一句话总结:录好的口播视频,底下就是一张脸和几行字。它读你的口播稿,在讲到哪句,就把对应的卡片弹到哪。

大家好,我是程序员晚枫。

你录了一条口播视频,人在中间讲,画面上除了字幕就是空白。

这种片子的问题不是难看,是「平」。 观众的眼睛没有地方落,看完记住了你说的内容,但记不住你的画面。完播率也就上不去。

想加东西?加个数据卡、加个对比框、加个清单弹窗——但你不会做动效,也不想学 AE、Pr。

所以我做了「晚枫自动剪辑(mograph)」。

它的输入很简单:一条口播视频 + 一份口播稿。输出是:在人的四周(或身前)按讲话内容定时弹出动效卡片的成片。

SkillHub 发布页:晚枫自动剪视频:https://skillhub.cn/skills/user_bf8c5b73/wanfeng-mograph

一、它最有意思的一个设计:故意不带素材库

别的动效工具都会在安装包里塞一堆动效模板。这个 Skill 反着来——它一个素材库都不带。

理由很实在:Remotion、HyperFrames 这些社区每个月都在长新的卡片实现,你硬编码进 Skill,就是给自己造一堆过期库存。

所以它只沉淀三件不会过期的东西:

沉淀什么为什么不会过期
位置语义人脸在哪、卡片该往哪放,这是物理
时间轴契约卡片在第几秒出现、持续多久,这是结构
检索协议怎么联网找到社区最新的实现,这是方法

「找最新实现」这一步,交给使用者本地的 AI 在运行时联网完成。

第一次运行要多花 3–8 分钟联网检索;收益是你永远用的是社区最新的版本,不用追库存。

二、三层架构,每层各司其职

1
2
3
4
5
6
7
8
口播稿 ──┐
├─① make_spec.py ─→ overlay-spec.json(时间轴+位置+动画意图,引擎无关)
视频/音频┘ │
├─② research-protocol.md ─→ 联网找能跑的实现
│ └→ research-notes.md
│
└─③ engine-remotion.md / engine-hyperframes.md
─→ 渲染 ─→ final.mp4
层谁负责产物要求
骨架层本地脚本 make_spec.py(纯标准库,秒出)overlay-spec.json必须离线可跑
肌肉层本地 AI 联网检索research-notes.md + 代码片段必须在线
落地层Remotion / HyperFrames / ffmpegfinal.mp4必须多选一

为什么这么分?

  • 骨架层离线可跑 —— 没网也能出分镜,这是保底;
  • 肌肉层必须在线 —— 保证不落后社区;
  • 落地层必须多选一 —— 你机器上有什么就用什么,不强推。

overlay-spec.json 是引擎无关的时间轴契约,每个 segment 里有 start / end / text / keywords / animation.type / slot / layer。

它的价值是:以后你换渲染引擎,分镜一份都不用重做。

三、开工前 4 个开关

跟其他 Skill 一样,一次问完,不来回追:

开关选项默认推荐
画幅竖屏 9:16 / 横屏 16:9按源视频自动探测
动效密度克制(每 8s 一张,同屏 1 张)/ 标准(每 5s 一张)/ 高密度(每 2.5s 一张,同屏 2 张)⭐ 标准
渲染引擎Remotion / HyperFrames / 自动选⭐ 自动(装了哪个用哪个)
要不要前景遮挡(卡片压在人身前)要 / 不要⭐ 不要

「不要前景遮挡」这个默认,是因为做前景遮挡需要人像抠图。 抠图质量差一点,真人出镜的片子就毁了。默认所有卡片放在人后面或画面空白处。

四、跑起来是这样

第 1 步:出骨架(离线,秒出)

1
2
3
4
5
6
python3 scripts/make_spec.py \
--script 口播稿.md \
--video 口播.mp4 \
--srt 字幕.srt \
--density standard \
--out task/<时间戳>_motion/overlay-spec.json

没有视频文件、也没字幕时,至少把总时长钉准,别让字数硬估:

1
python3 scripts/make_spec.py --script script.md --duration 85

跑完它会念一份摘要给你听:

1
2
3
4
5
6
== 口播动效骨架 ==
源视频:未提供|85.0s(时长来源:given)|9:16
时间戳:估算(4 字/秒)|动画卡:8 张|覆盖 26.1%|单屏最多 1 张|弃卡 0 条
分布:bottom 1|left 1|right 3|top 3
类型:分屏对比(split-compare) 3|清单逐条(checklist) 2|品牌/产品名卡(logo-card) 2|数字滚动卡(number-roll) 1
⚠️ 时间戳为估算(4 字/秒),交付前必须试听对齐

这一步一定要让用户确认再往下走。 分镜错了,后面全白做。

第 2 步:联网补肌肉(核心一步)

按检索协议执行,有硬预算:≤8 次搜索、≤4 次全文抓取,超预算直接降级。

命中的候选按四维评分卡筛——能跑 / 许可 / 引擎匹配 / 迁移成本——至少留 3 个可复制的实现(7 分以上才入库)。

每个候选都要在 research-notes.md 里记清楚:来源 URL、许可、许可证边界、最小可跑片段、迁移到本项目要改哪几行。

搜不到就如实降级:走内置的纯 CSS/GSAP 最小实现,绝不假装搜到了。

这一步的产物允许为空(离线场景),但必须显式写明「本次未联网,使用内置最小实现」。

第 3 步:落位校验(防遮挡)

这一步专治「卡片糊脸」:

  • 人脸安全区内不得放任何卡(竖屏 x 0.30–0.70、y 0.18–0.76)
  • 同一时刻同屏卡片数受密度上限约束,超上限的那条直接弃卡,并在 spec 里写明 dropped 原因
  • 相邻两卡切换至少留 0.2 秒空档

有冲突就挪位置,不要缩卡片尺寸硬塞。 卡片小到看不清,等于没加。

第 4 步:渲染 + 三闸自检

渲染完必须跑三道闸:

闸标准不通过怎么办
覆盖闸动效总时长 / 视频总时长 ≥ 40%太薄了,回 Step 3 补卡
遮挡闸均匀抽 6 帧,确认无卡片压脸、无超出安全边距挪位置
节奏闸任意连续 5 秒内至少 1 个可见变化太闷,加错峰或动效

抽帧命令:

1
ffmpeg -ss <t> -i final.mp4 -frames:v 1 check.png

看完即删,验证图不留在任务目录里。

五、7 条硬规则,其中两条是保命的

#规则违反的后果
R1估算时长必须标注 estimated,交付前必须让用户试听对齐卡点和讲话错位,整片废
R2卡上所有数字 / 名称 / 引语只能来自口播稿或用户资料编造数据,发出去就是事故
R3不做人像抠图 / 前景遮挡(除非用户明确要求并接受降级)抠图质量差直接毁掉真人出镜
R4检索失败必须显式写明「本次未联网 / 未命中」许可与来源不可追溯
R5引入外部代码前先确认许可,GPL / 不明许可的不用商单成片有法律风险
R6不调用任何付费接口试错成本
R7验证用截图看完即删目录脏

R2 我要单独说一句:卡上的数字只能来自你的稿子。

它可以在你的稿子里有「省了 40%」的时候,把「40%」做成一个会滚动的数字卡;但它绝对不能自己算一个数字出来。 一个 AI 自动剪辑工具给你编出来的百分比,比没有动效糟糕一万倍。

R5 也是真事。 社区里的动效模板不一定都能商用,GPL 或者写着「不明许可」的,统统不用。

六、它也有一条挺有意思的逻辑

分镜脚本的关键词命中是有规律的:

  • 阿拉伯数字 + 单位 → 数字滚动卡
  • 「不是 A 而是 B」 → 分屏对比
  • 「第一 / 第二」 → 清单逐条

所以你会发现:有时候它给出的卡比你预期的少。

这不是出错。正则只吃显式结构——中文数字、隐含对比、抽象概念,它不认。这些留给 Step 3 由 AI 补。

卡少 ≠ 出错。 骨架阶段覆盖率低是正常状态,不是交付状态。

而且有个反直觉的事:给了真实时间戳之后,卡可能反而变少。 因为分句粒度跟着字幕走,不再按稿件重新切句。

不要因为数字好看就退回估算模式。 时间准确性 > 卡片数量,缺的卡后面补。

七、它明确不做什么

v1 的坦白,我原样列出来:

  1. 不自带动效库 —— 这是设计选择,不是没做完
  2. 不做剪辑 —— 去口水词、重配音、改时长都不在范围,时间轴严格按输入走
  3. 不做前景遮挡 —— 需要抠图,默认卡片一律在人后面
  4. 图表数据不核实 —— 只搬运稿里的数字,不联网查证也不算账
  5. 中文优先 —— 英文稿能跑,但切分质量下降
  6. 渲染质量取决于本机环境 —— 没 Node 只能走 ffmpeg 兜底,动效会朴素一档

八、和其他 Skill 串起来用

1
2
3
4
5
knowledge-short-video(写口播稿)
↓ 稿子 + segments.txt
[mograph] ← 真人出镜的动效包装
↓ overlay-spec.json
cover-hero ← 封面和视觉风格复用同一套设计令牌

它能直接吃 knowledge-short-video 产出的 script.md 和 segments.txt。

但要注意区分:整条片都要生成、没有人出镜 → 用 knowledge-short-video;真人出镜,要给口播包装 → 用这个。

九、怎么装

方式一:从 GitHub 拉源码(本地用)

1
2
git clone https://github.com/CoderWanFeng/wanfeng-skills.git
cd wanfeng-skills/skills/mograph

方式二:从 SkillHub 一键安装(其他支持 Skill 的 AI 工具)

打开发布页:

晚枫自动剪视频:https://skillhub.cn/skills/user_bf8c5b73/wanfeng-mograph

在支持 Skill 安装的 AI 工具里,可以直接发送下面这句话:

1
请根据 https://skillhub.cn/install/skillhub.md,安装 @user_bf8c5b73/wanfeng-mograph。

也可以在发布页下载 Zip 包手动安装。

小提示:SkillHub 上这个技能的名字叫「晚枫自动剪视频」,跟仓库里的 mograph 是同一个东西,别以为是两个技能。

代码开源:

GitHub:mograph:https://github.com/CoderWanFeng/wanfeng-skills/tree/main/skills/mograph

整个仓库:wanfeng-skills 仓库首页:https://github.com/CoderWanFeng/wanfeng-skills

如果你也是拍口播的,可以试试这个思路:别把动效当后期活,把它当成「按稿子自动排版」。 稿子里说了什么,卡片就该出现什么。

用的时候有问题,欢迎到 GitHub 提 Issue,也可以在文章下面留言。

科技不高冷,AI 很好用。我是晚枫,关注我,一起把 AI 真正用起来。


参考链接

相关阅读