先核验素材和转写，再用低清代理快速开发，这才是AI做视频的正确流程

大家好呀，我是开源先驱～

先说实话：这个项目 25 颗星，2 次提交，昨天（7 月 26 日）才开的坑。没有万星光环，没有增长曲线。但我读完 SKILL.md 之后决定写——因为解决的问题是真痛点，设计思路也够清晰。

问题是什么？你让 AI 帮你做一条口播视频。AI 一把梭了，从头渲染到尾，导出一个 MP4 丢给你。打开一看：字幕对不上、人物黑场了、转场太突兀、数字写错了。改？从头再来一遍。这就是"赌成片"——你不知道结果对不对，直到渲染完那一刻才开盲盒。

这个 Skill 干的事情，就是把"赌"变成"验"。九个阶段，每段都有输入、产物、验证和停止条件。默认不一口气做完，走到关键节点就停下来等你确认。你说了"继续"，才往下走。

这个 Skill 到底是什么？

一句话：一套面向 AI 编码代理的 Remotion 口播视频制作流程 Skill。把 Codex、Claude Code、Cursor 这些工具当成"视频工程师"，把你当成"导演"，用九个阶段门控制从素材检查到最终渲染的全流程。

九个阶段长这样：

P0 素材与环境检查 — 先别碰代码。用 ffprobe 查容器、编码、宽高、帧率、时长、旋转。判断输入类型：纯口播、纯配音、还是混合。输出素材清单。 P1 转写与时间码 — 用 Whisper 或已有脚本生成逐字稿、SRT、JSON 三件套。JSON 里带词级时间码和语义角色标签（hook / context / evidence / transition / conclusion / cta）。 P2 代理素材 — 生成 720p 或 480p 代理视频，日常预览用代理，原片留到最终渲染。代理必须跟原片时长一致、音轨同步、旋转正确。 P3 风格关键帧 — 先做三个关键帧：开场钩子、中段数据、结尾 CTA。不铺完整时间轴，等你确认视觉方向。 P4 语义分镜 — 按口播信息段落映射视觉：数字配计数器、步骤配节点、前后配 before/after。不为炫技堆效果。 P5 Remotion 开发 — 写 Composition，启动 Studio 预览。不渲染最终 MP4。 P6 帧级修改 — 把"这里不自然"翻译成时间码、帧数、图层、缓动明确的变更单。 P7 只读评审 — 字幕同步、黑场、遮挡、阅读性、动画节奏，逐项检查。只读，不边评边改。 P8 最终渲染 — 你说了"确认，可以导出"才执行。切回原片，抽帧验证，渲染到指定文件。

关键规则：你只说"帮我做这条视频"，Skill 最多走到 P2 就停。进 P5 前要确认风格，进 P8 前要确认预览。不是自动挡，是手动挡带辅助。

设计思路

一、字幕是"事实源"，不是装饰品 大部分 AI 视频工具把字幕当视觉元素，为了画面好看会自动概括、改写、缩短字幕文本。这个 Skill 反过来——原始口播和转写文本是"事实源"，不得擅自改写。专有名词、数字、产品名，一个字都不能动。明显错字只做"候选修正标记"，交给你确认。已有 SRT 时先核对，不重新杜撰。为什么这条重要？因为口播视频里字幕写错一个数字，整条视频的公信力就没了。

二、代理素材先行，原片只在最后用一次 4K 原片直接拿来日常预览，机器扛不住，Studio 卡到没法操作。Skill 的做法是 P2 阶段生成 720p 代理，日常开发和预览全用代理，只在 P8 最终渲染时切回原片。切换集中在一个配置点（mediaMode: "proxy" | "source"），不用全局搜替换。代理跟原片之间用 ffprobe 对比时长误差，不一致就停下来报告，不假设时间轴是对的。

三、先做三个关键帧，不铺全片 P3 阶段的规则很克制：先实现开场、中段、结尾三个关键帧，用 Studio 或低分辨率静态图检查。视觉方向确认了才开始 P4 分镜和 P5 开发。为什么？因为"铺完整时间轴"是最大的沉没成本——做了五分钟的视频，风格不对，全得推翻。三个关键帧是最低成本的视觉对齐方式，确认了再投入。

