正在做 X”):**真实人物正在做相关事情的库存素材(Pexels/Pixabay)> 编辑风格照片 + Ken Burns > 最后才考虑生成素材。
    • **概念/隐喻:**优先使用文字引用卡片或单张真实物品照片,而不是抽象象征性画面。
    • **整体态势/势头(“所有人都在讨论”):**使用 Techmeme/Trends/HN 截图并配合 Ken Burns,或使用桌上报纸标题照片,而不是“数据星座”画面。
    • 行动步骤:使用带有手绘箭头/高亮叠层的真实 UI 截图,或展示真实人物亲手执行步骤。不要使用太空中的发光图标。 在所有类别中,生成式补充镜头(Seedance、OpenAI Ken Burns)都应作为最后选项,只有找不到适合该节拍的真实画面时才使用。
  23. 每次切换画面都要落在句子停顿处。 Whisper 片段是事实来源。画面应在句子之间的停顿处切换,绝不要在短语中间切换,这样每个节拍才能呈现为不可分割的“画面 + 想法”组合。
  24. 合成前规划布局区域——叠层重叠是最常见的视觉错误。 在进行任何 FFmpeg 叠加之前,先决定每个元素占据的区域,并确保它们不会同时占用同一屏幕区域。1920x1080 且字幕底部居中时,默认区域如下:
    • **左上角(50,50):**仅在钩子期间显示披露徽标(约 4.5 秒时淡出)。
    • **右上角(1378,50):**所有非全屏节拍均显示虚拟形象画中画(492x276)。
    • **中心区域:**补充镜头、浏览器佐证或虚拟形象全屏画面。
    • **底部区域(最后约 140px):**仅显示卡拉 OK 字幕。
    • **片尾卡片:**底部居中显示永久披露页脚,行动步骤放在中间。 如果两个元素占用了同一区域,请重新设计其中一个,或错开它们的 enable= 时间窗口。
  25. 始终以口播 CTA 收尾,绝不要使用无声片尾。 在行动环节结束后,将 6-8 秒的 CTA 加到虚拟形象脚本中(例如:“If this is useful, hit follow at for more . See you in the next one.”)。用 Whisper 重新转录新音频,并让片尾回顾卡片在口播 CTA 的整个时长内保持显示,同时在这段最后内容中隐藏画中画,让观众将注意力放在行动步骤上。无声片尾卡会降低留存率,也显得未完成。
  26. 任何品牌元素都应优先使用 Pillow PNG 叠层,而不是 drawbox 下三分之一横幅。 使用 Pillow 将徽标、下三分之一横幅、标签或按钮生成为透明 PNG(Image.new("RGBA", (W,H), (0,0,0,0)、ImageDraw.rounded_rectangle、抗锯齿文字),再使用 [bg][badge]overlay=x:y:enable='between(t,t0,t1)' 叠加。PNG 渲染具备适当的抗锯齿、亚像素圆角和透明边缘;drawbox 会产生硬边矩形,与专业字幕和画中画相比显得不专业。
  27. 默认拒绝 AI 垃圾风格的补充镜头。 如果只能使用生成片段,提示词中绝不能包含以下任何 AI 垃圾风格特征:
    • “dark cosmic / cyberspace / neon grid / glowing particles / data streams / neural network”,
    • “floating” subject(笔记本电脑、图标、字形、设备漂浮在没有接地平面的虚空中),
    • 任何类型的 Logo 字形或品牌标记(Android 机器人、Chrome 球、应用图标、公司 Logo——既有版权风险,又会立刻显出 AI 痕迹),
    • “magic / ethereal / ethereal blue / volumetric light rays” 等赛博奇幻词汇,
    • 将橙/青色“好莱坞风格”渐变作为整个配色方案,
