edenfunf / video-clone

video-clone：參考影片 → 風格拆解 → 生成新影片

這個 skill 是總指揮。所有產出都照 CONTRACT.md 的檔名與欄位寫（App 前端直接讀那些檔案畫畫面；CLI 使用時也照寫，方便之後接到 App）。
在 App 裡時，每一輪只做被指定的階段（拆解 / 企劃 / 修改企劃 / 生成 / 修改成片）；前製企劃被使用者核准之前，不准開始正式生成。
使用者沒有素材時，先用 scripts/fetch_assets.py 從授權安全的來源（Openverse CC0/CC BY、Pixabay、Freesound）找；不夠可以自己上網搜尋。每個素材都把來源、作者、授權記進 assets/ASSETS.md，授權不明的標「授權未確認」並告訴使用者。

它自己不畫任何東西，負責的是：拆解參考片、選出正確的製作 skill、把關品質、跟使用者對焦。

目標是驚艷、讓人起雞皮疙瘩，不是「沒有錯」。 驚艷來自高潮設計：找出參考片打動人的那 1–2 刻，設計我們的對應高潮
（鋪陳 → 屏息 → 落在重拍的爆發 → 停住），把力氣集中在那幾鏡，並且一律用連續影格和參考片並排比，不看單張。
流程照這份文件走；每個階段做完都用一兩句話告訴使用者現在做到哪。

0. 收件

使用者會給：

• 參考影片：本機檔案、螢幕錄影，或網址（YouTube 等）。網址用 analyze.py 內建的 yt-dlp 下載，僅供分析風格。
• 需求：主題 / 主軸 / 情感方向 / 長度 / 比例。沒說的用預設（30 秒、16:9），不要一次追問一大串。
• （選配）配樂音檔與 LRC 歌詞檔。

在 projects/<短代號>/ 開新專案；分析結果放 projects/<代號>/analysis/。

1. 拆解參考片

python .claude/skills/video-clone/scripts/analyze.py "<檔案或網址>" --out projects/<代號>/analysis

它會自動處理：手機螢幕錄影的 UI 裁切、黑邊、切點偵測、平均鏡頭長度、BPM 與拍點、左右聲道相位相反（錄音常見）、音量正規化、最熱鬧的 30 秒段落，
以及每個鏡頭的運鏡（shot_details：推近/拉遠/平移/環繞/靜止 + 快慢）與畫面數據（亮度、對比、暗部比例、飽和度、主色），look_summary 是整支的摘要。

然後用 Read 打開 sheet_1fps.jpg 和 sheet_scenes.jpg 實際看，搭配 report.json 寫 analysis/STYLE.md：

• 媒材（必填、放第一行）：2d-painted（水彩／墨線）· 2d-crayon（蠟筆／色鉛筆繪本）· 2d-vector（扁平向量、動態圖像）· 2d-pixel（像素）·
  2d-paper（剪紙／定格）· 2d-lineart（白板／手繪線稿解說）· 2d-cel（日式動畫賽璐璐）· 3d-stylized · 3d-photoreal · live-action。這是選 skill 的硬條件

• 鏡頭清單：把 shot_details 整理成表（編號、秒數、內容、運鏡與快慢、亮暗），企劃會逐鏡對照這張表
• 配色與色彩弧線、角色造型語言
• 剪接：鏡頭數、平均鏡頭長度（秒與拍）、切點是否對拍、轉場種類
• 敘事結構：有沒有故事、開頭結尾是否呼應、有沒有反覆出現的符號（motif）、笑點怎麼設計
• 字幕 / 文字的用法
• 畫面裡若出現製作工具或開源專案連結，記下來（可能直接就是對應的 skill）

找高潮：report.json 的 audio.peak_candidates（音樂蓄力後爆發）與 flashes（閃白格）是線索。每個候選用
scripts/clip_strip.py analysis/source.mp4 --range a:b --out analysis/peak_<n>.jpg 抽 12fps 連續影格實際看，
確認真正的爆點，寫 analysis/peaks.json（格式見 CONTRACT.md）：怎麼鋪陳、有沒有屏息、爆點那一格發生什麼、停多久、聲音、用了哪些手法、為什麼打得到人。

把拆解結果精簡回報給使用者（一張表 + 3–5 個「這支好看的關鍵」+ 高潮在哪裡、靠什麼）。

2. 選風格 → 選製作 skill

讀 styles/ 底下所有 *.md（_TEMPLATE.md 除外）。每個檔案的 frontmatter 有 engine（交給哪個 skill）、medium 與 priority，內文有「辨識特徵」。
engine 對應的 .claude/skills/<engine>/ 資料夾不存在的風格直接跳過（使用者沒有安裝那個引擎，例如開源版不附的 Remotion skills）。

