【学习笔记】七层拆解 video-talkcraft：把每个动效都钉在人声字级时间戳上的口播视频 skill

2026-09-01 35 min

上一篇拆 video-shotcraft 时留了个尾巴：作者 8 月下旬发的系列第二作 video-talkcraft（口播视频篇），「本文不展开」。这篇就是补上的展开，这次换一个更系统的拆法，按七个层面走，地图先立好：

层次	关注点	一句话
认知层	是什么、能做什么	了解工具的全貌
原理层	怎么做的	理解运行机制
边界层	不能做什么、局限	避免误用
权衡层	代价与取舍	理性决策
生态层	依赖与竞争	看清位置
动态层	演进与趋势	判断生命力
价值层	启发与可迁移	提炼通用模式

一句话定位：把 Claude Code / Codex 变成口播视频动效工作室——你给它一份口播稿和一条成品配音，它在本地把配音对齐成字级时间戳，把每个语义拍写进 SHOTBOOK 分镜，然后用 Remotion 渲出解说成片：动态字卡、证据截图、运镜、素排字幕、音效，全部锁在人声上。

「口播视频」和 shotcraft 做的「产品宣传片」听起来只差一个题材，但整个技术重心因此完全换了：宣传片的时间骨架是音乐 BPM 网格（librosa 分析、拍号写时间线）；口播视频的时间骨架是人声——动效必须在「这个词被说出口的那一刻」发生。于是这个 skill 的第一块基石不是任何动效，而是一条本机 CPU 的字级时间戳管线，后面的一切（分镜、验收、lint）都挂在这条管线上。这篇笔记是我把 SKILL.md、八份方法论文档、卡片索引、抽样配方卡、11 个脚本和画廊基建全部读完之后的结构化总结，克隆分析基于 2026-09-01 主干 d2e1db9；涉及社区反响与生态的二手信息带链接并标检索日。

TL;DR：video-talkcraft 在 shotcraft 的「经验沉淀系统」之上又加了一层东西——把判断题变成测量题。节拍时刻不许手敲秒数，必须从时间戳文件查询，机器闸校验误差；标注坐标不许目测，必须 DOM 实测；卡片实现不许凭理解重写，必须复制源码且过相似度 lint；音效「在场」不许信相对底噪，必须过绝对阈值。「看起来对了」在这个 skill 里不是验收结论，每个曾经骗过静帧 QA 的缺陷，都变成了一条带定版日期的机器规则。

一、认知层｜是什么、能做什么

先钉一手数字（老规矩：一手二手分层）。仓库 2026-08-22 创建（GitHub UTC 口径，按北京已是 23 日凌晨），截至我写这篇的 2026-09-01：三百多 star、30 fork，全部历史只有 6 个 commit，最后一个落在北京时间 9 月 1 日凌晨，内容是「QA 硬化：保真/词落点/音效可听度三道机器闸 + 评审独立性定版」。十天里它自己就完成了一轮「发布→画廊→全量 tsx→QA 硬化」的收敛——上一作用了六周走完的路，这次方法论直接复用了。

仓库结构（我的归纳）：

模块	内容	规模
`SKILL.md`	入口：八步管线 + 硬规则 + 目录路由	239 行
`references/` 方法论	设计语言、三面工作单、电影感规范、分镜范例、素材源、人物素材、卡片规范、分类索引	8 份约 1560 行
`references/cards/`	动效配方卡，7 大类	78 张
`template/cards/`	逐卡自包含 Remotion tsx（实现以它为准）	78 份
`demos/` + `gallery/`	HTML 预览 + 一页全览画廊（本地/在线同款）	78 个 + 在线版
`template/motion-systems	components/`	相机/视差/让位/环境/转场/长镜头系统 + 字幕/花字组件
`scripts/`	时间戳、节拍 lint、卡片保真、画面健康、音效两查、QA 抽帧、人脸安全区等	11 个
`demos/_lib/sfx*`	逐卡音效 cue 表 + WebAudio 合成引擎 + 内嵌真采样	78 张表 / 188 记 cue