    • 抽象概念的象征性可视化(“数据星座”、“两种操作系统融合”、“AI 大脑”)——这些画面总是显得像生成内容。 相反,应将提示词引导到纪实写实风格:真实人物在真实环境中执行真实动作;自然光源合理可信;采用 35mm 或 50mm 摄影质感、浅景深,并根据氛围匹配编辑式调色(温馨居家、冷调企业、自然纪实)。有帮助的具体词汇包括:“documentary photography”、“editorial portrait”、“natural window light”、“shot on Sony FX3”(或类似设备)、“shallow depth of field”、“real environment”、“candid moment”。不同片段要变换取景(微距特写、中景肖像、环境广角),让剪辑看起来真实,而不是同一种风格的画面合集。
  28. 每个片段的补充镜头都要呈现不同风格——千篇一律会让人觉得是 AI。 在 60-90 秒的主视频中至少选择三种不同的视觉质感(例如,一段编辑风格照片 Ken Burns、一段手持库存素材、一张文字引用卡片),并避免连续两个片段使用相同的主色调或构图。“统一的视觉语言”适用于品牌卡片/徽标/字幕,不适用于补充镜头内容。纪实剪辑之所以真实,是因为每个片段看起来都不一样。
  29. 默认使用 gpt-image-2、quality=high 和原生 16:9 尺寸生成 OpenAI 图像。 对所有纪实写实照片及任何将在主视频中全屏显示的其他静帧,使用 2048x1152(精确 16:9,两个边长都是 16 的倍数)。绝不要默认使用 1024x1024 或 1536x1024——这些尺寸合成到 1920x1080 时间线时会被迫添加遮幅填充。允许的例外:品牌图标/徽标(1024x1024)、仅人像的竖图(1024x1536)。
  30. 对补充镜头使用缩放填充 + 居中裁切,绝不要用纯色填充。 Ken Burns 和任何图像转视频辅助工具都必须使用 scale=W*2:H*2:force_original_aspect_ratio=increase,crop=W*2:H*2,确保素材覆盖整个画面,并将少量内容损失限制在边缘。纯色填充条(例如 pad=W:H:...:color=#0F1320)只适用于有意营造的电影遮幅效果——不是默认做法,用在纪实照片上会显得不专业。
  31. AI 静态图每 2-4 秒切换一次,真实截图每 3-6 秒切换一次。 单张 AI 生成静帧在屏幕上停留不得超过约 3.5 秒。长节拍(>5 秒)必须拆成 2-3 次画面切换,可使用不同照片、同一截图的不同裁切,或交替使用照片/截图/卡片。单张 AI 照片停留 5 秒以上会暴露生成痕迹;快速切换更有纪实感。
  32. 为每个画面指定一项编辑用途。 分镜脚本中每个镜头都必须恰好标记为以下一类:佐证(“这是真实的”)、机制(“它的工作原理”)、后果(“这件事为何重要”)、行动(“应该怎么做”)或转场(“我们正在进入下一个想法”)。没有用途的镜头就是填充内容,必须删掉。如果连续两个镜头用途相同且来源相同,第二个镜头就必须佐证不同细节,否则应替换。
  33. 编辑任何新闻/解释视频前,先构建来源素材集。 在线时间线之前,先收集角色各不相同的来源素材:官方公告主图、确切段落裁切图、功能区块裁切图、产品/UI 图片、署名/日期裁切图、报道聚合页、标题合集和与行动相关的 UI。不要把同一个网站主页大图重复用作通用背景。只有在网站每次出现都回答不同问题时,才可多次使用同一网站。
  34. 将截图和屏幕录制用作证据,而不是背景纹理。 截图必须佐证某个具体句子:标题、署名/日期、确切短语、功能 UI、媒体列表、数字、引文或行动步骤。屏幕录制必须包含实际操作:光标跳转、页面内搜索、滚动到目标、高亮短语、切换标签页、叠加来源凭证或分屏对比。禁止在没有揭示新事实的情况下缓慢滚动。
  35. 对于故事/示例节拍,应展示变化发生的操作界面。 除非人物的表情/肢体语言本身就是重点,否则不要展示受影响的人物。对于“创始人常驻 Google Docs”的内容,应展示可信的 Google Docs 风格发布计划,包含评论、待办事项、日期、图片缩略图、粘贴的图表和由光标驱动的行动卡片。画面应依次呈现:变化前的状态 -> 光标/操作 -> 有用的变化后状态。
  36. 采用现代编辑式动态表现手法。 优先使用快速 UI 插入镜头、来源凭证卡片、细圆角标注框、光标驱动的展示、分屏、标题蒙太奇、匹配剪辑、UI 前后对比,以及对确切短语的紧凑推近。避免通用库存人物、反复缩放网站、缓慢且只有 Ken Burns 效果的片段、装饰性渐变,以及仅仅“看起来相关”却没有解释句意的镜头。
