问我想要哪种动物,或者推荐3种动物,每种都配一个疯狂的真实冷知识。问我用的是哪个图像模型(任何支持参考图的模型都行),以及我想要付费语音(ElevenLabs)还是免费语音(Kokoro)。然后写一个30-35秒的脚本和分镜计划,在生成或花钱之前先给我看这两样。 一个1080x1920的卡通动物冷知识短视频。美术风格是扁平2D卡通:深棕色粗描边,纯色填充配简单赛璐璐阴影,大眼睛富有表现力,矢量质感。角色是剪纸式图层,在插画背景上移动,场景每2-3秒换一次。 字幕是白色胶囊形,居中于y 1470:Luckiest Guy 66px,墨色文字#1f1418,胶囊高度为字号的1.55倍,7px墨色描边,每块2-3个词。每块中有一个关键词为黄色#ffd21f,带0.14倍字号的墨色描边。每块从0.82倍缩放弹入,用时0.13秒,back缓动。 大标题文字位于y 430,Luckiest Guy 104-170px。墨色描边为字号的0.22倍,下方叠一层0.09倍字号的深色副本。配色对:黄色#ffd21f/#c27a10,红色#ff4a3d/#8e1a14,粉色#ff7ab8/#a8336d,白色#ffffff/#9aa6b4。它们弹入,缩放为1 - 0.6·e^(-9t)·cos(20t),然后摆动±1.4°。 标注是红色马克笔圈(20px墨色+11px #ff3b30,倾斜-7°)和红色弯曲箭头(26px墨色+13px红色)。命中效果是黄色和白色星爆配白色速度线。每个水或空气场景都有漂浮微粒,每个场景都有柔和暗角。 禁止:任何1秒内无运动的画面、静止画面的缓慢推镜、角色烘焙进背景、写实渲染、文字渐变、emoji、标题中的句号。 时长:由语音决定,30-35秒,约每秒3.5个词,每句一个冷知识,每个冷知识配一个搞笑比喻。 0秒钩子问“为什么这种动物会做[最奇怪的事实]?”同时角色在屏幕上做这个动作。红色圈在说出名字的词上围绕主体绘制,命中效果在动词上落下,配星爆、标题词和震动 → 名牌:动物带着速度线入场,名字作为标题砸入 → 对比节拍(怪物、巨型、致命)在新背景上,配1.1倍缩放冲击和关键词震动 → 真实世界尺寸对比(指尖、手机、公交车)配红色弯曲箭头和测量数字 → 每个后续冷知识都有自己的比喻场景(空夜店代表“稀有”,婚礼代表“多个伴侣”,保镖代表“防御”,清单卡代表“它失去了什么”,计数器从1跳到N代表数字)。每个冷知识都有新背景或构图,关键词上换姿势,一个标题词和一个音效 → 最恶心或最震惊的冷知识获得最大标题和悲伤长号 → 最后一句把钩子翻转成笑点,配一个大动作(巨大心脏、爆炸),标题保持到结尾。每1.5-3秒切一次;镜头内每0.5-1秒发生新事情。 1. 工具:Python、Playwright配Chromium、FFmpeg、faster-whisper、OpenCV、Pillow。安装缺少的并告诉我你安装了什么。 2. 美术,只用2张图: - 姿势表:一张1:1的2K图,“一个3乘3的姿势表,9个独立姿势在纯白背景上,大量留白,互不接触,无网格线,无文字,无地面阴影”。 - 9个姿势:中性、张嘴大喊、震惊、脸红尴尬、爱心眼恋爱中、担心流汗、攻击、用于收尾的毁坏或干瘪版本,以及一个配角。全部朝同一方向;在代码中翻转。 - 图像模型经常在每个格子里画同一个角色。如果发生这种情况,在代码中制作第二个角色:在Lab空间重新着色,并剪切或添加特征。 - 背景网格:一张9:16的4K图,以姿势表为风格参考,“一个3乘3网格,9个等高面板,由细白色间隔分开,每个都是空场景,无角色,无文字,保持中下部空旷”。 - 在白色间隔上分割(最小通道均值超过232的行和列),向内裁剪4px,Lanczos缩放到1080x1920,然后半径2、60%锐化。 3. 抠图: - 从边框对白色进行泛洪填充,每通道浮动范围7;这也会移除柔和光晕。为鳍或肢体围住的白色口袋添加手动种子。 - 在每个形状外制作3px柔和alpha带,公式为(250 - 最小通道) / 150,然后从边缘像素中去除白色混合。 - 按网格单元分组连通分量,裁剪并保存PNG。 - 如果某个姿势触及表格边缘,用模板匹配从另一个姿势移植缺失部分。 4. 语音:ElevenLabs eleven_v4(一次录制)或Kokoro。 - 将所有超过0.2秒的停顿削减到0.13秒,仅在10ms窗口内响度低于-40 dB处。 - 用ffmpeg atempo加速(约1.14),直到落在30-33秒。 - 在最终文件上运行faster-whisper small.en带词时间戳,写入words.js。每个剪切、姿势切换、标题和音效都从真实词的开始时间启动。 5. 影片:一个HTML画布,每一帧都是时间的纯函数。暴露window.seek(t)、字体和图像加载后的window.READY、window.END,以及包含每个音效事件时间的window.EV。 - 角色:用位置、缩放、旋转和翻转绘制每个抠图。 - 游泳或行走时绘制成28个垂直切片,每个偏移sin(8t - 4.5u)乘以10px(冲刺时14px),权重((u - 0.3) / 0.7)^1.5向尾部倾斜。 - 待机浮动为10px,2.7 rad/s,加上±0.035 rad倾斜。 - 姿势切换是即时图像切换,配1 + 0.18·e^(-10t)·cos(22t)的挤压。 - 入场缓动
本片段由 Anthropic 的 Claude Opus 5.5 生成,页面上的提示词就是生成它的原始文本。
示例由 Claude Opus 5.5 生成,参数:9:16 · 0:32 · Animation · Cartoon · Advertising。沿用这些参数可获得最接近的效果。
先原样复制提示词,只改主体、保留镜头/运动/光影描述。视频模型对措辞很敏感,多试几次为佳。
当然可以。提示词最适合作为起点——替换场景、调整节奏词或宽高比,适配你的项目。