Vox 风格解释视频制作管线

从一个主题、文章或报告出发，制作完整的 Vox 风格解释型视频。优化后的流程是 短流程 + 先确认再生成：先确认用户需求，再写出详细制作方案文档；用户确认方案后，生成主视觉图和关键帧；用户确认画风后，再生成动画；最后匹配口播和 BGM，并完成合成。

核心规则：不要在初始需求之后直接进入高成本图片、视频或音频生成。确认需求后的第一个交付物，必须是可供用户审核的制作文档。

用户需求 → 制作方案文档 → 用户确认 → 主视觉 + 关键帧 → 画风确认 → 动画 → 口播 + BGM → 合成 + 质检

STEP 1：确认用户需求

在规划或生成前，先确认会显著影响成片的交付信息：

• 主题或来源材料：主题、文章、报告、文稿或参考文件。
• 视频内语言：旁白语言和画面文字语言。
• 目标时长：时间型媒体必须明确。常用选项：45–60 秒、90 秒、3 分钟。
• 画幅和平台：16:9 横屏、9:16 竖屏、1:1 方屏。
• 受众和深度：大众、学生、专业观众、儿童等。
• 字幕需求：字幕默认不主动添加；只有用户明确要求或确认后才加。
• 视觉偏好：默认 Vox 风格 editorial collage，并优先吸收参考视频中的 2.5D 混合媒介拼贴动效语言；如果用户指定其他风格，以用户为准。
• 声音和音乐偏好：如果用户对音色、语气、BGM 情绪有明确要求，需要记录。

如果用户没有说明时长或画幅，先用简短问题确认，再进入制作方案。若信息已经足够，则直接制作方案文档。

STEP 2：生成制作方案文档

确认需求后，创建一份详细制作文档并放到画布上。这份文档是所有高成本媒体生成前的审核关口。

文档必须包含：

1. 制作简报

   • 工作标题
   • 选题角度和核心问题
   • 目标受众
   • 时长、画幅、视频语言、字幕选择
   • 视觉风格方向、强调色和参考动效语言
   • 音频方向：口播语气、BGM 情绪

2. 叙事结构

   • 冷开场 hook
   • 背景转入
   • 解释性 beat
   • 复杂化、矛盾或转折
   • 结尾重构观点

3. 完整脚本 / 旁白逐字稿

   • 使用用户确认的视频内语言写出完整旁白。
   • 历史叙述可优先使用现在时。
   • 多用具体事实、短句、明确判断，每个 beat 只讲一个想法。
   • 避免“本视频将介绍……”这类寒暄式开头。
   • 总字数要匹配目标时长。

4. 分镜和镜头规划

   • 每个 beat 单独列出。
   • 每个 beat 包含：编号、预计时长、旁白摘录、画面描述、画面文字、动效想法、转场说明。
   • 画面大字要短且有信息价值，通常控制在 5 个词以内；文字量保持适中，只负责定位概念，不替代口播讲解。

5. 关键帧规划

   • 主视觉 / 风格锚图描述。
   • 参考风格设计规则：2.5D 分层拼贴、纸张边缘、信息标签框、编辑式几何元素、克制的定格剪纸动效。
   • 关键帧清单：构图、主体、背景、排版要求。
   • 风格一致性规则：配色、纸张质感、白边、字体、边框和留白。

6. 动画规划

   • 动作保持克制：二维推近 / 拉远、纸片视差、路线绘制、图标滑动、半调网点闪动、云烟或水面缓慢漂移。
   • 明确避免三维旋转、镜头晃动、人脸变形、文字扭曲、画风漂移和过度实拍化运动。

7. 音频与合成规划

   • 在动画画风确认后，再生成一条连续完整口播，不要把分段旁白当主时钟。
   • 根据视觉节奏生成一条纯器乐 BGM。
   • 最终剪辑按真实口播时间匹配画面，不优先拉伸旁白。
   • 如果字幕已确认，则根据最终口播时间生成并烧录字幕。

