talking-head-b-roll

脱口秀画面素材

用户的录制效果已经很好：台词和表达方式都已定稿。只看一个人对着镜头说话会很乏味，因此影片要做的是，为每一段讲话决定画面显示什么。声音始终不停；只有画面在变化。

录制内容不会被剪切、移动、裁切或缩放。你制作的所有内容都是绘制在录制画面上方的图层：在应显示说话者的地方保持透明，在图形遮住说话者的地方保持不透明。scripts/render.mjs 会将该图层叠加到录制画面上，并保留原声。

一次完成：不要询问录制内容或合理默认值已经能回答的问题，交付时列出你的选择。在存放录制文件的文件夹中工作，并从那里运行脚本；输出文件也会保存到那里。下文中的 <skill> 指此技能所在的文件夹（即存放本文件的文件夹）。

1. 转录

node <skill>/scripts/transcribe.mjs talk.mp4            # → transcript.json, and prints every line with its start and end

它会输出视频的尺寸、帧率和时长（这些信息会写入页面），以及按句末拆分的转录文本，并将每个词的时间戳写入 transcript.json。在决定任何内容之前，先通读整份转录。若已安装 whisper.cpp，它会使用本地版本；否则会使用 ELEVENLABS_API_KEY；两者都没有时，它会说明如何进行设置。停顿时长来自音频本身，因此句子之间的间隔就是说话者实际停下来的地方；句子内部的时间戳误差在几十分之一秒以内。转录可能会听错数字：如果某个数字与其余内容不符，就不要把它放在画面上，并在交付时说明。

2. 规划：三种处理方式

A. 说话者。 只显示视频，不叠加任何内容。适用于重点在人物本身的地方：开场白、个人观点或故事、情绪起伏、行动号召、结束语。

B. 叠加层。 视频保持可见；在上方叠加透明的动态画面：关键词或短语、递增的数字、图标、箭头、徽标，或逐项显示的简短列表。适用于某句内容中有一个值得展示的具体事物，同时说话者也值得观看的情况。叠加内容尽量放在边缘及上三分之一或下三分之一处，以免遮住说话者的脸。画面中一次只呈现一个概念；句意转变时，该内容也随之消失。

C. 遮盖。 不透明的全屏动态场景遮住说话者，但保留其声音。适用于与其看着一张脸说，不如直接展示画面的内容：数字和比较、流程或步骤、工作原理、产品或界面，以及包含三个或更多部分的内容。动态画面应解释这句话，而不是单纯装饰。

在句子或分句结束处拆分转录内容。为每一行指定 A、B 或 C，并用一句话说明理由，同时说明 B 或 C 要展示什么。然后检查节奏：

• 以 A 开场，让观众先认识说话者；以 A 收尾。
• A 连续出现的时长不要超过约 8 秒；用 B 或 C 打断。
• C 连续出现约 3–8 秒；两段 C 之间回到说话者画面，避免影片变成配旁白的幻灯片。
• 在每行边界处安排处理方式的切换，并在其对应词语出现时展示叠加内容；根据下方的时间规则决定各元素的先后顺序或同步方式。
• 优先采用较少且更清晰的处理方式，而不是每行都切换一次。

视觉时机：逐拍决定

为每个有意义的元素选择时机，而不是为整个 B-roll 图层一次性选择。在计划中记录它对应的口播词语或短语、时间戳、时机选择和简短理由：

时机	适用场景	时钟
提前约六帧	让观众视线有所准备的内容：坐标轴、卡片、物体、流程结构	s.now
与相关词语同步	新的关键信息：金额、百分比、价格、排名、最终图表数值	s.audioNow
等待揭晓	笑点、否定、暂不揭晓的答案和结论	s.audioNow，在揭晓词语或短语处触发

对于“收入增长了 30%”，应提前呈现图表结构，然后在说到“30%”时，让 30% 清晰可读，并让最终柱状图数值同时呈现。同步意味着信息已清晰可读或稳定呈现，而不只是较长的淡入或计数动画刚刚开始。准备性的动画可以提前开始，但不得提前揭晓答案。先前提到的数值可以作为背景信息继续显示。

SCENES.from/to 和词语锚点使用原始转录中的秒数。模板会将结构时钟提前 VISUAL_LEAD_FRAMES / FPS（默认提前六帧：25 fps 时为 240 毫秒，30 fps 时为 200 毫秒）。s.now、t、s.in 和 s.out 使用该时钟；s.audioNow 仍是实际播放时间。使用 s.audioNow >= wordStart 触发每项同步信息。不要同时移动锚点，也不要在编辑器中对完成的图层重新定时。对于要求精确同步的情况，使用 VISUAL_LEAD_FRAMES = 0；在混合场景中，事实信息和暂不揭晓的内容应继续使用音频时钟。

保持录制内容、音频、字幕和影片时长不变。检查场景出口时间偏移后是否会遮挡同步揭晓内容，或缩短其清晰可读的停留时间；必要时延长或重新规划该场景及相邻场景。开场和结尾保留仅有说话者的画面。围绕锚点试听：估算的词语时间不保证精确到帧。这是根据我们的样例审查得出的编辑默认方案，并非普遍适用的感知规则。