  37. 最终合成前,先执行补充镜头布局 QC/编辑流程。 生成的图像、UI 卡片、截图和视频补充镜头不会因为渲染成功就自动通过。合成主视频之前,对每项补充镜头素材运行 tools/broll_layout_qc.py,生成带有安全边距、字幕区域和虚拟形象画中画叠层的引导审查帧/联系表。打开并检查这些画面,然后将每项素材标记为 pass、crop-edit、layout-edit、re-render 或 replace。如果重要文字/人脸被画中画遮挡、关键内容位于字幕区域、字体显得拥挤、间距不当、边缘出现尴尬的相切效果,或画面用途不明确,就判定素材不合格。
  38. 按成本最低的顺序修复补充镜头布局问题。 首先裁切/重新构图(scale-to-fill、crop、x_expr/y_expr、zoompan 起始/结束参数),然后编辑布局/静帧(Pillow/Remotion/HTML),再用修正后的提示词重新渲染,最后才替换镜头。如果生成的补充镜头间距明显不对,就不要接受“差不多可以”的结果;间距/构图错误属于审美问题。
  39. 付费社交媒体 UGC 应使用 ugc-ai-ad,而不是 avatar-explainer。 当 TikTok/Reels/Shorts 广告的目标是转化、应用安装、潜在客户收集、候补名单注册或优惠方案测试时,应将其路由到 UGC 配方。默认使用 9:16、15-45 秒、手持手机写实风格、快速字幕和一个明确的 CTA。
  40. 仅使用有相应权利或获得用户许可的人物作为参考。 可将真实人物图片用于质量/风格参考,但最终生成的创作者必须是新虚构的人物。不要声称参考人物为产品背书,不要重现公众人物,不要保留可识别身份的相似度,也不要使用私人照片,除非用户拥有这些照片或已获准使用。
  41. 生成内容前先编写 UGC 人物设定手册。 保存 character_card.json,包含 creator_name、虚构人物简介、年龄范围、服装、发型、肤色、声音风格、口音、镜头表现、允许使用的宣传主张、visual_seed、voice_seed、参考素材和负面提示词。所有广告变体都使用同一张设定卡。
  42. 先使用 OpenAI 图像编辑功能创建虚构创作者,再使用 Seedance。 从一张获得授权/用户提供的真实人物照片开始,以获取照片级画质。使用 OpenAI gpt-image-2 和 quality=high,将照片转换为独特的虚构创作者,同时保留自然的皮肤纹理、镜头质感、光线和图像保真度。至少生成三张参考图:人脸主肖像、面对镜头说话的中景画面,以及环境广角画面。 42a. 按照 Hyper-Realistic Image SOP 编写每条创作者静帧提示词。 在调用 image_provider.py 生成任何虚构创作者或超写实角色前,遵循 HYPERREALISTIC_IMAGE_SOP.md:研究参考图,列出其最具辨识度的 5 个细节,填写 12 部分框架(主体、皮肤纹理、眼睛/眉毛/鼻子/嘴、头发、布料级服装细节、姿势、环境、相机/镜头、光线、氛围、反 AI 说明、负面提示词),并输出标准 JSON。反 AI 说明和负面提示词是重点——它们能避免输出看起来像 AI 生成内容(皮肤光滑无毛孔、面部对称、塑料质感头发、模糊的首饰、CGI 布料)。由于 gpt-image-2 没有负面提示词字段,请将这些内容作为明确的“避免/不要渲染”条款,附加到正向提示词中。将最终 JSON 与参考素材一并保存在 assets/character/ 中,并在所有变体中重复使用。
  43. 有意识地使用 Seedance 一致性控制。 每个 UGC 片段都应传入选定的人物参考图,并在可用时传入短参考视频或参考音频。fal 的 Seedance 不提供 seed 输入,因此参考素材就是完整的身份控制手段。每个节拍只更改镜头动作/摄影机提示词。不要为每个场景重新生成人脸。如果面部发生漂移,请减少参考图数量、收紧提示词,或改用更贴近主肖像的裁切图重新运行。