文档结尾必须明确请求用户确认：请用户批准制作方案，或提出修改意见。用户确认前，不生成主视觉、关键帧、动画、口播或音乐。

STEP 3：制作方案确认关口

等待用户明确确认制作方案。普通聊天确认和画布 / 看板确认都有效。

如果用户提出修改：

• 先修改制作文档。
• 下游媒体资产保持未生成状态。
• 如果修改影响脚本、分镜、视觉方向、时长、画幅、语言或音频方案，需要再次等待确认。

只有方案确认后，才进入视觉生成。

STEP 4：生成主视觉图和关键帧

方案确认后，先生成 主视觉图 / 风格锚图，再生成其余关键帧。

主视觉要求：

• 代表影片 hook，同时定义整条片子的视觉系统。
• 除非方案另有说明，默认使用 Vox 式 mixed-media editorial collage。
• 锁定有限配色、纸张纹理、白色贴纸边、半调网点、编辑式字体、充足留白和一个强调色。
• 明确强化 Vox 拼贴工艺：重要主体和道具应像按轮廓裁剪出来的独立纸片，带撕纸边、手工不规则边缘、贴纸白边、纸纤维、胶带、折角和分层阴影；避免物品只是平铺印在矩形纸片上。
• 使用确认过的画幅。

默认优先吸收的参考视频视觉规则：

• 画面搭建为 2.5D 分层混合媒介拼贴：前景放核心主体，中景放地标 / 道具 / 辅助人物，背景使用抽象纸张纹理或图形底纹。
• 将历史感或档案感剪贴元素与现代编辑式几何图形、印章、撕纸、地图碎片、图表、圆点、箭头和标签卡片并置。
• 重要主体要有清晰纸张边缘、贴纸白边、撕纸边、按轮廓裁剪的剪影或折页卡片载体，让画面像手工拼贴，而不是实拍素材。
• 在拼贴风格内保留主体可读细节：除非方案明确要求剪影，不要把人物做成只有黑块、看不清衣领、手部或面部线条的形态。
• 关键术语使用 有载体的信息框，例如牌匾、卷轴卡、贴纸标签、地图钉、标题面板；避免文字直接悬浮在复杂背景上。
• 视觉层级服务解释：旁白提到某个概念时，对应元素应通过弹出、缩放、滑入、高亮、箭头或标签获得视觉焦点。

关键帧要求：

• 除非方案另有拓扑要求，通常每个 storyboard beat 一张关键帧。
• 所有帧保持主视觉锚图的风格。
• 画面文字短、稳定且适中：要有足够标签帮助观众定位，但不要堆满解释段落；解释性内容优先放入口播。
• 尽量批量生成关键帧，同时保留分镜顺序。

主视觉和关键帧生成后，把它们整理到画布分组，并请求用户确认画风。此时不要生成动画。

STEP 5：画风确认关口

等待用户明确确认主视觉和关键帧画风。

如果用户不满意画风：

• 先重生成主视觉 / 风格锚图。
• 再用新的锚图重生成受影响关键帧。
• 用户确认画风和关键帧前，不进入动画。

如果用户只要求修改某一帧，则只重生成该帧，同时保持已确认的锚图风格。

STEP 6：生成静音动画

画风确认后，把已确认关键帧生成静音动画片段。

默认视频模型策略：

• Vox 风格关键帧转动画片段默认使用 MiniMax-H3。如果用户明确选择其他模型，先检查其能力，兼容时遵循用户选择。
• 如果生成失败，先根据失败原因修复并重试一次；仍失败时切换其他兼容模型，不反复死磕同一个模型。
• 此阶段动画片段默认保持静音；口播和 BGM 在最终合成阶段再加入。