78 张卡的类别分布：字幕花字 15、素材呈现 14、转场结构 12、强调标注 11、数据信息图 11、人物互动 7、运镜 8。来源分五批，taxonomy 里记得清清楚楚：23 张平台调研（B 站/YouTube/抖音/模板生态交叉去重）+ 8 张实战沉淀★ + 9 张真实视频挖掘◆（小Lin说 + TheAIScaler 的 13 段分析 208 条观察）+ 18 张 remocn 适配◇ + 20 张参考图复刻◈。

能做什么，官方的输入输出分工表说得最清楚。你提供：口播稿、成品配音（任何 TTS 或真人录音都行）、可选人物素材（普通实拍即可，绿幕抠得最干净）、可选 B-roll 与截图。skill 负责：字级时间戳对齐逐句质检、SHOTBOOK 分镜（语义拍/层矩阵/排版预算）、Remotion 实现（四套全局系统/转场/音效落位）、渲染加三重验收循环直到全过、响度归一交付。适用题材它自己划了范围：知识科普、产品评测、新闻解读、观点锐评等口播解说类横屏视频，中文口播优先设计，中英混排完全支持。

上手是标准姿势：npx skills add Vincentwei1021/video-talkcraft，或把仓库链接直接丢给 agent 装好，在线画廊 78 条预览一页全览可搜索。

二、原理层｜怎么做的

2.1 地基：把人声变成全片时间锚

scripts/timestamps_cpu.py 做的事：给一条成品配音（wav/mp3）和逐字一致的口播稿，输出每个字/词的起止时刻。技术路线是 ASR 词级时间戳 + 与口播稿做字符级序列对齐，对齐的匹配键设计暴露了作者对中文的真正理解：

CJK 是可靠锚点：ASR 转写出来的汉字经常是同音字错写、随机吐繁体，所以匹配键 = 繁简归一 + 无声调拼音——同音字不算错。反过来拉丁词各家 ASR 都常拼错，不做锚点，只在相邻汉字锚点之间线性插值；
数字一律写汉字：口播稿里「197747」无法与「十九万七千」的读音对位，这是硬规则；
逐句质检：每句输出 CJK 锚点覆盖率，低于 0.90 标记 ok=false，人工听那一句。

四配置横评（110 秒中英混合口播，对照 GPU 强制对齐器真值，n=472）写死在脚本头注释里：

后端	表现	代价
FireRedASR2-CTC int8（默认）	字级最大偏差 200ms、零误报、24 秒跑完	767MB 模型手动下一次
faster-whisper small	中位数 20ms 最好	尾部 413ms 且 2 句边缘误报
Qwen3-ASR + Aligner	p95 60ms 分布最优	5GB 体积加 torch

选型判词很清醒：「30fps 一帧 33ms，中位差异无感，尾部才是风险（动效挂错字）」。连「whisper 不要传 initial_prompt，喂口播稿进 prompt 会让前几段整段幻觉错位」这种坑都记着。输出 schema 只有四个字段（sr/total/sentences/words），SKILL.md 明说「满足此 schema 的任何对齐工具都可替换」——管线没焊死在模型上，它定义的是接口。

往上是全片时间观：make_timing.py 把时间戳转成 timing.json，字幕句边界就是全片时间锚点。核心纪律：解说词驱动画面，每句都要有活的画面响应，但新元素只在语义拍边界进场，禁止机械的一句一个新元素（一句一元素是堆积型凌乱的制度根源）；一个节拍只有一个主角，说完就让位。

2.2 反 PPT：七层镜头模型与四套全局系统

cinematography.md 把「PPT 感」诊断为四个结构性病根：没有相机层、元素入场后就死了（动画全是 entrance，到位即冻结）、场景之间硬切翻页、文档版式 + 信息堆积。解药是七层镜头模型（相机/焦点/主体/附着效果/配角/环境/遮罩）加层预算：英雄时刻 4–6 层活跃，过渡镜头 2–3 层，任何镜头不允许只有 1 层——至少留相机微漂和环境呼吸。