• 先過濾媒材：只考慮 medium 與參考片媒材相同的風格；沒有同媒材的風格時，選畫面最接近的媒材並在 why 說明（live-action 參考片 → 用最接近的 2D 媒材重現，並告訴使用者）。
  目前只做 2D（3D 賽道暫停，styles/_disabled/ 裡的風格不參與選擇）。參考片是 3D／擬真時，選最接近的 2D 風格，
  重現它的節奏、運鏡、構圖、光影氣氛與字卡手法（例如黑底＋光暈、慢推、灰白兩階標語），並在 route.json 的 why 與回報裡明說
  「參考片是 3D，這支用 2D 重現」——不要默默降級。

• 在同媒材的風格裡，拿 STYLE.md 對辨識特徵打分，選最符合的；平手看 priority。
• 使用者明確指定風格或工具時，以使用者為準。
• 都不符合：挑最接近的 engine 做，並在做完後依 _TEMPLATE.md 新增一個風格檔，讓下次能直接對應（告訴使用者新增了什麼）。
• 告訴使用者：判斷成哪個風格、用哪個 skill、為什麼。

然後載入該 engine skill（Skill 工具），接下來的製作細節以它的指示為準，並遵守該風格檔的「製作預設」與「已知的坑」。

3. 配樂（有音樂的風格才需要）

• 用使用者提供的音檔。沒有的話請使用者提供（可以是他自己合法取得的檔案或螢幕錄音）；不要自行下載商業歌曲。
• 再跑一次 analyze.py 分析那個音檔（--out projects/<代號>/analysis/song），拿到 BPM、拍點、最熱鬧的段落。
• 報告有 silent: true → 請使用者重錄（Windows 剪取工具要打開「系統音訊」）；phase_inverted: true 或底噪 > -45 dB → 可以先用，但告訴使用者音質上限，建議換正式音檔。
• 從小節線切段：ffmpeg -ss <start> -t <len> -i audio.wav -af "loudnorm=I=-14:TP=-1.5,afade=t=in:d=0.08,afade=t=out:st=<len-2>:d=2" -c:a aac -b:a 192k assets/clip.m4a，讓第 0 秒落在拍點上（offset = 0）。
• 所有鏡頭時間用「拍」寫，換音檔只需改 BPM/offset。

4. 分鏡

寫 projects/<代號>/STORYBOARD.md：Logline、世界觀與色彩弧線、motif、主角情緒弧線、鏡頭表（拍數 · 轉場進 · 事件 · 反應 · 鏡頭運動）。
學參考片的手法（節奏、轉場、構圖、motif、呼應結構、笑點設計），內容與角色全部原創。

逐鏡對照（克隆風格的核心）：先把參考片的鏡頭清單分成段落（開場、每個賣點、謝幕…），我們的每個鏡頭都要對應到一個參考鏡頭：
plan.json 每個 shot 填 ref_shot（參考片鏡頭編號）、ref_what（那個鏡頭用了什麼手法），以及具體的 camera（engine 能直接用的規格：
運鏡種類、鏡頭焦段、主體佔畫面比例 fill、拍哪個部位 region、景深、起訖角度）。運鏡種類與快慢要跟參考鏡頭一致（參考是慢推，我們就慢推；
參考幾乎每鏡都在動，我們也不能有死的靜止鏡頭）。純字卡的比例、明暗比例、平均鏡頭長度要跟參考片接近（誤差 ±30%）。
寫完自己檢查：把 plan 的鏡頭和 shot_details 逐列對一次，不一致的要改，或在 notes 寫理由。

高潮先設計：plan.json 的 peaks 對應 analysis/peaks.json，寫清楚鋪陳、屏息、爆點（hit_s 對拍）、停住、聲音與手法（參考用的一個都不少）；
peaks 裡的鏡頭標 hero: true。核准前先把每個爆點那一格做到成片品質，和參考片同一格並排成 out/check/key_<n>_vs_ref.jpg，
放在 style_frames 最前面給使用者看；比參考片弱就繼續改，不要交出去。

變化：同一場景＋同一機位不超過片長 40%，高潮之間換場景或視角；鋪陳段每 1–1.5 秒畫面要有新東西，不要一個構圖停著等爆點。
要有情緒弧線（想要什麼 → 等待或阻礙 → 高潮時得到），不只是能量往上。

給使用者看分鏡並簡短說明；使用者說過「你自己決定」就直接開做。

5. 製作：一關一關過，不要堆到最後才審

缺陷在哪裡產生就在哪裡攔下，後面才不會一直疊在壞掉的東西上。App 會照這個順序派 agent（CLI 單獨跑時也照這個順序自己做）：

1. 企劃核准前：plan.json 的 required_inputs 列出只有使用者能給的東西（歌詞文字、自家角色設計圖、產品照、Logo）。
   沒提供也沒略過就不能核准，生產中不會再卡在「缺歌詞」。