  44. 将声音一致性与视觉一致性分别处理。 使用 ElevenLabs 声音克隆/声音设计或固定声音 ID 进行旁白。在 character_card.json 中保存 voice_id 和 voice_seed。如果使用 Seedance 生成的音频,请传入 --reference-audio 并进行 QC,检查音色漂移;对于广告,除非镜头有意使用原生音频,否则应优先使用受控的 ElevenLabs 旁白搭配 Seedance 画面片段。 44a. 使用多个 Seedance 原生音频片段时,锁定首个获批声音。 最佳的钩子/面对镜头说话片段获批后,从该片段提取一段干净的短 WAV,并将其作为 --reference-audio 传入所有后续 Seedance 片段。在拼接后的主视频上运行 Whisper,并在交付前比较片段边界处的声音漂移。 44b. 外部声音服务商额度/配额不足时,回退到 Seedance 原生音频——不要因此阻塞作业。 如果 ElevenLabs(或选定的 TTS)返回 quota_exceeded/402/额度不足,则改用 Seedance 自带音频进行旁白:将脚本拆分为按句对齐、每段语音时长不超过约 12 秒的内容,使用 --mode reference --generate-audio 生成每段面对镜头说话的片段(传入主图参考,并在提示词中加入该段对白),并保留每段的原生音频。通过提取首个获批片段的干净 WAV 锁定声音,并将其传入后续每段(规则 44a)。拼接后的片段音频即为连续旁白音轨——呈现人物时显示面对镜头的画面,播放补充镜头时将其叠加在画面上,同时继续播放同一音频。对每段片段分别使用 Whisper 获取词语时间信息(字幕 + 切换点),并检查分段衔接处的声音漂移。如果更倾向于使用单条连续外部旁白,OpenAI gpt-4o-mini-tts/tts-1-hd(再搭配本地 Whisper 获取词语时间信息)可作为替代方案;但 Seedance 原生音频可完美匹配口型,且不会发生叠层漂移。
  45. 绝不要用大幅压缩语速来挽救不合格的朗读。 如果旁白需要加速超过约 6% 才能配合时长,请缩短脚本或重新生成声音。如果加速超过 12%,则 QC 不合格。对于更看重自然手机拍摄氛围、而非声音可重复控制的 UGC,可将 Seedance 原生音频(--generate-audio --reference-audio)与锁定的外部声音进行试听,保留更自然的版本。
  46. 手机/UI 镜头必须使用真实产品像素。 创作者手持手机、笔记本电脑或仪表板时,不要依赖生成的可读 UI。应使用产品截图作为明确参考,并尽可能在后期跟踪/合成真实屏幕。空白手机屏幕、伪造的白色屏幕、无法辨读的仪表板和臆造的产品文字都属于 QC 不合格。
  47. UGC 文案应直接面向转化,而不是解释性散文。 使用:模式打断式钩子 -> 具体到令人难受的问题 -> 个人发现/演示 -> 产品机制 -> 证据或可信结果 -> 异议处理 -> 简单 CTA。一则广告 = 一个角度、一个承诺、一个后续步骤。避免宽泛宣传、无法验证的收入/健康承诺和虚假推荐。
  48. 制作付费素材前,始终先编写多个钩子变体。 至少创作 5 个不同类型的钩子:坦白、反常识、问题直击、证据/凭证、演示优先、悬念、快速演示、前后对比。从中挑选 2-3 个优胜方案用于制作,其余保留为变体脚本。
  49. 交付前运行参考匹配质量关卡。 对于基于灵感创作的广告,最终渲染后运行 tools/ad_quality_gate.py,并使用参考分析、镜头计划、转录文本和所有原始/最终声音文件。展示给用户之前,检查所有涉及人脸、手部、手机、UI、屏幕、CTA、字幕和产品佐证的高风险密集区域。 49a. 竞品画面仅用于分析。 如果视频受到竞品广告启发,只能使用竞品画面提取转录时间、场景边界、镜头意图和节奏。绝不要将竞品画面/视频作为 Seedance/OpenAI 参考媒体传入,绝不要将竞品像素合成到成片中,也不要要求模型“匹配”竞品画面。先将每个来源场景转换为自有镜头意图:摄影机距离、动作、节拍目的和节奏;然后仅根据自有创作者参考、自有产品截图或文本提示词生成内容。如果用户要求 Seedance 原生测试,除非用户明确批准产品屏幕合成,否则唯一允许的非 Seedance 图层是字幕/标题。
  50. 让 AI UGC 看起来像真实手机拍摄,而不是精美广告片。 使用自然的环境音、小幅摄影机瑕疵、手部动作、可信的居家/办公室/车内环境、跳切、休闲服装和符合创作者特点的说话方式。避免完美的棚拍灯光、过于光滑的皮肤、虚假的网红笑容、完美契合品牌的布景,以及会破坏 UGC 可信度的电影感补充镜头。
  51. 将广告测试规划成批次。 每个 UGC 作业都应输出 variant_matrix.json,包含钩子、首帧文字、创作者参考、优惠角度、CTA、seed、片段路径和目标平台。先制作最低可行变体:3 个钩子 × 1 个正文;然后再将优胜方案扩展到新的正文、创作者和 CTA。

