SCRIPT — acme-launch

Voice: Rachel (ElevenLabs) Voice settings: stability 0.35 · similarity 0.75 · style 0.20 Voice direction: Confident, warm, a little playful.

---

Line 1 — Hook (Frame 1)

Time: 0.0 – 3.0s Delivery: Land the promise on the beat.

Ship a launch video in an afternoon.

Line 2 — The problem (Frame 2)

Time: 3.0 – 7.0s Delivery: Wry, a touch tired.

The old way? Prompt, wait twenty minutes, get something that misses.

注意几个细节：`---` 分隔线把头部与正文区隔开；两条 `Line` 的 label（`Hook`、`The problem`）与对应帧标题一致，便于在分镜板上交叉定位；口播词以四空格缩进呈现，与元数据行形成视觉与结构上的双重区分。

## 编写 `SCRIPT.md` 的写作要点

旁白定稿的质量直接决定成片听感，仓库在[narration.md](https://gitcode.com/GitHub_Trending/op/OpenMontage/blob/cd9f3c1f03368be87b140af494914b8ee4e3c7a4/.agents/skills/hyperframes-creative/references/narration.md?utm_source=gitcode_repo_files) 与 [step-3-storyboard.md](https://gitcode.com/GitHub_Trending/op/OpenMontage/blob/cd9f3c1f03368be87b140af494914b8ee4e3c7a4/.agents/skills/website-to-video/references/step-3-storyboard.md?utm_source=gitcode_repo_files) 中沉淀了大量可复用的写作准则：

**语速与篇幅预算。** 自然讲话约 **2.5 words/sec**：15 秒约 37 词、30 秒约 75 词、60 秒约 150 词。脚本应当"比视频短"——句间留白是特性而非死区，视觉需要呼吸空间。

**把数字写成读法。** TTS 是逐字朗读的，脚本里写什么它就念什么：

| 画面/产品里的写法 | 脚本中的写法 |
| ---------------- | ----------- |
| 135+ | more than one hundred thirty five |
| $1.9T | nearly two trillion dollars |
| 99.999% | ninety nine point nine percent |
| 200M+ | over two hundred million |
| 10x | ten times |
| API | A P I |
| stripe.com | stripe dot com |

画面可以展示精确数字，而声音读它的"人话"版本。

**从分镜 VO 提示组装脚本。** 在 [website-to-video](https://gitcode.com/GitHub_Trending/op/OpenMontage/blob/cd9f3c1f03368be87b140af494914b8ee4e3c7a4/.agents/skills/website-to-video/references/step-3-storyboard.md?utm_source=gitcode_repo_files) 流程中，写分镜时每个 beat 就已经有 VO cue，"脚本就是把这些 VO cue 按顺序拼成一份文档"，随后另存为 `SCRIPT.md`。这种"边写分镜边写口播"的方式保证了文案与画面的强一致，也是 `Line N ... (Frame N)` 标号能够自然成立的原因。该流程还要求：口播与分镜同一轮评审，用户反馈（如"第 3 个 beat 太长""改掉打字机开场"）要同步落到 `STORYBOARD.md` 与 `SCRIPT.md` 两处。

## 从 SCRIPT.md 到音频：走 TTS

原文档给出了下一步的契约：**把每一行的口播文本交给 `npx hyperframes tts`**，并从 header 中取出 `--voice` / `--provider` 固定参数；若需字幕，则捕获逐词时间戳。真实时机（逐词时间）随后取代 `**Time:**` 中的参考值。CLI 层面的完整契约定义在 [tts.md](https://gitcode.com/GitHub_Trending/op/OpenMontage/blob/cd9f3c1f03368be87b140af494914b8ee4e3c7a4/.agents/skills/hyperframes-media/references/tts.md?utm_source=gitcode_repo_files)。

### 命令行实操

```bash
# 将整份 SCRIPT.md 喂给默认自动检测到的 provider 合成
npx hyperframes tts SCRIPT.md --voice af_nova --output narration.wav

# 显式锁定 provider
npx hyperframes tts "Ship a launch video in an afternoon." --provider elevenlabs --voice 21m00Tcm4TlvDq8ikWAM

# 需要字幕：让 HeyGen 在合成的同时输出逐词时间戳（省一次转写）
npx hyperframes tts "The old way?" --provider heygen --voice <heygen-uuid> --words narration.words.json