询问我的主题(一个假设、一个“为什么X会发生”、一个真实故事,或某事物如何运作),或者提出3个选项,每个选项附带一个令人震惊的真实角度。询问我使用哪个图像模型(GPT Image 2或任何接受4K参考图的模型)以及哪个语音工具(ElevenLabs或免费的Kokoro)。然后写一个55-65秒的脚本加一份镜头计划,在花费任何东西之前把两者都给我看。 1920x1080扁平矢量解说风格,参照大型信息图动画频道的风格。每个场景是一个完整的插画场景(实验室、街道、教室、舞台),角色在其中演绎旁白。 - 外观:平涂色块,无描边,用略深的单一色调表现体积,柔和配色(灰蓝、石板青、暖米色、藏青、柔紫色),鲑鱼粉色皮肤,大头,点状眼睛。 - 节奏:每2-4秒一个新场景,想法一变就硬切。主要段落之间用白色溅泼擦除(0.2秒进入,0.2秒退出)。镜头始终漂移2-4%或平移。 - 文字只存在于世界中的物体上:路标、悬挂牌、黑板、建筑面板、屏幕。 - Montserrat 800,以每秒26-34个字母的速度打出。每个字母以1.45倍大小、向右0.7em进入,0.18秒内落定。 - 白板上的墨色为#2b2d42。 - 每个错误想法上打红色X(#d62828,30像素圆头笔画,两笔各0.11秒)。 - 每个日期在左上角配一张白色330x120卡片,带橙色(#f4a261)日历图标。 - 标题:白色大写字母,92-96像素,置于平涂色块上(#e2552f配漂移的浅色烟团,或#5b3fa6配缓慢旋转的#6a4cb6齿轮)。 - 禁止:描边、覆盖在画面上的UI风格动态图形(代码编辑器、玻璃卡片、清单)、emoji、烧录字幕、任何频道logo、任何超过1秒的静止帧、任何不动的角色。 长度由语音决定:55-65秒,约每分钟190词。 0秒:第二人称钩子,翻转观众的假设,字面演绎,在否认台词上打红色X 3-8秒:用一句令人震惊的真实陈述点明利害,图标随每个词弹出 8-11秒:主体在聚光灯下揭晓,名字打在标牌上 11-18秒:起源:真实地点配自己的标牌,一张日期卡,人们走入或走出 18-24秒:类型或部件逐一落在标注的名称上 24-25.5秒:“那它如何运作?”标题配弹出的问号 25.5-36秒:机制在2-3个地方演绎(黑板、机器、地图),一个计数器滚动到那个大数字 36-46秒:后果,角色做出反应(跳跃、转身、弹出“!”) 46-55秒:反转,回环到钩子 55秒:向观众提出收尾问题;钩子中的观众角色做出反应;标牌保持到结尾 1. 工具:Python、Playwright + Chromium、FFmpeg、faster-whisper、OpenCV、Pillow、librosa。安装缺少的并告诉我你添加了什么。 2. 美术:一切以3840x2160制作,使用频道中3-5张参考帧(先裁掉logo)。 - 每个场景一张空白底板:没有人,正面视角,空旷地面,空白标牌和屏幕供代码写入。 - 角色表在 chroma 绿#00B140上,角色身上不能有绿色。 - 手势频繁的角色画成无手臂(只有圆形肩窝);代码绘制手臂。其他所有人按场景所需的确切姿势绘制(坐姿侧视、行走侧视、背面、坐姿)。 3. 抠图: - 背景 = G - max(R,B) > 40、在中位绿色110以内、与边界相连的像素。 - 2像素柔和alpha带;在其中将G钳制到max(R,B) + 6。 - 在脖子处拆分头部,绘制手部,行走者的腿在衣摆以下拆分。 - 用身体自身的颜色修补每个空洞(也将透明像素纳入遮罩),使旋转部件永不露出缝隙。 4. 语音: - 根据中位音高(pyin)和MFCC音色,对照目标旁白的参考片段来选择。 - 一次录制,将超过0.24秒的停顿缩短到0.16秒,用atempo调整到目标长度。 - 通过faster-whisper获取词级时间戳。每个剪切、标牌和手势都从真实的词开始。 5. 影片:单个HTML canvas,每一帧都是时间的纯函数:https://t.co/N9RsTyezd3(t)、READY、END,以及带声音时序的EV。每个镜头一个函数。 - 手臂:双骨IK管(上臂118,前臂112,918像素精灵的厚度36),配可张开、指向或握紧的连指手套。 - 面部每2.7-4.2秒眨眼0.14秒。头部点头±0.035弧度。绘制的手涂写±8像素。 - 行走:大腿摆动±0.42弧度,摆动时膝盖弯曲0.75·cos²,臀部下沉以保持着地脚贴地,身体每周期移动1.5个腿长(无脚滑)。 - 在与板上一切相同的相机变换内绘制每张底板,并将相机钳制到底板边缘。 - 物体以弹簧、挤压或白色烟团到达,绝不用淡入。 6. 渲染:Playwright Chromium配--allow-file-access-from-files,60 fps,半帧内6个运动模糊子帧,ffmpeg libx264 CRF 16。渲染前,展示两张16帧接触表,修复空白板、文字溢出、被遮挡的脸和黑边。 7. 声音: - 音乐:轻快、好奇的纪录片底乐(Pixabay免费),每个乐句中人声下方10-11 dB。 - 音效来自Mixkit,按峰值对齐:打字标牌上的打字机咔嗒声,擦除和落下时的呼啸声,标牌和图标上的弹出声,红色X上的打击声,勾选上的叮声。 - 母带处理到-14 LUFS。 - 一些图像模型忽略“无手臂”;GPT Image 2会遵守。 - 在无描边美术上,浮动洪水填充会渗入深色衣物,所以按边界相连的绿色进行抠像。 - 按出现次数查找重复词(第三个“and”,第四个“this”),否则剪切会落在错误的行上。扫描渲染中的单帧跳变,确认每个都是计划中的剪切。 - 对于屏幕和标牌,写在底板自身的空白处(测量其矩形),绝不要写在浮在画面上的卡片上。 询问我的主题,或提出3个,然后给我看脚本和镜头计划。
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:20:9 · 0:41 · Animation · Motion Graphics · 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。