Vox 视频导演 Skill
基于开源项目 Vox Director 二次开发的中文 Agent Skill,把一个主题转化为带有脚本、关键帧、配音、字幕、动效和质检的纸片拼贴视频。
从一个主题,到一条可以交付的中文拼贴视频。
精选展示《人工智能发展史》30.08 秒竖屏验证成片的质检联系表与三个节拍画面。




产品介绍
Vox 视频导演 Skill 是一套面向中文用户的 Agent Skill。用户提供主题、时长和画幅后,它会规划脚本与节拍,调度图片和图生视频插件,并在本地完成中文配音、标题、字幕、镜头运动、音乐混合、视频合成和质量检查,最终输出 MP4。默认适合制作 30 秒、9:16、6 个节拍的历史、科技、知识科普、产品介绍与社交媒体短视频。
如何把分散在不同国内宿主中的图片、视频与配音能力,组织成一条可确认、可重试、有本地后备并且可以交付成片的中文拼贴视频工作流。
本项目是在 Alisa Qian(GitHub:Alisa0808)的开源项目 Vox Director 基础上进行的二次开发,原项目采用 MIT License。中国版保留并标明原作者与许可来源,重新适配国内宿主与本地渲染链路。当前版本尚未移植 A-roll 口播重绘、C-roll 主体锚定、数字主持人、口型同步与元素级自动拆层动画。
解决方案
| 问题 | 当前解决方案 |
|---|---|
| Atlas Cloud 接口在国内使用不便 | 优先调用宿主中的国内图片与视频插件,并移除必须配置 ATLASCLOUD_API_KEY 的前提。 |
| 不同生成工具之间素材难以衔接 | 使用统一文件命名协议,并在无法直连插件时输出 image-prompts.md 与 video-prompts.md。 |
| 单个图生视频片段失败会阻断整片 | 每个节拍可单独重试;缺少 MP4 时自动从关键帧生成推近、拉远、平移或静止镜头。 |
| 中文配音、字幕和音乐需要手工整理 | 使用 Edge TTS 或用户录音,自动适配节拍时长、字幕安全区,并在人声出现时压低背景音乐。 |
| 成片缺少统一的交付检查 | 输出 final.mp4 与 qa/contact-sheet.jpg,并检查分辨率、时长、声画同步、字幕超框和结构漂移。 |
产品功能
内容策划
- 按主题生成标题、节拍结构、逐段旁白和画面说明
- 支持自定义时长、节拍数量以及 9:16、16:9、1:1 画幅
- 提供节拍确认与第一张风格样图两个检查点
图片与视频插件调度
- 优先寻找宿主中的图片生成和图生视频插件
- 支持逐节拍生成、独立重试和用户自备素材
- 无法直接调用插件时生成标准化提示词交接文件
本地镜头与合成
- 支持 zoom_in、zoom_out、pan_left、pan_right 和 static
- 图生视频片段优先,本地关键帧动效作为逐段后备
- 自动裁切并输出 H.264/AAC MP4
中文配音与声音
- 支持 Edge TTS 中文音色、语速与节拍时长适配
- 支持 MP3、M4A、WAV、AAC、OGG 用户配音
- 背景音乐在人声出现时自动降低音量,无音乐时可生成本地后备音
字幕与画面包装
- 自动生成中文标题和逐段字幕
- 中文自动换行、字体检测与多画幅安全区适配
- 统一关键帧、视频片段和字幕的输出分辨率
输出与质检
- 输出 final.mp4 与均匀抽帧的 qa/contact-sheet.jpg
- 检查总时长、分辨率、声画同步、字幕超框和标题遮挡
- 检查图生视频结构漂移、节拍运动与人声/音乐音量
使用方法
项目提供 WorkBuddy 安装包、通用便携版 Skill 和本地 Python 渲染方式。导入 Skill 后,用自然语言给出主题、时长、画幅与风格;在节拍和风格样张确认后继续生成。
使用 Vox 视频导演 Skill,制作一条介绍人工智能发展史的中文视频,30 秒,9:16。优先调用图片生成和视频生成插件。
- 把 WorkBuddy 专用包或通用便携版 Skill 导入支持 Skill 的宿主。
- 输入主题、语言、时长、画幅和希望使用的拼贴风格。
- 检查并确认 beats.json 中的节拍、标题、旁白和画面说明。
- 先确认第一张风格样图,再生成其余关键帧。
- 让宿主逐节拍执行图生视频;失败的节拍保留关键帧供本地动效使用。
- 生成或放入中文配音与背景音乐,然后运行本地渲染。
- 检查 final.mp4 和 qa/contact-sheet.jpg,确认字幕、构图、运动与音量。
其他使用方式
- 豆包工作或其他宿主无法直接调用插件时,使用 image-prompts.md 与 video-prompts.md 在豆包、即梦等工具生成素材后放回项目目录。
- 本地方式需要 Python 3.10+、Pillow、FFmpeg 与 FFprobe;Edge TTS 为可选依赖。
- 已有逐节拍配音时,可使用 render_local.py --skip-tts 直接进入包装与合成阶段。
当前开发状态
当前版本为 1.0.0,已经形成可导入的 Skill 包和可运行的本地视频制作链路。核心渲染、混合动效、中文包装和质检已通过测试;宿主插件的真实调用仍需在具体 WorkBuddy 或豆包工作环境中联调。
| 模块 | 当前状态 |
|---|---|
| 标准 Skill 指令与参考文档 | 已完成并通过 Skill Creator 校验 |
| WorkBuddy / 通用便携安装包 | 已完成,ZIP 结构与元数据已检查 |
| 项目初始化与提示词文件 | 已完成并测试 |
| 宿主图片生成插件 | 调用顺序和文件协议已设计,等待真实宿主联调 |
| 宿主图生视频插件 | 输入协议已完成,等待真实宿主联调 |
| 五种本地关键帧动效 | 已完成并测试 |
| 图生视频与本地动效混用 | 已完成并通过双节拍冒烟测试 |
| 中文标题、字幕与安全区 | 已完成并测试 |
| Edge TTS / 用户配音 | 已完成并测试 |
| 音乐闪避、拼接与抽帧质检 | 已完成并测试 |
| 30 秒中文竖屏成片 | 已完成,FFmpeg 全量解码通过 |
| A-roll、C-roll、数字人和元素拆层 | 尚未移植或实现 |