2. 導演建置：共用素材、角色定義、分段（build/production.json，每段 2–5 鏡）。

3. 角色關：先出角色設定圖（正面、表情 8+、本片會用到的姿勢 6+）→ 全新對話的審查員用人眼清單看全解析度裁切 → 不過就修，過了才開始做鏡頭。
   2D 向量角色一律用 assets/vector_rig/（骨架＋一體輪廓；見它的 README），不准用圓形、長方形另外拼頭、身體、手臂。

4. 分段製作＋即時審查：多個製作 agent 平行做不同段；每段一做完，就由一個全新的審查員看那一段的每鏡 sheet、strip 與角色裁切，
   不過就退回同一個製作 agent 修（最多 3 輪）。
   hero 鏡頭可以用特製姿勢、誇張變形、衝擊格、smear、光芒、粒子、鏡頭震動；做完用 clip_strip.py --vs 和參考高潮逐格並排比。
   不准用閃白或轉場蓋掉做不到的動作或該被看見的那一刻。 動作一律看 12fps 連續影格判斷（跳格、瞬移、該動不動、僵硬整塊旋轉）。

5. 組裝（跑 motion_check.py 抓黑格、片尾硬切黑、意外靜止；確認有音軌）→ 最後評審：先做高潮對決（我們的高潮 vs 參考片高潮，連續影格並排），
   輸給參考片就不能交件；分數以參考片為尺（4 = 和參考片並排不顯得陽春），每項附證據、逐鏡打分；再看接縫、連戲、節奏、字幕，並核對之前每一個「已修正」。

人眼清單（每一關都用）：四肢都接在身上、有脖子、沒有接縫或雙層描邊、跟角色設定圖一致、線寬一致、沒有穿模、主體夠大、字看得清楚、
沒有色帶或閃爍、動作有預備與跟隨。看不清楚就裁切放大再看。

修正要附證據：每個「已修正」都寫進 fixes.json，附修改前後的全解析度裁切；審查員先核對，說修好但沒修好會原樣退回。
needs_user：只有使用者能提供的東西（歌詞、設計圖…）不算缺陷，寫進 needs_user，系統會暫停並請使用者提供或略過，不會一直重修。

輸出後回報：路徑、長度、解析度、每鏡一句話內容，並誠實列出還沒做好或暫代的部分。

歌詞字幕

使用者在 App 貼上歌詞文字（或放 inputs/lyrics.txt / .lrc），用他提供的音檔自動對時：
python .claude/skills/video-clone/scripts/align_lyrics.py <音檔> inputs/lyrics.txt --out analysis/lyrics/subs.lrc [--start s --end s]
（faster-whisper 的字詞時間只當量尺，文字一律用使用者貼的；輸出 .lrc 與 .json，每句附匹配度，匹配度低的句子用前後插值）。
字幕只能來自這些檔案，不自行聽寫或補寫歌詞。

6. 依回饋修改

使用者會用「第幾秒哪裡怪」回饋。只改對應鏡頭，重渲染那段影格（painted-animation：刪掉 out/frames 對應範圍再 --frames），重新編碼。

規則

• 角色：

  • 使用者自己擁有的角色可以直接用：使用者提供自家角色／吉祥物的設計圖（放在 inputs/），就照它製作並保持造型一致，不必換成原創。
    設計圖就是規格：比例、眼睛、手腳、配色照圖量（不要拿引擎內建的同名角色改），配件綁在臉的錨點上；角色關、鏡頭審查、評審都要把設計圖和畫面並排比。

  • 使用者點名要用的角色可以直接用：自己上網找它的造型（衣服、髮型、配件、配色）照著做，不要拒絕或換成「神似原創」。
  • 使用者沒指定角色時用原創角色。
• 歌詞：只使用使用者提供的 LRC / 歌詞文字，不自行寫出歌詞；分鏡與回報中也不要引用歌詞內容。
• 參考片：只學風格與手法，不複製它的畫面、角色、Logo 或素材。
• 媒材：目前只做 2D（3D 賽道暫停，見第 2 步）；不做的是生成真人實拍影像或真實人物的臉。
• 使用者自己的產品：使用者提供產品照片時，用它重建產品（blender-product-film 的 prep_product.py）。標語與賣點只用產品上印的資訊或使用者給的資料，不自編規格或數字；其他品牌的名稱與 Logo 不放進片裡。
• 有疑問但不影響方向的細節，用合理預設先做，完成後再列出來讓使用者調。

擴充新風格

使用者要加風格時：複製 styles/_TEMPLATE.md 成 styles/<name>.md，填 engine（必須是 .claude/skills/ 下已安裝的 skill；沒有的話先幫使用者找並安裝可信的開源 skill，裝前掃過腳本），填辨識特徵、製作預設、已知的坑。每次製作中踩到新坑，都回頭補進對應風格檔的「已知的坑」。