大头剪贴人物短片（bighead-collage）
每个短语都是一件实物在小舞台上被摆弄：人是大头照片剪纸，数字是举着的牌子，字是贴条、黑板字、路面字，镜头和物件推着它们走——不是一句话配一张图、缓慢推进、字幕浮在画面上。 而且观众每一刻都看得懂：每次换场都有一样东西从上一镜带过来，换场的动作本身讲得通。
这是判断，不是模板。没有可以照抄的场景顺序；每条片的舞台从它自己题目里的物件来。
先看四样东西
anchors/taste_board.jpg：好在哪（参考片 12 个时刻）；anchors/own_taste_board.jpg：用这份 skill 做出来的 12 个时刻。anchors/gap_pairs.jpg：不看这份 skill 时最容易做出来的（扁平矢量、放射光底、人缩成角落头像、整句字幕）vs 参考。examples/munger-life/near_misses.jpg：我们自己做《芒格的一生》时差一点就对的几处（像 PPT 的运镜、没有理由的换场、整屏空一下、主角消失），每处一句差在哪。style-card.md：全部判断，15 节，每条带参考片时间点。
开工前（每条片都先过这一步）
- 环境：
python scripts/doctor.py。有 ✗ 的按它给的命令装好再往下；装不上的告诉用户卡在哪。 - 配音和生图怎么来：看
python scripts/config.py。- 没有
config.json（第一次用）：问用户两个问题（有 AskUserQuestion 就用它，一次问完；没有就直接列选项问），答案用python scripts/config.py set …写进去，以后不再问：- 配音：① edge-tts（默认、免费、不用注册，音色
zh-CN-YunxiNeural）② 我有录好的整条配音（mp3/wav）③ 接我自己的 TTS（豆包、ElevenLabs、MiniMax、本地模型……，要给一条命令，示例在scripts/tts_examples/）。 - 生图：① codex（本机 codex CLI，走 ChatGPT 订阅额度）② OpenAI 图像接口或兼容服务（要 key，可填 base_url）③ 我自己的生图命令 ④ 手动（只出提示词，我自己拿去生成再放回来）。
- 对应写法：
voice.provider=edge/recording/command；image.provider=codex/openai/command/manual。选了 command 要同时问到那条命令；选了 openai 问模型名和地址（官方就留空）。
- 配音：① edge-tts（默认、免费、不用注册，音色
- 已经有
config.json：一句话告诉用户现在用的是什么（"配音 edge-tts、生图 codex"），用户没说要换就照用。 - 选完再跑一次
doctor.py，确认这两项是 ✓。
- 没有
- 还缺什么就问什么：选题和文案（用户只给选题时，按第 0 站写好文案给他确认）、主角的脸参考照（没有就去维基共享资源找 CC BY / 公有领域的，记进
SOURCES.txt）、画幅（默认 9:16）。
流程（每一站都有产物）
| 站 | 做什么 | 产物 |
|---|---|---|
| 0 文案 | 第三人称短句，第一句就是钩子（年份/数字 + 人）；不寒暄、不总结。中文 4.5–5 字/秒，30 秒约 130 字；句间停 0.2s，段落之间停 0.35–0.55s | script.json |
| 1 配音 | voice.provider 是 edge / command：python scripts/temp_voice.py script.json，逐句配音 + 每个字的时刻（默认用语音识别对齐到真实发音）。是 recording（用户给了整条配音）：python scripts/voice_timeline.py 配音.mp3 | timeline.json、voice/ |
| 2 导演表 | 先写导演表，再写画面（用 video-director，没有就按 examples/munger-life/director.md 的列）：每一镜屏上是什么 → 观众多懂了什么 → 读懂+停留 → 凭什么接上一镜。答不出"凭什么接"就不换场。然后每句拆成短语，写"屏上哪件实物、做什么动作"（references/mapping.md）。再定每场的舞台分区（主角位 / 账本位 / 小戏区 / 字位，mapping.md 十三）和角色表（文案里的人都上场，十四）。最后写动作表：每个事件从哪进、走什么路、多久、缓动、过冲、碰到什么、怎么离场（engine.md「动作语法」）。原创没有原片可量，这一步不写，动作就会落回"从零放大弹出来" | director.md |