落到代码是四套全局系统（全部确定性、零 Math.random、seek-safe——和 HyperFrames 的核心契约同一条）：G1 CameraRig（每场景一条全程连续相机曲线，重音词叠加 3–6 帧冲击脉冲，加法叠加永不重置慢曲线）；G2 视差平面（背景 0.5 / 主内容 1.0 / 前景 1.2，背景永远进视差层）；G3 Idle + 让位状态机（元素生命周期 forming → resolved → handing-off → gone 全是帧的纯函数；新主体入场帧前 6 帧，旧主体开始让位）；G4 环境常活层（呼吸 vignette + 斜向扫光 + 分幕色温 + 重音三段曝光脉冲）。

转场是「运动承接」哲学：每个镜头边界必须有明确处置、禁止裸切——六式转场共享 lead/tail 重叠 12–16 帧的机制，运动由两侧相机曲线同向承接（「方向断裂比硬切更糟」）；黑震切全片只许一次留给最大反转。替代范式是长镜头世界画布：多镜头是剪辑思维，长镜头是空间思维，内容钉在世界坐标上一台相机连续运镜过去，「空间连续性本身就是转场」。工程铁律随手感受两条：相机曲线末键必须落在片尾之外（正好压片尾会让最后 0.9 秒慢到停死）；场景代码里绝对秒只许出现在具名 props 上（at=/retireAt=），写实参字面量是批量改期时最容易漏的一批——实测 31 处漏改直接产出 P0。

2.3 SHOTBOOK：分镜不是镜头列表，是层矩阵

实现前必须产出的 SHOTBOOK 是它对「怎么给口播做分镜」最有原创性的回答。先用三面分层工作单（背景面/主体面/文字面，背景面永不缺席，写不出动效就写「继承全局系统」但不许写「无」）定骨架，再展开成逐节拍层矩阵：

节拍	Layer	对象	动作	角色
36.08 卡在指数	L3’	0.5991 大数字	中心浮现；球群亮度降 25%	数字接任主体，环境让能量
41.52 零点六零四四	L3”	0.6044	旧数字划线击落、新数字同帧 punch 入	单帧替换=英雄时刻

节拍列是锚字 + 绝对秒，时间全部来自时间戳文件；每行的动作必须答得出「它在配合谁」，答不上来就删。配套七种镜头类型预设（钩子/论证/数据/证据/金句/收尾/B-roll）直接抄再改。

比格式更重要的是 2026-08-28 定版的排版预算——「凌乱的克星」。起因是一次实战复盘：用户判「凌乱」的两个镜头，都不是单个动效错了，而是排版没有预算。八条规则逐镜核：分镜按语义段落切禁一句一镜，每镜只许一个 primary visual job（钩子/定义/数据/流程/对比/结论/CTA 之一）；枢轴句归下一镜（「但这次不是 X」式转折是下一镜第一拍，旧镜先清场，开题动效上干净的舞台）；同屏主体组不大于 3（降权留守计入），第 4 组进场前必须有一组真退场；每镜全程保留至少一个空象限（「四角加中带全占的环形满盘 = 画心空洞、视线无路径，判凌乱」）；hero 造型一屏一个；画面文字至多 12 字；布局级变化每分钟 2–4 次（「切换是标点不是节拍器」）；错峰三段序（旧面板完全退场 → 人物换位/新主体入场 → 新面板才淡入，三者不得交叠）。本质是把「画面看着乱」这个纯主观判断，拆成分镜阶段就能逐条核对的预算表。