为便于比较，固定视觉内容并带声音审看。scripts/compare-timing.py 只用于较早的整层偏移实验：输入零提前量的基准 Alpha 图层，不要输入选择性定时或已经提前的图层。它无法验证这些逐元素的时机选择。

本方案不包含完整的烧录字幕：只有用户提出要求时才添加。B 叠加层中的文字应是几个关键词，而不是正在说的整句话。

屏幕文字应使用说话者实际说出的词语，或来自转录内容或用户材料中的数字和名称。不要编造数据、主张或引语。

3. 构建页面

将 <skill>/templates/b-roll.html 复制到录制文件所在目录，并命名为 page.html，然后设置：

• VIDEO、W × H（视频的画面比例：1920 × 1080；竖屏则为 1080 × 1920；4K 文件可以沿用 1920 × 1080 页面）、FPS、DURATION，取自 transcribe.mjs 输出的内容。
• FACE：说话者头部所在位置（包括头发，并在周围留出一些空间），用画面比例表示。node <skill>/scripts/render.mjs page.html face --stills 2s,20s --face 会显示带框的录制画面；调整参数，直到所有静帧中的头部都能被框住。
• SCENES：每段 B 或 C 片段各设一项，格式为 { from, to, kind: 'overlay' | 'cover', draw }，时间取自 transcript.json 中的单词时间戳。场景之外的内容都属于 A。两个场景可以首尾相接（前一个的 to 就是下一个的 from）；说话者短暂露出会像闪烁一样。
• 每个场景编写一个 draw(t, s)，内容要配合该句所说的内容。模板中的两个示例（关键词卡片和同步显示的数字）展示的是结构，而非视觉风格。s.in 和 s.out 分别表示入场和退场；s.now 是前进中的结构时钟；对于同步事实和延后揭示的内容，使用 s.audioNow 和原始单词锚点。

界面默认采用浅色。只有在以下情况才使用深色：（a）用户或品牌明确要求；或（b）主题本身就适合深色背景（终端／代码、夜空、影院）。黑底霓虹是所有 AI 视频的陈词滥调式默认风格；未经要求就采用这种风格，是设计失误。

字体：每个字体系列使用一个 Google Fonts <link>，其中包含所用字重；绘制时使用的每种字体都必须列在 FONTS 中，这样渲染时就不会回退到其他字体（渲染需要网络才能加载字体）。

4. 检查

node <skill>/scripts/render.mjs page.html --check                 # the plan against the transcript and the pixels
node <skill>/scripts/render.mjs page.html film.jpg --sheet 1      # the whole film, one frame a second, over the recording
node <skill>/scripts/render.mjs page.html shot --stills 12s,20s   # full frames, to read text and spacing

--check 必须通过：每个遮罩在入场后都要完全遮住说话者；叠加元素不得侵入 FACE；每个原始语音锚点都必须落在单词之间（显示的图形可以提前出现）；场景之外不得绘制任何内容；文本不得溢出画面，也不得与其他文本重叠。如果文本距离画面边缘不足 3%，程序会发出警告，因为部分播放器会裁切边缘内容。它还会输出时间线，列出每段所说的内容，并提示节奏问题（长时间只有说话者出镜、遮罩少于 3 秒或超过 8 秒、遮罩连续出现、片头或片尾没有以说话者出镜结束或开场）；如果有合理原因，警告可以保留，但要说明原因。

它无法判断图形是否表达了对应语句的内容、文本是否清晰易读，或文本是否溢出卡片、跨越图表线条：查看整页来检查流程，并查看每个场景的静帧来检查文本。修正后再次检查，直到效果达标。

5. 渲染并交付

node <skill>/scripts/render.mjs page.html film.mp4        # the finished film: the recording, the b-roll over it, the original sound
node <skill>/scripts/render.mjs page.html b-roll.mov      # the b-roll alone with alpha: ProRes 4444 for Premiere Pro, Resolve, Final Cut
node <skill>/scripts/render.mjs page.html b-roll.webm     # the same as VP9 with alpha: small, for browsers and OBS

交付 film.mp4、页面（在浏览器中打开，即可播放带声音的影片并拖动浏览各个场景），以及一份简短的方案表：时间、所说内容、处理方式、屏幕显示内容。如果用户要在 Premiere Pro、DaVinci Resolve 或 Final Cut 中编辑，也要提供 Alpha 图层（.mov；ProRes 文件较大，1080p 下约为每秒 5 MB）：将它放在录制素材上方的轨道中，并从 0 开始。说明你做了哪些用户未要求的选择。

要求：Node 18+、在工作目录或其上级目录（也可以在 skill 自身目录或其上级目录）中运行 npm i playwright-core、ffmpeg、Chrome（或运行 npx playwright install chromium），以及 whisper.cpp 或用于生成转录文本的 ElevenLabs 密钥。