| 3 素材 | 在 gen/ 里用 python scripts/gen_image.py "名字.png|提示词|参考图"（按 image.provider 生成；manual 模式会写出 PROMPTS.md 等用户放图）。主角照片当参考 → 直接生成大头全身像（白底，一张图，不拼接）→ cutout.py 抠进 img/；底和道具也用生图（白底 → 抠）。要拆、拼、复杂处理才能得到的图，都先试直接生图 | img/、SOURCES.txt |
| 4 画面 | scene.js：一场一个 scene()；字用 word()/row()；相机用 spline；时间全用 at(句, 词)；中文竖屏片加一行 captions() 字幕轨（references/engine.md「字幕」）；字幕和关键内容放进平台安全区（references/production.md 第 3 节） | 静帧 → 720 预览 |
| 5 声音 | sfxlist.mjs 从画面导出音效表 → mix.py | mix_master.wav |
| 6 样片前自查 | references/production.md 第 6 节的十项，全过了再给用户看（这就是回归，每条片都跑） | 自查记录 |
| 7 交片 | 合成、verify.py、看这里/、用播放器直接打开给用户 | final.mp4 |
工具、参数和坑：references/production.md（素材、配音、音效、渲染、自查）和 references/engine.md（stage.js）。
用户要"照着参考片整条复刻、看像不像"时（对临）：配音用原片人声、时刻和版面按原片逐帧量，做法在 references/production.md 第 8 节。
写每一镜时问自己的八句
- 观众这一镜要看懂什么？ 写成一句具体的话。写不出来，这一镜就是为了切换而切换。
- 凭什么从上一镜到这一镜？ 带一样东西过去：同一个人走过去、推进同一扇门、同一个世界翻过来、同一块招牌又出现。"明信片放大 → 一张店的图"讲不通；"少年走进明信片里那扇门 → 镜头跟进去 → 门里就是店"讲得通。
- 这个短语里的名词，屏上是哪件实物？ 数字 → 牌子/黑板/日历；人 → 大头剪纸；时间 → 一页页翻、一个个数；找不到实物，就把字做成贴条贴在一个实物上。
- 这个短语里的动词，那件实物做了没有？ 卖 = 金币飞走；寄 = 目录飞进邮筒；离婚 = 婚戒滚走；走了 = 他起身走出画面。动词没发生，这一镜就是"配图"。
- 这个动作落在哪个字上？ 换场、物件动作、镜头到位，都落在新画面要演的那个词上，常在一句话中间；不放在两句之间的停顿里（"一句一页"是 PPT 的节奏）。卡的是字，不是配乐的拍子。
- 镜头在做什么动作？ 一场 1–2 个宽而果断的推或拉，推完顺势拉，动作之间停一停；转场长在推得、拉得、摇得最快的那一刻。场内微微缓推、转场时突然来一下 = PPT。反过来也不行：讲事的段落里字落下来时镜头要停住，不做 1.0→1.1→1.02 的小抽动——全片的推拉幅度是开头和转场撑起来的。
- 这一刻观众看哪？画面里每样东西凭什么还在？ 每场有固定分区：主角位、账本位（会积累的那一排）、小戏区、字位。上一件事的东西要么排进账本位，要么被戏里的人带走；说不出理由的不是删掉，是回去改调度。讲事的段落每 0.5 秒暂停一帧，说出眼睛落在哪：说出来的是"一个动作"而不是"这句话讲的那件事"，就是特效盖住了内容。
- 字属于谁？ 在人身后、在牌子上、在黑板上、是贴条——不浮在空中。出字方式要轮换，同一种连用三次就是模板。
度（AI 学会一个手法就会滥用）
- 换场的密度看观众：参考片一场 1.2–3s（英文母语、熟悉巴菲特）；中文、观众不熟这个人时，一场 2–6s，段落间停 0.35–0.55s。场内的事件密度（0.4–0.6s 一个）不变。
- 主角在场多少看题材：讲一件事（囤现金、发明邮购）→ 人占 30–50% 的时间，另一半交给钞票、计数板、黑板、手；讲一个人的一生 → 人就是贯穿全片的那样东西，可以每场都在，但每场都要有他之外的东西在动（戒指滚走、招牌荡下、日历翻页）。
- 圆圈揭开 / 缩进白圈：段落交界各一次，不是每次换场都用。
- 换色（黑白 + 暗红）：只在"处境变坏"那一处。
- 计数、打字、乱码解字、灯泡：一条片里各至多一次。白底贴条一条片 2–4 张。
- 三行堆字压在人身后：人名那一次必用；之后换别的出字方式。