2.4 78 张卡：tsx 正主与「动效范围」

卡片沿用 shotcraft 的判例式写法（frontmatter 六字段 + 意图/动效核心/参数表/已知坑/复用指引，每条坑写「为什么一眼假」），两处重要新增：

tsx 成为正主。 每张卡配一份单文件自包含的 Remotion 源码（只 import react 和 remotion，CONFIG 常量顶置），实现方式就是「复制进工程改 CONFIG」。这不是便利性优化，是对一次重大翻车的结构性回应：只读 md 文档就凭卡名手写「神似」简化版，是已发生过的最大翻车——回弹/拍击/密度全丢、取景框括号方向画反。所以有了 card_lint.py：工程里用到的每张卡必须真实存在 src/cards/<slug>.tsx，且与模板的归一化文本相似度不低于 0.55。设计洞察很直白：「复制」比「理解后重写」既便宜又保真——skill 设计要让正确路径成为最省力的路径。

每张卡必填「动效范围」节：属于本卡的（动效本体清单）/不属于本卡的（占位物、示例文案、具体配色）/迁移接口（换风格换尺寸改哪些参数）/底色要求——复用契约。卡片之间还织了一张选型决策网，几乎每张卡都写清与相邻卡的分界。「界面剧场」子类的核心纪律是时间只从一处进入：一张时刻表是唯一时间源，光标、控件、结果都是它的函数，「这是能排到三拍以上还不散架的全部原因」。

2.5 证据与人物：口播视频的两个独有子系统

证据系统的核心是 2026-08-30 定版的「真图硬规」：话题存在可截的真实页面（产品官网/GitHub/文档）时，成片中的浏览器/页面类镜头禁止用代码 mock 冒充截图，成片必须整块换成真图；mock 只允许表现无真实对应物的示意 UI，且 SHOTBOOK 逐镜标注「为何无真图」。真图上的标注坐标一律机器实测、禁目测——「目测偏 30px 曾把停靠环框到标题下方的缩略图上，返工两轮」。

人物系统把「真人出镜」做成完整的输入规格：绿幕 mp4 或 alpha WebM 进，帧率必须等于成片 fps（「25 转 30 的简单重复帧让人物每秒卡 5 次，旁边原生帧率的动效丝般顺滑，对比之下更扎眼」）；人脸安全区用 face_bbox.py（OpenCV YuNet，模型 230KB）实测 bbox，任何文字/卡片/字幕及其背景全时刻禁入。人物与 B-roll 同屏时人物一律降级成角标常驻，「不许切走人（口播变配音 PPT）、不许人物占满画幅、不许角标里放静态头像」；角标期位置死锁，「让台的语义是我不抢戏，角标一动就前功尽弃」。

2.6 验收：五条机器闸 + 独立评审 + 三轮上限

三重验收第一关是五条命令的机器闸，全 PASS 才进人工评审：

motion_check.py：静止段用 ffmpeg freezedetect（阈值 0.8s）；并发光栅抖动是第二次实战才确认的病——--concurrency=4 渲染时静态文字区帧差呈严格周期 4 振荡，渲静帧根本量不出来，必须量成片，交付渲染一律 --concurrency=1；
card_lint.py：上面讲过的保真闸（相似度 ≥0.55）；
beat_lint.py：词落点闸。beats.json 的时刻一律由 timing.json 查得，禁止手敲近似秒数——「手敲曾把『啪、啪、啪』的画面做早 2 秒，静帧 QA 根本看不见」。闸校验每条 beat 与锚字首字之差不大于 0.1s，外加镜尾保护带（动效落点距镜头出点须 ≥0.5s，「第四条评论只活 0.2 秒」「停靠环只可辨 0.3 秒」是同类翻车两案）；
sfx_check.py 两查：在场（渲纯音效轨，每条 cue 峰值不低于 −45dBFS 绝对阈值——旧版「高于底噪 12dB」相对判法在数字静音的 solo 轨上任何非零音量都能过，「57/57 在场但全片听不见一记」是翻车实录）和可听（对最终混音跑：FFT 找人声、最小二乘减去、残差按掩蔽分级；MASKED 超过一半即 FAIL——「81/81 在场但全被人声掩蔽」也是实录）。