动画指导：

• 动作要像 motion graphics，不像电影实拍：要比静态图更丰富，但不能乱。
• 适合的动作：可见的背景纸层视差、相关时的雾气或纸条漂移、路线绘制、证物卡或图标滑入并停稳、半调纹理闪动、每帧一到三个受控动态细节。
• 纸艺拼贴关键帧转动画时，优先使用 自然搭建逻辑：先出现背景底板，再让纸屑、地图、报纸、证物卡、道具、铜钉、红线、最后的信息标签框依次滑入或被摆放到画面中，像手工证据板正在被搭建。设计动效时要先问：画面上的每个可见元素如何来到这里、如何被钉住、如何被红线连接、如何最终停稳。
• 使用 分层阶梯式入场，而不是无动机的画面热闹：先背景，再装饰几何元素，再中景地标，再主体，最后信息标签框。元素可以滑入、轻压贴合、被铜钉固定、被红线连接并 settle down；避免突然翻页 / 翻起、灯光式闪烁、魔法弹出、夸张弹跳，或与画面可见元素无关的随机运动。
• 保持人物和道具纸片的物理一致性：手、肢体、工具和手持物应随同一个纸片身体一起运动，除非分镜明确要求拆分傀儡部件；避免手先出现、道具漂浮、肢体分离、突然上升或结尾无动机跳动。
• 谨慎使用 剪纸傀儡动画：人物、动物、车辆只做低帧率旋转或位移，例如手臂单轴转动、轻微点头、骆驼或马腿机械式小幅移动，不做完整骨骼动画。
• 可加入少量环境粒子和编辑装饰：漂浮纸屑、旋转几何块、地图钉、印章痕迹、圆点、图表箭头。
• 合成转场优先使用参考风格：纸张 wipe、撕纸边缘遮罩、卡片滑过、印章覆盖揭示、推进到某个细节后进入下一场景。
• 每条动画提示都必须保留已确认关键帧的平面拼贴设计和 2.5D 分层结构。
• 禁止：镜头晃动、三维旋转、人脸变形、文字扭曲、画风漂移、失控缩放、实拍化运动、新增未规划主体。

先生成全部动画片段，再进入音频。检查画风漂移或文字扭曲；只重试失败或不可接受的片段。

STEP 7：匹配口播和 BGM

只有在静音动画生成后，才生成最终音频。

口播：

• 尽可能使用确认过的完整旁白逐字稿，生成一条连续口播。
• 整条片子使用一个稳定声音。如果必须分段重生成旁白，也要用已确认的完整旁白或音色参考作为锚点保持同一音色；不要混用不同音色的分段旁白。
• Vox 口播语气：克制、温暖、清晰、有好奇心，避免预告片腔。
• 检查真实时长。若明显偏离目标时长，先压缩或扩写逐字稿，再重新生成一次完整口播；优先改写文案，不要用极端视频慢放或长时间静止画面硬凑时长。

BGM：

• 为整条片子生成一条纯器乐音乐床。
• 音乐应低于旁白，纪录片感、克制，并与主题相符。
• 避免人声和突兀 drop，不要抢解释内容。

时间匹配：

• 转写或对齐最终口播，获得句子或从句时间点。
• 最终合成前建立 beat-to-clip 时间映射：每段动画必须对应匹配的旁白句子和字幕 cue；字幕只应出现在解释该画面主题的段落内。
• 以口播时间为主时钟，同时尊重已确认的镜头边界。如果某段口播长于该段动画，先改写压缩该段口播，再考虑轻微变速、修剪、延长或短暂停帧。
• 交付前必须单独检查最后一条字幕，确保最终句在视频结束前可见。

STEP 8：最终合成和质检

最终合成：

1. 拼接规整后的动画片段。
2. 添加连续口播音轨。
3. 把 BGM 混在旁白下方。
4. 如已确认字幕，则添加字幕。
5. 按确认画幅编码最终视频。

交付前质检：

• 口播和字幕同步。
• 每条字幕 cue 和旁白句子都对应正确动画段落；镜头切换不切断重要单词或短语。
• BGM 不压过口播。
• 动画片段没有明显文字扭曲、形变或画风漂移。
• 动效符合确认过的参考风格语法：自然纸艺拼贴搭建、可见背景视差、纸张转场、信息标签框、红线 / 图标绘制、证物卡被摆放和钉住的运动，以及克制且连贯的剪纸傀儡动画。
• 最终成片符合已确认的制作方案和关键帧。

交付最终视频到画布，并在回复中用准确文件名引用最终成片。

References

• references/vox-style-guide.md — 写作语气、视觉语法、关键帧提示结构、动效风格、字幕样式。
• references/ffmpeg-assembly.md — 合成、字幕烧录、混音和编码配方。