Video Talkcraft Skill：让 Claude Code 变成口播视频动效工作室

总结

Video Talkcraft 是一个将 Claude Code / Codex 变身口播视频动效工作室的开源 AI Agent Skill。用户只需提供口播稿和一条配音，它自动完成字级时间戳对齐、语义分镜、Remotion 动效渲染与三重验收，输出可直接发布的解说视频。8 月 22 日上线，10 天拿下 413 颗星，是近期 AI 视频制作类 Skill 中增长最快的项目之一。

功能与原则

核心能力覆盖口播视频制作全链路：口播稿 + 配音输入 → ASR 字级时间戳对齐 → SKILL.md 驱动语义分镜（SHOTBOOK）→ Remotion 代码生成 → 三重验收 → 交付成品视频。

设计原则：不做剪辑软件、不做模板站，而是让 AI Agent 真正理解视频制作方法论（镜头语言、排版规范、动效配方）后自主执行。默认 Apple 视觉范式，支持中英混排。

认可度

• GitHub Star：413（截至 2026-09-01，上线约 10 天）
• Forks：未公开，但项目含完整独立管线
• 近期在 GitHub Trending 中露面，来自中国开发者社区的传播为主
• 项目在线画廊（vincentwei1021.github.io/video-talkcraft/）展示 78 张动效卡片预览，持续有反馈群交流

链接

GitHub：https://github.com/Vincentwei1021/video-talkcraft

原作者

Vincent Wei（GitHub @Vincentwei1021）——专注 AI 视频制作管线，旗下还有 video-shotcraft 系列（口播视频篇即为本项目）。作者在抖音/微信有内测反馈群，项目由 AI 编码 agent 构建、迭代与验收，是”用 skill 自己教的方法论做出来的”典型案例。

介绍

Video Talkcraft 是 video-shotcraft 系列的口播视频篇。它解决的问题是：让 AI Agent 真正像一个视频工作室那样工作，而不是机械地拼贴模板。

给 Agent 扔一个口播稿 + 一条配音，Skill 会自动完成：FireRedASR2 ASR 模型做字级时间戳对齐（110s 中英混合口播偏差中位 20–40ms），生成 SHTBOOK 语义分镜（语义拍、层矩阵、排版预算），然后从 78 张动效配方卡中选卡、用 Remotion 写代码，最后跑三重验收（静止检测 + 音效能量验证 + 带动效锚点的独立评审）才交付。

输出不是 PPT 风格的静态幻灯片，而是：动态字卡、数据镜头、证据巡游、长镜头世界画布、人物合成——全部锁在人声上。

特点

• 字级配音同步：FireRedASR2-CTC int8 GPU 强制对齐，实测中位偏差 20–40ms、最差 200ms，逐帧锚定动效节拍
• 78 张动效配方卡：意图 / 参数 / 已知坑 / 自包含 Remotion tsx 源码 / 可跑 HTML 预览，在线画廊一页全览
• 七层反 PPT 系统：连续相机曲线、视差平面、idle/让位生命周期、呼吸环境层，静止帧在结构上不可能出现
• 经得住审片的排版纪律：语义拍分镜、同屏元素预算、人脸安全区真实检测（OpenCV YuNet），不靠目测
• 三重验收：自动静止检测 + 音效能量验证 + 带动效锚点帧与连拍三帧组的独立评审，专抓单帧看不见的时域缺陷
• 中英混排完全支持：中文口播优先设计，Remotion + 中文排版深度集成

使用方法

安装（最直接方式）：

在 Claude Code / Codex 中直接说：

帮我安装这个 skill：https://github.com/Vincentwei1021/video-talkcraft

或手动安装：

npx skills add Vincentwei1021/video-talkcraft
git clone https://github.com/Vincentwei1021/video-talkcraft.git
ln -s "$(pwd)" ~/.claude/skills/video-talkcraft  # Claude Code

环境依赖：

• Node 18+（Remotion 渲染）
• Python 3.10+（时间戳管线，首次下载 ~767MB ASR 模型）
• ffmpeg

基本调用：

用 video-talkcraft 把这份口播稿 + voiceover.wav 做成视频。
做一条 100 秒的 <话题> 解说，稿子和音频在这里。

你提供口播稿和配音（任何 TTS 或真人录音），Skill 负责全部后续工序。可选提供人物素材（实拍视频即可，含抠像工具）和 B-roll 截图。

使用场景与人群

适用场景： 知识科普、产品评测、新闻解读、观点锐评等口播/解说类横屏视频制作。适合需要持续产出视频内容但不想陷入剪辑软件的创作者。

目标用户： AI 内容创作者、自媒体博主、产品布道师、教育内容生产者，以及希望让 AI Agent 承担视频制作工作的开发者。

典型输入： 口播稿（文本）+ 配音音频（WAV/MP3）+ 可选人物素材。

输入与输出案例

案例一：知识科普视频

• 输入： 一篇 1500 字关于”大模型幻觉”的科普口播稿 + 一条 3 分钟 TTS 配音
• Skill 加工： ASR 对齐时间戳 → 语义分镜（12 个语义拍）→ 从 78 张动效卡中选卡（数据镜头 3 张、动态字卡 5 张、证据巡游 4 张）→ Remotion 渲染 → 三重验收全过
• 输出： 3 分钟 MP4 横屏视频，动态字卡与配音完全对齐，含背景音乐与转场，可直接发布

案例二：产品评测

• 输入： 产品评测口播稿 + 真人录音 + 几张产品截图
• Skill 加工： 时间戳对齐 → SHTBOOK 分镜（含人物抠像素材）→ 七层相机系统实现”镜头感” → 渲染 + 逐帧质检
• 输出： 评测视频，无 PPT 感，有人脸出镜、动态数据展示、场景化背景

GitHub: https://github.com/Vincentwei1021/video-talkcraft