关卡 2 是独立 subagent 评审，「必须全新上下文，不许制作者自评」，2026-08-30 把「独立」硬化到禁止 fork 制作对话当评审、禁止对同一评审 followup 复审——「fork 出来的评审继承制作者视角，形成自证闭环（P0/P1/P2 全零、成片却一身病）」。评审材料里最有巧思的两件：原版卡对比帧（SHOTBOOK 用到的每个 slug 从画廊 mp4 抽 2 帧与成片对应帧并排，「保真不进评审视野就永远查不出来」）和音效可听度报告（「评审没有耳朵，机器报告就是它的耳朵」）。返修纪律最硬一条：复核必须给量测数字（首次可辨时刻/被吞时刻/占比像素），「看起来好了」不算数。

最后是 2026-08-31 定版的评审循环上限 3 轮——3 轮后仍有未清的 P0/P1 就停手，把剩余缺陷清单、每轮修复记录和「为什么没修掉」原样交用户定夺，「无限自审自修不收敛，只会烧预算」。连可读性终检都是量化的：成片缩到 390px 宽复看每行都要能读，「桌面全屏预览不是验收标准；排不下时先删次要文案，不缩字号」。

2.7 声音、字幕与设计语言

音效体系比 shotcraft 更收敛：13 个合成音色 + 10 个真采样，逐卡 cue 表共 188 记，「少而准」管的是同一时刻不叠双记、音量克制，不是砍覆盖面（100 秒约 40–50 记）；ding 和 slam 两个音色全库清零；demo 库试听口径音量上限 0.65，成片口径重新标到不大于 0.35、比人声低约 12dB。字幕是「做减法」定版：素排（底部跟读字幕零动效，唯一例外 keyword-pop-highlight 且全片最多 3 次）+ 无标点（句读全去掉，长句停顿靠拆卡，「问句情绪交给口播语气」）。设计语言默认 Apple 范式（全片一个强调色、一个投影只给证据素材），对「浅底」有量化红线（转场白闪在浅底失效改做暗压闪；dim 件禁止再叠 opacity，4.29

对比余量叠透明度实测掉到 2.06

）。

三、边界层｜不能做什么、局限

TTS 合成与数字人生成写死在边界外：SKILL.md 开头即声明，配音和人物素材是输入，skill 只管合成侧。超分同样不在内。README 对 demo 主持人素材也声明是 AI 生成占位，「生产时请替换为你自己的人物素材」；
它不是剪辑软件，也不是模板站（FAQ 原话），已有素材的剪辑包装不在服务范围；
默认横屏 1920×1080，明确要发抖音才走竖屏版式——连画幅这种「开工先定」的事都在流程第零步写死；
口播稿有硬规：数字一律写汉字（「197747」对不上「十九万七千」的读音），逐字一致的稿子是管线前提；
人物素材有规格门槛：绿幕 mp4 或 alpha WebM，帧率必须等于成片 fps，不满足要么换素材要么改成片 fps；
方法论文档与卡片全中文：英文 README 明说 toolkit 是 Chinese-narration-first（中英混排口播支持，agents read them natively），但对纯英文工作流的读者有阅读成本；
默认后端要手动下 767MB 模型（FireRedASR2-CTC），免下载的 whisper 备选尾部风险更高；
单一维护者项目：bus factor 1，AI星球的提醒（检索于 2026-09-01）；
mock 禁令只约束有真实对应物的场景：无真实页面的示意 UI 允许 mock，但要在 SHOTBOOK 标注「为何无真图」。