标准工作流

阶段 0:选择配方

开始收集信息前,列出配方并匹配用户目标:

python3 .agents/skills/super-video-maker/tools/video_recipes.py list
python3 .agents/skills/super-video-maker/tools/video_recipes.py match --goal "<user request>"
python3 .agents/skills/super-video-maker/tools/video_recipes.py plan --recipe <recipe_id> --goal "<user request>"

默认分配:新闻/教程主视频 → avatar-explainer;付费社交广告 → ugc-ai-ad;SaaS 演示 → screencast-demo 或 avatar-product-walkthrough;播客片段 → longform-repurpose;无真人出镜、围绕单个概念/习语的讲解短视频(剪贴拼贴、“In a Nutshell” 纪录片式旁白)→ motion-collage-explainer。

阶段 1:收集信息

收集以下信息:

  • 目标平台:YouTube、TikTok、Reels、Shorts、广告、落地页、课程、演示,
  • 输出宽高比:16:9、9:16、1:1、4:5,
  • 期望时长,
  • 源素材,
  • 品牌风格,
  • 行动号召,
  • 对于广告:产品/优惠、落地页、目标用户画像、痛点、期望转化事件、佐证要点、宣称/合规限制,以及竞品示例,
  • 对于 UGC 广告:创作者用户画像、真人参考图的使用权、虚构角色设定、语音风格、视觉种子、语音种子,以及钩子变体的数量,
  • 用户想采用虚拟形象、无真人出镜、屏幕录制还是混合形式。

生成前先提供简明计划。

阶段 2:脚本与镜头列表

创建:

  • 口播脚本,
  • 视觉镜头列表,
  • 选择 ugc-ai-ad 时的 UGC 广告角度矩阵,
  • 源素材分配表(每个源素材对应一个独特的编辑用途),
  • 每个镜头的视觉用途标签:佐证/机制/后果/行动/转场,
  • B-roll 提示词,
  • 屏幕文字,
  • 字幕样式,
  • 音乐氛围,
  • 导出目标。

脚本结构:

  • 钩子(前 5-6 秒):用一句话说明观众为何应当关注。
  • 自然交代虚拟形象身份(紧接钩子之后,用虚拟形象自己的声音说一个简短分句):“快速说明一下,这是 的数字虚拟形象,接下来会带你了解这次更新。”钩子之前绝不使用静态免责声明幻灯片。
  • 新闻要点:发生了什么变化。
  • 故事/示例:用具体情境让变化变得真实。
  • 来源佐证:由 Agent 操作浏览器拍摄的画面或展示来源的屏幕截图。
  • 行动步骤:告诉观众接下来该做什么(片尾卡片列出 3 个编号步骤,效果很好)。
  • 口播 CTA 收尾(6-8 秒,必需):虚拟形象在回顾片尾卡片时口播关注 CTA,例如:“如果你觉得这类拆解有帮助,请到 关注我,了解更多 。下期再见。”这样主视频就能自然收尾,而不是停在一张没有声音的片尾卡片上。

每个段落的视觉简报结构:

  • **旁白:**具体台词或 Whisper 片段。
  • **视觉用途:**佐证/机制/后果/行动/转场。
  • **界面:**来源页面、UI、文档、仪表板、日历、编辑器、浏览器标签页等。
  • **之前的状态:**被动、杂乱、手动、未知或未经证实的内容。
  • **操作/动态:**光标移动、突出显示、裁剪、切换标签页、卡片展示、分屏、蒙太奇等。
  • **之后的状态:**观众现在理解了什么。
  • **排除清单:**此段禁止使用的敷衍视觉元素(通用的笔记本电脑前人物、重复出现的同一张主视觉页面、抽象的 AI 大脑、漂浮图标等)。
UGC AI 广告配方(ugc-ai-ad)

当你希望观众感觉像是在听一位真实创作者快速、可信地推荐、演示、吐槽或分享发现时,使用此配方。

  1. 接收需求。 记录产品、ICP、痛点、期望操作、允许使用的说法、禁止使用的说法、证明素材、落地页、平台、宽高比、时长,以及目标成本/测试量。
  2. 编写广告角度矩阵。 创建 3-5 行角度,每行包括:钩子类型、首帧文案、开场白、核心痛点、产品机制、证明点、处理的异议、CTA 和合规风险。
  3. 选择创作者。 仅将用户提供或获许可的真人照片用作摄影参考。定义一个鲜明的虚构创作者:使用不同的姓名、传记、造型、服装、环境,并让面部特征有足够差异,以避免复刻真人身份。
  4. 将参考图编辑成全新的虚构角色。 使用 tools/image_provider.py edit 搭配 OpenAI gpt-image-2、quality=high、input_fidelity=high,并选用可用的最佳源图。提示生成一位逼真的 UGC 创作者,呈现自然的手机摄像质感、可信的皮肤效果,不带美颜滤镜感、不含品牌标志,也不保留原人物身份。将获批的输出保存为 assets/character/creator_hero.png。
  5. 生成参考素材集。 基于获批的主图创建: creator_face.png、creator_medium_phone.png、 creator_wide_environment.png,以及可选的 2-3 秒待机参考视频。将这些素材与 character_card.json 一起保存。
  6. 锁定参考素材和声音。 为 ElevenLabs 保存 voice_seed 或 voice_id。同一批次中的所有片段都复用同一套获批参考素材;只变更镜头动作、钩子文案和 CTA。Seedance 在 fal 上(2.5 或 2.0)本身没有 seed 输入,因此只能依靠参考图保持人物面部一致;visual_seed 是批次标签,不是保持一致性的控制参数。
  7. 通过 fal.ai 使用 Seedance 2.5 制作片段。 使用 tools/fal_seedance_video.py generate --mode reference 并添加 --reference-image,提供获批的创作者参考素材。有意使用 Seedance 原生音频/唇部动作时,传入 --reference-audio;或使用单独的 ElevenLabs 配音轨,以便控制广告旁白。将每个节拍提示为适合手机观看的场景:创作者对镜头讲话、手持产品、屏幕演示、越肩操作应用、反应镜头、收据/证明镜头、CTA 收尾。
  8. 按 UGC 广告的方式剪辑。 首帧必须先传达钩子,再让观众读到字幕。使用跳切、模式中断、大号底部字幕、产品/UI 插入镜头、快速证明叠层,并避免冷场。
  9. 检查可信度、音频、画面和合规性。 淘汰面部漂移、皮肤过度磨皮、诡异的手部/牙齿、唇形同步不匹配、伪造的平台标志、空白手机屏幕、难以辨认或生成错误的产品 UI、无法成立的产品宣称,以及任何暗示真实客户体验的评价措辞(除非用户提供了该体验)。对于受参考素材启发的广告,运行 tools/ad_quality_gate.py,并检查逐秒参考/候选对照表以及所有高风险密集区间表。
  10. 导出测试变体。 首先渲染 9:16 母版;如有要求,再渲染 1:1 或 4:5。将 variant_matrix.json、最终 MP4、字幕、角色参考素材、seed、提示词和质检备注保存在任务文件夹中。

