一句话成片
把一条 1–3 分钟的口播教程视频从零做到可发布。人只需要给主题和素材、确认花钱的步骤、最后审片。
〇、开工前要拿到的东西
| 东西 | 用途 | 没有时 |
|---|---|---|
| 主题 + 目标观众 + 必须出现的事实 | 写稿 | 问一次 |
| 往期视频的标题 / 文案 / 链接 | 学他的写稿风格 | 用写稿 skill 里已有的风格 |
| 一张本人正脸照 | 口播数字人的参考图 | 最好从他真实视频里截一帧，不要用 AI 生成的人像 |
| 一段 8 秒左右干净的本人声音 | 口播数字人的参考音频 | 从往期视频里切一段没有配乐的 |
| 要发哪些平台 | 决定出几个版本 | 默认只出一个 |
花钱的步骤一律先问：每次提交生成前，列出模型、时长、预计积分，等对方明确说“提交”再提交；提交后报 submit_id 和余额。重跑也要问。
一、写稿
- 用写稿 skill（没有就先根据他往期视频总结一个）写三列分镜表：阶段｜口播｜画面。
- 每段口播 ≤ 15 秒；画面列标清【A】口播 /【B】B-roll /【B＋A小窗】，B-roll 写明是截图、本人素材还是说明动画。
- 不编造数字；画面里不出现平台 logo、水印、网址。
- 分镜表给对方确认后再往下做。
二、口播画面（A-roll）
- 即梦 CLI 全能参考（multimodal2video），Seedance 2.5，16:9，参考图 + 参考音频，按分镜段落逐段生成。提示词见
references/prompts.md。 - 生成后逐段转文字（whisper），和台词逐字比对；念错的段落只重跑那一段（先报价再提交）。念错的词如果在全屏 B-roll 下面，可以直接换用别的 take 里那一句的声音，不必重跑。
- 下载原片保存，不要转码压缩后再用。
三、B-roll
- 截图 / 录屏：真实页面、终端、文件夹。平台标识、账号、隐私打码。
- 本人素材：往期视频片段、封面、照片，按原比例用，不裁切人脸。
- 说明动画：用代码动画 skill；每个动画先定好落在哪句台词上（用字级时间轴的 cue），再逐帧画。一个画面只讲一件事。
四、口播粗剪（最容易出问题的一步）
用 ffmpeg 一次滤镜图完成（每段 trim → setpts → scale → fps=30，再 concat），规则：
- 只在停顿里下刀：剪点吸附到 ±0.25 秒内最安静的 20ms；停顿段必须在下一个字开口前 0.05 秒收住，否则会带进半个字。
- 倍速按帧率选：25 帧素材 1.2×、24 帧（Seedance）1.25×，正好映射到 30 帧，一帧不重复。1.1× 之类会周期性重复帧（跳帧）。
- 气口：每句话讲完留 0.5–1 秒；关键句（包袱、情绪句）后约 1 秒；笑声按原速放完再切。
- 气口不够长时慢放静默段，用
minterpolate补帧；补帧会吃掉末尾几帧 → 多喂 0.25 秒原素材，再按精确帧数截断（tpad=stop_mode=clone,trim=end_frame=N，音频同样 apad + atrim 到对应采样数）。素材到头没法多喂时，别慢放，改用下一条素材开口前的静默当气口。 - 口播画面不做任何处理：不缩放（不做 100%/120% 跳切）、不推拉、不调色、不叠颗粒。720p 放大会发虚；两条不同 take 硬接的地方，用 B-roll 转场或小窗放大盖住。
- 缩放用 lanczos，中间文件 CRF ≤ 12，每秒一个关键帧（
-g 30）。 - 粗剪后跑
scripts/check_frames.py：总帧数 = 时长 × 30；步骤段不允许出现 ≥2 帧的定格（章节卡除外）。
五、时间轴
- whisper 字级对齐到成片口播，得到每句 s / e 和每个字的时间 ct；B-roll、字幕、动画都按 ct 取 cue。
- 笑声、极短的词附近对齐常常错位。关键位置（要哔掉的词、硬切点）把那一小段单独切出来转文字确认，别直接信对齐结果。
六、HyperFrames 合成
- 一个 index.html：口播
<video>+ 若干插入片段 + 两个 canvas（背景 / 前景），一条暂停的 GSAP 时间线驱动renderFrame(t)，画面只由 t 决定（可逐帧导出、可跳到任意时间）。 - 镜头表：每个镜头 = {模式 A / B / BP, 起点（取自台词 cue）, 绘制函数, 转场}。B→A 快切；A↔A 不做动画；需要硬切时起点放在口播剪接点前一帧。
- 字幕逐句、底部居中；配乐原创，人声出现时 sidechain 压低，整体 -14 LUFS。
- 平台版本用一个开关（如
window.HB_VARIANT）切换：换图、打码（把文字画到离屏画布再缩小放大成马赛克）、换头像，主版本输出不受影响。
七、分段渲染
整片固定切成 N 段（如 8 段 × 16 秒），每段是一份把时钟起点设成段首的 html（口播加 data-media-start，插入片段平移或去掉，去掉音频），hyperframes render -c 渲完核对帧数，再用 concat 拼接，最后单独混音、封装。改哪段只重渲哪段；平台版本只渲它改到的段。脚本见 scripts/render_segments.py。
八、抽帧检查（交付前必须做完）
- 每 2 秒抽一帧拼图，逐张看：文字出框、穿帮、黑帧、遮挡人脸、B-roll 与台词对不上
-
check_frames.py：帧数、剪接点后是否定格、每句之后的停顿长度 - 全片转文字，和台词逐句核对；平台版本再搜一遍不能出现的词
- 响度 -14 LUFS 左右、峰值 ≤ -1 dBFS
- 开头结尾：最后一个字说完再淡出，不要压在字上
九、交付
- 主视频（口播 + 转场音效）和 BGM（已避让人声 / 未避让）分开给，时长一致、从 0 对齐，叠加即原混音。
- 平台版本：小红书把工具 / 模型名在画面里打码、口播里用 1 kHz 哔声替换；视频号等可换真人头像。改动涉及的每一处（包括缩略图、截图里的小头像）都要查到。
- 附一份修改清单：每轮意见、改法、状态。
参考
references/prompts.md：写稿、口播生成、截图、代码动画、合成五段可直接复制的提示词scripts/check_frames.py：帧数 / 定格 / 停顿检查 + 抽帧拼图scripts/bleep.py：把指定时间段的人声换成哔声scripts/render_segments.py：HyperFrames 分段渲染与拼接