四、权衡层｜代价与取舍

时间戳后端：精度 vs 体积 vs 误报。默认 FireRedASR2-CTC int8 用 767MB 换零误报与可控尾部（200ms）；faster-whisper small 免下载、中位最好，但尾部 413ms 且 2 句边缘误报；Qwen3-ASR 分布最优但要 5GB 加 torch。判词「尾部才是风险」——选型锚定在最坏情况而不是中位数；
复制 vs 重写：card_lint 的 0.55 相似度下限把「复制 tsx 改 CONFIG」定为最省力路径，代价是自由发挥空间被压掉——这是刻意用保真换灵活；
评审独立性是有成本的：全新上下文、禁 fork、禁 followup、每轮换新评审，token 与时间开销换一个不自证的结论；
三轮上限是止损线：承认「无限自审自修不收敛，只会烧预算」，把「修不动了」显式化交用户裁决，而不是假装能修好；
单进程交付渲染：--concurrency=1 用渲染时长换确定性（并发光栅抖动只有单进程能免）；
许可收紧：前作 Apache-2.0，本作换 PolyForm Noncommercial 1.0.0——个人、教育、研究免费，用它做出来的视频归创作者，但工具本身的商业使用需作者事先授权。GitHub 把许可显示成 NOASSERTION，是因为 LICENSE 顶部带了作者的附加声明（产出归属条款来自这则 notice 而非 PolyForm 标准文本），不是许可不明；
字幕素排无标点：阅读辅助让位于阅读流，句读交给口播语气——信息冗余换节奏干净；
白舞台中性化 vs 产品界面卡完全还原：整体零装饰省下视觉预算，但演真实产品的卡（chat-gpt、claude-code 等）必须完全还原产品样式——「产品皮就是内容本身」，灰阶化之后界面语法特征全部读不出来。装饰预算按信息价值分配，不一刀切。

五、生态层｜依赖与竞争

渲染底座 Remotion：React 编程式做视频的框架，skill 的全部动效、渲染、确定性契约都站在它上面。用 Remotion 就要带它的许可约束（个人与 3 人及以下公司免费，4 人起 Company License——前篇详核过，此处不重做）；
时间戳后端生态：默认 FireRedASR2-CTC（小红书 FireRed 团队的工业级 ASR，经 sherpa-onnx 跑 int8，AED 架构版本支持字级时间戳）；faster-whisper 免下载备选；Qwen3-ASR/ForcedAligner 做精度基准参照。README 致谢把这些上游都点名了——四字段 schema 让后端可替换，依赖是松的；
小件依赖各就各位：OpenCV YuNet（230KB）管人脸安全区；B-roll 走 Pexels + Pixabay 双源免署名，连「Videvo/Mazwai 已死、Mixkit 双轨授权坑」的排除清单都写了 74 行；
系列内部：与前作 video-shotcraft 共享判例式方法论、三层事实源、验收哲学，边界是题材（BPM 网格 vs 人声字锚）；两作许可已分化（Apache-2.0 vs PolyForm NC）；
同类工具的位置：HyperFrames 自研运行时、护城河在运行时与契约；talkcraft 站在 Remotion 上、护城河在方法论（这是我两篇拆下来的个人判断，不是公认结论）。与文生视频模型是不同赛道——确定性代码渲染 vs 生成式采样，前者可验收可复现，后者不可逐帧对齐人声；
安装与分发生态：Agent Skills 开放标准（Anthropic 2025-10 官方化、12 月推跨 agent 标准），vercel-labs 的 skills CLI 已是事实安装入口；
社区反响（检索于 2026-09-01）：中文圈 AI星球 08-30 专题主讲前作、对本作只有一段时点观察；腾讯云 08-23 综述成文时本作刚创建一天未收录。英文圈 Hacker News 与 Reddit 检索不到本作专题（HN 检索中出现过一条易混淆的 Show HN「Agent skill for creating product launch videos with Remotion」，实为另一项目 memex-lab，勿混淆）。本作的传播还在中文圈起步阶段。

六、动态层｜演进与趋势

仓库从创建到收尾十天，全部 git 历史只有六 commit（首提落在 08-28），时间线如下（北京时间口径，仓库创建按 UTC 是 8 月 22 日）：

时点	事件
08-22（UTC）/ 23 日凌晨（北京）	仓库创建
08-28	git 历史首个 commit「video-talkcraft: 口播视频 agent skill」；同日画廊 UX 定版 + 默认中文 README、「78 卡全量 tsx 源码：skill 引用改以 template/cards/ 为正主」——tsx 正主定版
08-30	真图硬规 + 评审独立性定版；README 增加微信讨论群入口
09-01 凌晨	最后一个 commit：QA 硬化三道机器闸 + 评审循环上限 3 轮；同日作者开出唯一 open issue

