talking-head

访谈影片

将用户的脚本制作成一部影片：在适合直接对镜表达的台词中，让人物出镜；其余内容则用图形解释。人物是影片中的实拍素材。用户若要求全程出镜演讲，也可以照此制作；请尊重这一选择。

在用户的输出目录中工作。下方的 <skill> 指的是包含此文件的文件夹。依赖项与技能文件放在一起，因此即使技能单独安装在代码库之外，也能正常工作：

pnpm --dir <skill> install --frozen-lockfile
node <skill>/scripts/talking-head.mjs --help

需要 Node 22+、ffmpeg/ffprobe、FAL_KEY 和 ELEVENLABS_API_KEY。有关计划字段、命令、故障恢复和服务商限制，请参阅工作流参考。凭据应放在本地环境中，切勿写入计划或输出源代码。照片和语音参考素材会上传到 fal；语音样本和文本会发送到 ElevenLabs。

输入和计划

• 提供两种输入方式：照片 + 语音（一张或多张用户照片，以及清晰的语音录音或现有语音 ID），或自拍视频（一个片段同时提供用户的外貌和声音）。用作身份输入的视频与用户希望原样剪辑的录音不同；不要将前者用于 B-roll 剪辑。
• 对于新录制的视频，请让用户保存一段简短的手机或网络摄像头视频，最好是单人自然说话的 30–60 秒片段，画面中人脸清晰、眼睛睁开、光线稳定，且没有背景音乐或其他说话者。也可使用时长较短的现有录音，但语音克隆质量可能较差。此技能接受已保存的视频文件；不包含摄像头录制界面。
• 对于视频输入，请运行 prepare-person --video inputs/me.mov --out inputs/person。此操作在本地执行，无需 API 密钥。检查 frames.jpg 和完整尺寸的候选人像，优先选择最清晰的画面；如果可以播放音频，请试听 voice.wav。脚本按时间戳采样，不会判断面部画质；请剔除眨眼、模糊或被遮挡的画面。如果其他位置有更合适的素材，请使用 --frame-times 或指定音频区间。具体命令和文件路径请参阅工作流参考。
• 使用用户提供的照片、语音和文本。仅在缺少身份素材或需要获得使用他人语音的授权时提问。已有语音 ID 无需再创建新的克隆。如果用户已经授权使用其语音，就使用该授权，不要再次询问。
• 第一张图片决定服装和场景。其他照片有助于保持人物身份一致。除非用户提出要求，否则不要改变人物面貌或凭空生成影棚人像。
• 如果用户提供的是主题而非脚本，请先撰写脚本。通常将开场钩子、个人观察和结尾安排为出镜台词；步骤、证据和比较则用动态图像解释。通常一到三句简短的出镜台词就足够；全程演出会产生更多生成视频。
• 每个 talking 场景放一条简短的出镜台词，语音时长约为 2–11 秒。较长的台词应在句子或分句处拆分。镜头时长应以测得的音频时长为准，而非粗略估算字数。motion 场景使用旁白和全屏图形。
• 仅使用用户提供或脚本中已有的事实、姓名、数字和引言。标题应简短。仅在用户要求时添加字幕。

按照参考架构编写 plan.json，然后先执行试运行。使用用户现有的预算；否则，先生成一段短样片，再制作长片。用户提出生成请求时，此操作属于付费操作；对已获授权的运行，无需另行确认。切勿在未告知的情况下自动重试付费请求。

生成

克隆一次，或使用现有的语音 ID。克隆必须先完成 ElevenLabs 验证，才能进行合成。在计划中设置该 ID。生成到一个全新的 runs/<name> 目录中：

node <skill>/scripts/talking-head.mjs generate --plan plan.json --out runs/intro --dry-run
node <skill>/scripts/talking-head.mjs generate --plan plan.json --out runs/intro

脚本会合成所有台词、检查实际时长、生成真人出镜视频，并转录返回的视频。它会保存请求 ID 和结果。重复运行相同的命令会继续处理这些请求；如果脚本或图片有变更，则需要使用新的输出目录。如果请求响应丢失，请按照恢复说明操作，不要删除状态后再购买另一条录音。

H3 会将 ElevenLabs 录音作为声音和表达方式的参考。它会生成自己的音频，并非保证逐帧精确的口型同步渲染器。**人物说话的镜头请保留 H3 音频。**动态场景使用 ElevenLabs 旁白。不要用第二条音轨为整部影片配音，也不要在人物说话的镜头上叠加旁白。检查 verification.json：差异可能来自模型的增补、遗漏或转录错误。先查看实际片段再做决定，不要自动购买替换录音。

设计影片

generate 会将 visuals.mjs 复制到输出文件夹。在该文件夹中编辑它。初始美术素材是可运行的示例，不是最终创作简报。渲染器会针对每一帧，以 Canvas 2D 上下文调用 draw(ctx, scene, time, { width, height, fps })。场景时间以局部秒数计；scene.words 包含测量得到的语音时间信息。

• 只要说话者出现在画面中，就让其与精心设计的元素共享画面：关键词、图表、下三分之一字幕条或有边框的版式。水印或整句字幕都不能代替这种设计。
• 不要让叠加内容遮住脸部。检查实际合成的前段、中段和后段画面。如果脸部与默认的下三分之一字幕条重叠，请移动或缩小美术内容。
• 顺着论述推进，而不是每遇到一个名词就切镜头。动态效果应展现观点：比较、流程、逐渐增长的列表或关联关系。留出足够的阅读时间。
• 图形可以比对应的口播锚点提前约 6 帧出现；延后揭晓的答案则应在对应词语出现时呈现。说话场景应使用返回视频中测得的时间信息，而不是原始 TTS 时间信息。切勿移动音频来匹配图形。
• 除非简报要求其他风格，否则说明性图形应优先采用明亮、易读的背景。不要虚构统计数据，也不要添加通用的装饰性仪表盘。
• 使用基于时间的确定性绘制。在 draw 中不要使用网络素材、随机值或挂钟时间动画。环境还提供 registerFont(path, family)；如果语言需要宿主环境中没有的字形，请在第一帧调用一次以加载本地字体。请按实际输出尺寸检查文字。

渲染和审阅

node <skill>/scripts/talking-head.mjs render --manifest runs/intro/film.json

渲染在本地进行，无需调用服务商。它会保留各源场景的原始声音，添加美术内容，并将场景拼接起来。请检查 review/ 中每个场景的合成图像，并在可以播放时带声音播放 film.mp4，审阅表达效果、场景衔接和口型同步。仅凭静态图像和转录文本无法确认这些质量；如果无法收听或观看，请说明这一限制。

交付 MP4、可编辑的 visuals.mjs 和计划（如有需要），以及 speech.vtt（如有要求）。说明任何尚未审阅的转录差异或可见问题。不要在公开示例或提交内容中包含私人语音样本、服务商 URL、凭据和内部运行状态。