撰写正文前可使用的 UGC 钩子类型:

  • 坦白:“我差点就没试这个,因为……”
  • 反常识:“如果你想要 <结果>,就别再 <常见行为> 了。”
  • 直击问题:“如果 <痛点> 一直反复出现,先检查这个。”
  • 凭证/证明:“我测试了 <事物>,持续了 <时间段>,这是发生的变化。”
  • 先演示:“看我做 <具体操作> 时会发生什么。”
  • 快速解决:“我用三个步骤,在 <短时间段> 内解决了 <痛点>。”
  • 前后对比:“这是我之前 <一团糟的状态> 的样子;这是使用 <产品/操作> 之后的样子。”
  • 制造悬念:“奇怪的地方不在于 <显而易见的事情>,而在于 <具体机制>。”

UGC 正文模式:

  • 痛点 -> 微型演示 -> 收益 -> CTA。
  • 旧方式 -> 新方式 -> 证据 -> CTA。
  • 错误 -> 纠正 -> 产品机制 -> CTA。
  • 怀疑者 -> 测试 -> 结果 -> 异议 -> CTA。

Seedance 提示词框架:

Handheld vertical phone video. Fictional UGC creator from reference images,
same face, same hair, same wardrobe family, natural skin texture, no beauty
filter. <specific beat action>. Real <home office / kitchen / parked car /
desk> environment, natural light, casual speech energy, slight handheld motion,
believable phone-camera exposure. No logos, no subtitles in the footage, no
perfect studio lighting, no face morphing, no extra people.

HeyGen 渲染完虚拟形象后,立即执行以下操作:

  1. 使用 FFmpeg 提取虚拟形象音频(-vn -acodec libmp3lame)。
  2. 使用 OpenAI Whisper 转录(response_format=verbose_json、timestamp_granularities=['word','segment']),获取词级和片段级时间戳。
  3. 检查各片段。如果脚本重复,将虚拟形象片段的裁剪结束点设为首次完整播放结束前的最后一秒。
  4. 构建 storyboard.json,将每个片段映射到一种布局(虚拟形象全屏 / 画中画 B-roll / 浏览器画中画)、一个视觉任务、一个表面、一段前置 / 操作 / 后续描述、一个源素材库资源、一个章节标题和一个来源署名。
  5. 在所有后续环节中使用这些精确时间戳——字幕、片段剪辑、字幕条。
第 3 阶段:素材生成

使用以下路由规则:

  • 使用 HeyGen 生成主持人 / 虚拟形象片段。
  • 使用 Seedance 2.5 生成电影感 B-roll 和动态素材。
  • 使用 Seedance 2.5 参考图模式生成角色一致的 UGC 片段。
  • 使用 OpenAI 图像生成 / 编辑功能制作分镜图、静帧、缩略图、插入素材和虚构 UGC 创作者参考图。
  • 使用 agent_browser_recorder.py 录制连贯的、由 Agent 操作的浏览器画面。
  • 使用 screen_recorder.py 录制更底层的产品操作演示。
  • 如果 fal/Seedance 不可用,使用 local_explainer_broll.py 作为无需额度的备用方案。
  • 如可用,使用 ElevenLabs 生成配音和音乐。
第 4 阶段:时间线组装