值得注意的几条动态：

热度还压在前作上：AI星球 08-28 时点观察本作只有 2 star，到我 09-01 克隆时是三百多；前作现值 6900+。系列化是好事，流量分配还没跟上——这是单一来源的时点观察，不做增长叙事；
下一步方向已经挂出来：那个唯一的 open issue 是作者本人 09-01 开的「剪映式动效工作台 v1（时间轨 + 属性面板 + 变速）」路线图——从「agent 读卡片」向「可视化工作台」延伸的信号；
开发历史几乎不在 git 里，在规则里：6 个 commit 沉淀着从 08-22 到 09-01 的几十条「定版」，每条带日期、带用户原话、常常带一次具体翻车的帧号级描述（「第四条评论只活 0.2 秒」）。README 自述全库由 AI 编码 agent 构建、迭代与验收，最新 commit 的 Co-Authored-By 也印证了这一点；
与前作的节奏对比：前作用六周走完「发布→卡片扩容→判例沉淀」，本作十天走完「发布→画廊→全量 tsx→QA 硬化」——方法论被系列复用后，收敛速度本身在加快。

七、价值层｜启发与可迁移

把两作叠起来，系列的重心迁移很清楚：video-shotcraft 的护城河是把隐性经验编码成 agent 可执行的规则；video-talkcraft 在这之上加的一层是把规则的执行变成可测量的。几条可迁移心得：

凡是 agent 会自欺的地方，就上一个机器闸。手敲秒数（「做早 2 秒静帧 QA 看不见」）→ beat_lint；凭理解重写卡片（「神似简化版」）→ card_lint 相似度；音效「在场」（相对判法骗过 57/57）→ 绝对阈值；并发渲染抖动（单帧量不出）→ 成片周期检测。每个闸背后都是一次真实翻车，翻车的共同点是「当时看起来对了」。
验收材料的形态决定评审的上限。三类单帧看不见的缺陷，配三种专门材料；原版卡对比帧让「保真」进评审视野；掩蔽报告给没有耳朵的评审当耳朵。给 subagent 的输入设计，本身就是给它的能力划边界。
独立性要硬化到「禁止 fork」。「派一个 subagent 评审」很容易做成形式——fork 出来的评审继承制作者视角，形成自证闭环。真正的独立是全新上下文 + 对照物不由制作者提供 + 每轮换新评审。
自我修正要有界。3 轮上限 + 剩余缺陷清单交用户，是对「无限自审自修不收敛」的承认。agent 的诚实不是「我一定能修好」，而是「我修不动了，这是清单」。
输入边界是能力边界。TTS、数字人、超分全部划出 skill 之外，配音是输入——skill 只做它有方法论优势的那一段。这个克制反而让全库的每一份文档都在同一层深度上。

结尾的观察：上一篇我说 shotcraft 是「能自我供给训练数据的创作工具」；这一作把这个特性又推进了一步——翻车本身被做成了基础设施。每次「静帧 QA 骗过了我」的事故，最终都变成了一条机器闸、一张对比帧材料或一条量化口径。经验沉淀系统的下一步，大概就是这种「把教训编译成检查器」。

想上手的话：在线画廊 78 条预览一页全览；npx skills add Vincentwei1021/video-talkcraft 或仓库链接直接丢给 agent 装好；然后给它「一份口播稿 + 一条配音」就能跑通全流程。两个提醒：工具许可是 PolyForm Noncommercial，商用需作者授权（做出来的视频归你）；以及它默认横屏 1920×1080，明确要发抖音才走竖屏版式。

学习笔记 Agent Skill