- 大头只给主角（配角至多 1–2 人），姿势每 10 秒至多一个。
- 小舞台从这条片自己的题目里找；参考片的浮空小镇、红白漩涡纸是那两条片的答案，照搬会被一眼认出。
- 音效几乎每个事件一个，但永远比人声低 7 dB 以上。
- 动静按段落分：开头钩子（约前 8 秒：一张脸 + 一个冲突 + 片名卡）可以满——满天飞的复印纸就是在演"全世界都在抄"，那里的动静就是内容，不做减法。讲事的段落每一拍只有一个焦点，动作只做两件事：把东西带进来、把这句话的动词演出来；纸片雨、金币雨、扬尘、闪光、震屏不讲内容就不加，推拉不配"呼"；繁忙的底（地图、纹理）压暗、降饱和、微糊，人要比纹理大。场内 0.4–0.6 秒一个事件，说的是讲这句话的动作，不是装饰。
- 字幕：中文竖屏片固定一条（
captions()）：y≈1400、思源黑体 Bold 62px、白字粗黑描边、按短句换、不做动画，一条不超过 14 字（在语义处断）；片名卡、逐词排出来的原话那几秒让位。关键词还是场景里的大字（900 粗体），两者一眼分得开。
完整的度表在 style-card.md 第 10 节。
拒绝
- 一张静止的图撑一句话（整图 + 缓推 > 1.5 秒）；场内几乎不动、只在转场处来一下特效。
- 没有理由的换场：前后两镜没有共同的东西、换场动作讲不通。
- 扁平矢量图标、卡通画、放射光底、图表、坐标轴。
- 人缩成角落里的头肩贴纸。
- 字幕抢戏：字幕只能是固定位置、没有动画的一条；关键词仍然在场景里。
- 特效盖住内容：讲事的段落一拍好几样东西在动、字落下来时镜头还在晃、底比人响（用户原话"不是在看内容而是看特效去了"）。但开头钩子不在此列。
- 关键内容落在平台界面下面：9:16 片的字幕、数字、主角的脸进了顶部标签栏、右侧按钮列、底部标题区（
scripts/ui_check.py查）。 - 画面里出现网址、水印、署名（参考片里 amazon.com 卡片是穿帮，不要学）。
- 道具"从零放大弹出来"、凭空消失；人物只换姿势图不演；文案里的人拿道具顶替。
- 屏上演出的事实没核过（芒格摘掉左眼后装的是义眼，不戴眼罩；画一块眼罩就是错的）。
作者定过的口味
references/taste.md：作者看样片时说过的话（表里的"用户"指作者）、对应的规则和适用范围（这个风格 / 所有风格）。新做一条片之前读一遍。你的用户看样片时说了新的，就往这张表里加一行，同一个问题不让他说第二次。
文件
style-card.md | 15 节风格卡（判断 + 证据） |
references/mapping.md | 每类话怎么变成实物在动：两两成对的例子、分镜表格式 |
references/engine.md | stage.js：场、三层盒子、相机曲线、字、转场、上下顺序、音效登记；坑 |
references/production.md | 素材、配音、音效、渲染、样片前自查、交片 |
references/taste.md | 用户定过的口味规则（带范围） |
examples/munger-life/ | 《芒格的一生》：导演表、每个换场为什么这样接、成片接触表、近失对。是"怎么做过一次"，不是可以抄的画面 |
examples/hardcases-01/ | 《商业狠人图鉴 01》（59s，用户整条配音）：动作分镜（动作语法、8 个角色）、舞台调度导演表、注意力层级导演表（特效盖内容 → 一拍一个焦点；开头钩子不减；9:16 安全区；字幕）、第 1/2/3 版和第 3/4.1 版同一时刻的近失对 |
anchors/ | taste_board / gap_pairs / detail：参考片原帧（earn.edits，见 README「引用说明」）；own_taste_board：用本 skill 做的片子 |
scripts/ | stage.js（含 captions() 字幕轨）acts.js（动作语法）ui_check.py（平台界面遮挡自查）look.css new_film.py bighead.py cutout.py split_sheet.py（一张图切几件道具）gen_image.py（生图，四种方式）config.py（配音 / 生图设置）doctor.py（环境自检）temp_voice.py voice_timeline.py（整条正式配音 → 时间线）ref_timeline.py sfx.py sfxlist.mjs mix.py frames.mjs verify.py vsr.py（量片子：换场、运镜曲线、平涂占比、帧条）；tts_examples/（接豆包 / OpenAI TTS 的示例） |
