explainer-video

把话题变成一条 完整的中文科普短视频。

explainer-video 是一个 Agent Skill：一套共用流程，两种画风——手绘白板与拟真竖屏出镜。事实核查过的稿子、逐字口播时间轴、配乐音效与混音母版、各平台文案，一次交付。

去 GitHub 点 Star 3 步装好 English
2种画风，一套流程
13个可复用竖屏场景
≈95%真人录音字级匹配（中位误差 ≈0.04 秒）
−14 LUFS交付母版响度
MIT免费开源

explainer-video 是什么？

explainer-video 是一个可复用的 Agent Skill——一个文件夹，里面是 SKILL.md 入口、一套共用制作流程、可直接运行的 Python/Shell 脚本，以及两种画风的完整渲染引擎。把整个文件夹放进 Agent 的 skills 目录，它就能端到端产出一条可发布的中文科普短视频：选题研究与事实核查、口语化写稿、配音转逐字时间轴、画面、配乐音效、质检过的母版，以及抖音 / 小红书 / B站 / 视频号 / X 的文案。

它不是文生视频模型。画面是真实代码——React/Remotion 合成与 Canvas 白板场景——由逐字时间轴驱动，所以每一帧都确定、可改、可重渲。换一版配音，动画、音效、字幕会自动重新对齐。

v2 时的名字是 handdrawn-explainer-video；v3 把白板与拟真合并成一个 skill，并加入了真人录音自动对齐。

两种画风

手绘白板

白纸、钢笔线、马克笔，边说边画。1920×1080（含竖屏补丁），Canvas 引擎，基于 dashi-animationstyle。适合抽象概念与方法论。

拟真竖屏出镜

带口型同步的出镜主播、真实截图装进设备外壳、橙色手绘圈注、手持微晃与胶片颗粒。1080×1920 原生竖屏，Remotion 模板含 13 个可复用场景。适合热点项目、产品介绍和带数据的新闻。

explainer-video 拟真竖屏风格的参考帧：小窗出镜主播、大数字、真实 GitHub 截图、橙色手绘圈注与中文字幕
拟真竖屏——REA 那期的参考成片联系表（97 秒，13 个场景）。
explainer-video 手绘白板风格的参考帧：纸面背景、钢笔线示意、马克笔高亮与中文批注
手绘白板——《AI的三种形态》 的参考成片联系表。

流程七步

  1. 选画风。Agent 会问，或按目标推荐。
  2. 研究 + 事实核查。数字、原话、截图先带出处和日期收集，再动笔。
  3. 写稿。script.json，口语短句（每句 ≤20 字），3 秒内给钩子。
  4. 配音转逐字时间轴。真人录音走 voice_to_timeline.py，或高质量 TTS、edge-tts 兜底；产出 voice.wav + timeline.json。
  5. 画面。每个镜头只讲一个意思，元素出现时刻对齐到正在说的那个词。
  6. 质检。每个场景抽帧拼成联系表，按 9 项评分表打分，任一项低于 2/5 不交付。
  7. 配乐音效 + 混音。音效锚在「第 i 句的第 k 个词」，混音时音乐给人声让路，整体归一化到 −14 LUFS。
  8. 交付。成片 + 抖音 / 小红书 / B站（带章节时间戳）/ 视频号 / X 文案。

安装

复制整个文件夹——只拷 SKILL.md 不行，脚本和模板都在同级目录里。

# Claude Code / Codex
cp -r explainer-video ~/.claude/skills/     # 或 ~/.codex/skills/

# DeepSeek Harness
cp -r explainer-video ~/.dsh/skills/

# 环境检查（必须看到 ✓）
bash core/scripts/check_env.sh realistic    # 或 handdrawn

然后对 Agent 说：「用 explainer-video 做一条讲 <话题> 的竖屏视频。」

完整依赖清单与排错见 中文 README。

常见问题

explainer-video 是什么？

是一个可复用的 Agent Skill：一个含 SKILL.md 入口、共用制作流程、可运行的 Python/Shell 脚本和两套画风引擎的文件夹。AI 编码 Agent 加载它之后，就能从选题研究一路做到成片 MP4 和各平台文案。

支持哪些 Agent？

任何支持 skill 文件夹的 Agent，包括 Claude Code、Codex、DeepSeek Harness。参考成片是用 DeepSeek v4.1-flash 在 DeepSeek Harness 上跑出来的。

必须买 TTS 服务吗？

不必。edge-tts 免费且自带字级时间戳；付费 TTS（MiniMax、豆包/火山、ElevenLabs）或自己录，真人感更好。

真人录音自动对齐有多准？

本实例实测匹配率约 95%，中位误差约 0.04 秒（faster-whisper 词级对齐）。没装 faster-whisper 时会退化成静音切句 + 句内按字数均分。

换配音会不会打乱动画和音效？

不会。动画卡的是词，音效锚在 cues.json 里「第 i 句的第 k 个词」，重新配音会自动对齐，不用改代码。

画面是 AI 生成的吗？

不是。画面由真实代码渲染：拟真是 Remotion（React）合成，手绘是 Canvas 场景，输出确定、可审、可重渲，真实截图能像素级还原。

硬性依赖有哪些？

ffmpeg、Node 18+、Python 3 的 numpy，以及 Noto Sans SC、Noto Color Emoji、霞鹜文楷字体。拟真模板额外需要 Remotion 依赖；手绘风格需要 clone dashi-animationstyle。core/scripts/check_env.sh 会逐条报出缺什么。

免费吗？

MIT 许可，免费。但 Remotion 商用需遵守它自己的条款，字体和 dashi-animationstyle 也各自遵循原许可。