四、"这里不自然"变成精确变更单 P6 的设计很漂亮。用户说"这里不自然"，Skill 不会凭感觉改——先翻译成变更单：目标时间码/帧、元素、起始状态、结束状态、持续帧数、缓动、图层、不允许影响的范围。比如："第 118 帧开始人物由全屏缩小；第 138 帧结束，宽度 360px，移动到右下角；用克制的 spring，不明显过冲；人物层高于背景和遮罩；不得遮挡面部；第 138 帧后保持稳定；不要修改其他场景。"改完只更新 Studio 预览，不触发最终渲染。模糊反馈变成精确指令，这是这个 Skill 最实用的一段。

五、八条停止条件，该停就停 Skill 明确列了八种必须停下来说明的情况：找不到素材、无法可靠转写、代理跟原片时长对不上、参考要求互相冲突、字幕事实源不明确、缺商业字体授权、最终渲染没确认、改动可能覆盖原始素材。不是"尽量继续"，是"必须停止"。这比那些"遇到困难也想办法搞定"的 AI 工具靠谱得多——有些情况下，停下来问人比硬猜强。

六、语义驱动分镜，不为炫技堆效果 P4 分镜不是按句子切场景，是按信息段落组织。数字配计数器，"第一第二第三"配步骤节点，两个问题配双栏卡片，前后变化配 before/after，方法流程配纵向步骤图，结论配大字总结，CTA 配单一行动。还专门提了一句："避免每句话都换场"。信息密度和视觉密度匹配，不为了好看堆动画——这个理念在短视频制作里太少见了。

P0-P8 阶段门速查表

快速上手

前提：你有一个能跑的 Remotion 项目（Node + React），装了 ffmpeg。这个 Skill 是纯 Markdown 指令，不跑代码——装进 AI 工具的技能目录就行。

装到 Claude Code：

mkdir -p ~/.claude/skills
cp -R remotion-talking-head-director ~/.claude/skills/remotion-talking-head-director

Cursor 当 Rule 导入，Cline/Roo Code 放 Custom Instructions，Codex 放 Skills 目录。其他工具直接粘贴 SKILL.md 内容就行。

用法：在 Remotion 项目里直接跟 AI 说。

# 首次处理素材（只到 P2）
使用 remotion-talking-head-director 处理当前项目中的口播视频。
先执行 P0-P2：检查素材、生成真实转写与时间码、
建立 720p 代理和素材清单。不要设计完整视频，不要最终渲染。
# 确认视觉后进入开发
风格确认，继续执行 P4-P5。根据真实逐字稿制作语义分镜
并实现 Remotion 时间轴；使用代理素材，启动 Studio，
提供 Composition ID 和预览方式。不要导出最终视频。
# 做精确的帧级调整
目标区间：第 118 帧到第 138 帧。目标元素：人物视频。
从全屏缩小为宽 360px 的卡片，移动到右下角。
人物高于背景和蒙层，文字不得遮挡面部；
不要修改其他场景，只更新 Studio 预览。
# 最终导出
确认，可以导出。执行 P8：保存确认版本，
切回原始高分辨率素材，完成抽帧验证后
渲染最终视频到 out/final-4k.mp4，不得覆盖源视频。

注意最后一条——"确认，可以导出"是硬门槛。你没说这句话，Skill 不会碰最终渲染。这个设计不是为了碍事，是为了防止你还没看完预览就出一堆废片。

小结

25 颗星的项目值不值得写？看完 SKILL.md 我觉得值。市面上 AI 做视频的工具不少，大部分走的都是"你描述，我生成，开盲盒"的路子。这个 Skill 走了另一条路：把视频制作拆成九个可验收的阶段，每个阶段有产物、有验证、有停止条件，关键节点必须人确认。

有人说这不就是项目管理那套吗？对，就是项目管理那套。但把项目管理那套塞进 AI 视频制作流程里，且写成了可执行的 Skill——这件事本身就有价值。口播视频制作最容易翻车的地方不是技术，是流程：素材没检查就开做、字幕没核对就渲染、风格没确认就铺全片。P0-P8 九段门控，每一段都堵了一个具体的漏。

当然，25 颗星也意味着还没经过大规模验证。P0-P8 流程在复杂项目里会不会太重？代理素材生成在长视频上靠不靠谱？语义分镜的准确度实际怎样？这些得用了才知道。如果你在用 Remotion 做口播视频，装一个试试，一个下午就能跑通 P0-P5。MIT 协议，免费。

开源地址：https://github.com/chenjin-cmd/remotion-talking-head-director