vox

Vox

输入一张照片和一个创意，输出一段 6 到 15 秒、具有 Vox 解说纪录片风格的纸艺拼贴动画。之后每次修改都只需再给出一条提示词：换一个人、一个地方、一个物件，动画风格保持不变。

用对方的语言与他们交流。<dir> = 他们项目中的 video-agent/vox/<slug>/（slug：用 2 到 4 个词概括创意，并采用 kebab-case）。

video-agent/vox/<slug>/
├── photo.jpg        their photo, untouched
├── layers/          every layer of the collage (PNG with alpha, plates in JPG/PNG)
├── raw/             Codex renders before the chroma cut, and the job logs
├── shots.json       the layers asked to Codex (name, kind, ar, subject)
├── animation.html   the animation: window.setT(t), opens in any browser and plays
├── capture.mjs      frames -> MP4
└── <slug>.mp4

1. 工具（一次性）

codex --version && codex login status
ffmpeg -version | head -1
node --version

• 缺少 Codex：运行 npm i -g @openai/codex（Node 20+）或 brew install codex。尚未登录：让他们自行运行 codex login（“Sign in with ChatGPT”）。绝不要在聊天中索要密钥或密码。
• 缺少 ffmpeg：macOS 运行 brew install ffmpeg，Linux 运行 sudo apt install ffmpeg，Windows 运行 winget install Gyan.FFmpeg。
• 然后在 <dir> 中运行：npm init -y >/dev/null && npm i puppeteer@24（用于捕获画面的无头 Chrome，只需下载一次）。

2. 规划（先发一条消息，然后等他们确认）

根据照片和创意，先像设计杂志页面一样规划拼贴，再规划动画动作：

• 主角：使用他们的照片，始终使用真实照片（绝不由 AI 重新绘制：面孔会变样）。抠出主体（步骤 3），再由页面中的代码将其处理成半色调印刷效果。
• 背景底图：一张铺满 9:16 画面的纸艺场景，用来设定地点和时间（天空、城市、地图、书桌或一张泛黄的纸）。
• 3 到 6 个剪贴图层：故事中的物件（纪念碑、报纸、钞票、汽车、建筑、云、鸟）。每个物件都是独立图层，可以单独移动。
• 动画动作（6 到 15 秒）：镜头全程缓慢推进；图层每隔 0.5 到 1.5 秒依次进入（滑入、从下方升起、从上方落下，或用撕纸转场）；安排某些元素持续活动（云朵飘动、用两个剪贴图让鸟拍翅、纸片飘落）；如果创意需要，可在撕纸条上放置一个标题（地点和年份、姓名）。所有动画都以 12 fps 的定格动画节奏播放。

用编号列表展示各图层（名称、背景底图或剪贴图、展示内容），并用 4 到 6 行展示节拍时间线。等待对方确认：每个图层都对应其规划中的一张 Codex 图片。

3. 他们的照片：抠出主体，绝不重新绘制

mkdir -p <dir>/layers <dir>/raw
cp "<their photo>" <dir>/photo.jpg
uvx --from "rembg[cpu,cli]" rembg i <dir>/photo.jpg <dir>/layers/hero.png

uvx 随 uv 一起提供（curl -LsSf https://astral.sh/uv/install.sh | sh，或 pip install uv）。首次运行时会下载模型（约一分钟）。检查 PNG：轮廓应干净，不能残留背景碎块。然后：

• 抠图效果不佳或没有 uv：改用矩形照片印刷效果，这种方式也很有 Vox 风格：将 layers/hero.jpg 作为带白色边框和撕裂边缘的印刷品放置（参见 references/animation.md 中的“The photo as a print”）。
• 没有本人照片的人物（如拿破仑、画作）：使用公有领域的版画或画作（Wikimedia Commons），并用相同方式抠出主体。
• 只使用已同意的人物照片或公有领域图片。如果他们发送了他人的照片，要提醒一次。

半色调效果、白色剪纸边框和阴影都由页面添加（参见 references/animation.md），因此真实照片始终保持原样。

4. 用 Codex 制作图层

编写 <dir>/shots.json，并使用 references/look.md 为每个提示词构建内容：主体描述、剪贴图层的绿幕句子，以及风格句子。提示词中绝不出现“Vox”一词，绝不包含徽标、文字标识或任何可读文字（报纸和纸片上只能使用不可读的字体纹理）。

按照 references/look.md 中的命令运行任务，每次在后台运行 3 个，并始终以 < /dev/null 结尾。每个任务需要 1 到 3 分钟。然后对每个剪贴图层执行色度抠图：

ffmpeg -v error -y -i <dir>/raw/<name>.png -vf "colorkey=0x00FF00:0.30:0.10,despill=type=green:mix=0.6:expand=0,format=rgba" <dir>/layers/<name>.png

逐一目视检查每个图层：将其放在红色背景上，查看是否有绿色边缘（ffmpeg -v error -y -f lavfi -i color=red:s=1024x1536 -i <layer> -filter_complex "[1:v]scale=1024:-1[a];[0:v][a]overlay=0:0" -frames:v 1 <dir>/raw/check-<name>.png），并确认其中没有文字或字母。效果不佳时，修改主体描述，然后重新运行该图层。

5. 动画页面

根据 references/animation.md 中的模板编写 <dir>/animation.html（完整页面已在其中并经过测试），并根据计划进行调整：图层、尺寸和位置，以及 setT 中的时间线。让它看起来像 Vox 纪录片的规则也在同一文件中。确保 setT(t) 是纯函数：捕获过程会逐帧调用它。

在浏览器中打开页面进行预览（页面会自动播放）：open <dir>/animation.html（macOS）、xdg-open（Linux）、start（Windows）。在捕获之前修复看起来不对的地方。

6. MP4

根据 references/animation.md 编写 <dir>/capture.mjs，然后：

cd <dir> && node capture.mjs animation.html <slug>.mp4

每秒视频约需 4 秒处理时间。展示之前先查看 3 帧（开头、中间、结尾）：ffmpeg -v error -y -ss <t> -i <slug>.mp4 -frames:v 1 -vf scale=540:-1 raw/frame-<t>.jpg。交付 MP4 文件路径。音乐或旁白可在他们的编辑器中添加，也可使用 /short-editing。

7. 用另一个提示词修改

使用相同的 <dir> 和页面，只修改需要改变的内容：

• 换另一个人（“用拿破仑来做”）：换一个新的主角（步骤 3），图层和时间线保持不变：页面会替换 layers/hero.png，然后重新捕获。
• 换另一个物体或地点：新增一个 Codex 图层（步骤 4），放入页面，其余保持不变。
• 换另一个动作或时长：只改 setT。如需其他格式，请参阅 references/animation.md 中的“Formats”。

不要重新生成未发生变化的图层。

坦诚说明局限

• Codex 的图像工具会自行决定细节：图层上可能带有文字，也可能出现绿色边缘。务必检查。
• 从复杂照片中抠图可能会漏掉头发或手指：印刷版是稳妥的备用方案。
• 每个图层都会计入其 ChatGPT 计划的 Codex 使用限额。
• 视觉风格借鉴 Vox 纪录片：画面中绝不能出现其名称、徽标或文字标识。