选择合成引擎:

  • 使用 Remotion 制作 React 时间线、可复用的产品模型、带字幕的口播视频、B-roll 叠加层和浏览器预览。
  • 使用 HyperFrames 制作 HTML 原生时间线、确定性帧捕获、GSAP/Lottie/CSS 动画和便于 Agent 使用的浏览器预览。
  • 使用 FFmpeg 进行实用合成、封装、色度键抠像、字幕、音频处理和平台最终导出。
第 5 阶段:质检和导出

务必检查:

  • 视频包含视频流,且分辨率符合预期;
  • 预期有音频时,音频确实存在;
  • 时长在目标范围内;
  • 字幕清晰易读且同步准确;
  • 没有明显的黑帧;
  • 最终编码格式兼容:libx264、aac、yuv420p。
  • 已检查 B-roll 布局质检联系表,并修复 / 替换所有未通过的素材。

主要工具

python3 .agents/skills/super-video-maker/tools/video_recipes.py list
python3 .agents/skills/super-video-maker/tools/video_recipes.py test
python3 .agents/skills/super-video-maker/tools/heygen_client.py
python3 .agents/skills/super-video-maker/tools/fal_seedance_video.py generate --mode reference --prompt "@Image1 handheld UGC creator..." --duration 7 --resolution 1080p --aspect-ratio 16:9 --reference-image assets/character/creator_hero.png
python3 .agents/skills/super-video-maker/tools/fal_seedance_video.py generate --mode reference --prompt "@Image1 and @Image2 show the same fictional creator. Handheld vertical phone video..." --duration 5 --resolution 720p --aspect-ratio 9:16 --reference-image assets/character/creator_hero.png --reference-image assets/character/creator_medium_phone.png
python3 .agents/skills/super-video-maker/tools/image_provider.py edit --reference-image real_person_reference.jpg --prompt "Create a distinct fictional UGC creator..." --size 1024x1536 --quality high --input-fidelity high --model gpt-image-2
python3 .agents/skills/super-video-maker/tools/agent_browser_recorder.py
python3 .agents/skills/super-video-maker/tools/local_explainer_broll.py
python3 .agents/skills/super-video-maker/tools/screen_recorder.py
python3 .agents/skills/super-video-maker/tools/demo_video_composer.py
python3 .agents/skills/super-video-maker/tools/video_captioner.py
python3 .agents/skills/super-video-maker/tools/ffmpeg_qc.py
python3 .agents/skills/super-video-maker/tools/broll_layout_qc.py

结果约定

每个阶段结束时都应输出一行:

RESULT: {"status":"succeeded","stage":"asset_generation","job_id":"video_001","artifacts":[{"type":"video","path":"output_videos/clip.mp4"}],"metrics":{"duration_seconds":7,"aspect_ratio":"16:9"},"next_action":"assemble_timeline"}

失败时:

RESULT: {"status":"failed","stage":"asset_generation","error":"friendly explanation","debug_log":"tmp/video_jobs/video_001/log.txt"}

提供商默认配置

  • 虚拟形象:HeyGen。
  • AI 视频 B-roll:fal.ai bytedance/seedance-2.5/reference-to-video。--fast 固定使用 bytedance/seedance-2.0/fast/reference-to-video,因为只有 2.0 提供蒸馏版。
  • 图像:OpenAI 图像生成 / 编辑。
  • 语音:ElevenLabs。
  • 音乐:优先使用 ElevenLabs Music,然后使用已配置的 Replicate 或 Suno 适配器。
  • 程序化编辑器:Remotion。
  • HTML 原生编辑器:HyperFrames。
  • 最终渲染 / 质检:FFmpeg 和 ffprobe。

不适用此技能的情况

  • 用户只需要一张图片。
  • 用户只需要纯文本转录,不涉及视频处理。
  • 用户要求手动执行 Premiere/DaVinci 操作步骤,且不需要自动化。

评论

支持 Markdown