marketingskills 竖版短视频生产规范与创作者格式库：9:16 广告的「平台工艺层」实战指南

本指南以 marketingskills 仓库中 skills/ad-creative/references/short-form-video-specs.md 为骨架，讲解任何 9:16 竖版视频（TikTok / Reels / Shorts）在进入信息流前必须遵守的生产规范，以及一套带分级（S/A/B/C）的创作者/UGC 与创始人格式库。读完你将掌握：跨平台安全区（safe zone）的确切像素值、经典 TikTok 字幕配方与自动缩放逻辑、有机流量 vs 付费广告的音乐决策、程序化渲染的确定性要求，以及 13 种创作者格式 + 4 种创始人叙事结构 + 三机位拍摄系统 + 0.5–1 秒剪辑公式的完整打法。

---

一、这份文档在 ad-creative 技能中的定位

在 skills/ad-creative/SKILL.md 中，竖版短视频规范被定义为「该技能产出的每一条 9:16 视频的底层工艺层」：无论是 imessage-video-ads.md 的 iOS 原生聊天揭示广告，还是 motion-video-ads.md 的无脸动态风格广告，都必须先满足本文档 Part 1 的硬性约束。其核心论断是：「决定一个好创意能否在信息流中存活下来的，往往是平台工艺层的约束，而不是创意本身。」

文档明确分为两部分：

• Part 1 — 竖版视频生产规范（Vertical Video Spec）：适用于本技能产出的每一条竖版视频，包含画布、安全区、字幕风格、音频默认值与确定性渲染五组约束。
• Part 2 — 创作者格式库（Creator Format Library）：13 种 UGC/创作者驱动的短视频格式 + 创始人/有机 vlog 叙事结构，每种都是一种结构（structure）而非脚本，喂入自己的素材和钩子即可使用。

仓库中的 skills/ad-creative/evals/evals.json 第 12、15 条评估用例也印证了这一点：生成 TikTok/Reels 广告时必须加载本规范（安全区、静态字幕、有机 vs 烘焙音乐），选择冷启动格式时必须基于分级逻辑（VSL/Authority 用于信任门槛高的健康品类）。

---

二、Part 1 — 竖版视频生产规范

2.1 画布（Canvas）：统一到 1080×1920

所有竖版视频的输出规格是唯一的：

• 1080×1920（9:16），30fps，MP4
• 任意分辨率/朝向的素材都通过中心裁剪填充（object-fit: cover）适配画布，因此混合来源的分辨率是被允许的——不必苛求每条素材都是 9:16 原生拍摄。

从渲染侧印证：video 技能的 skills/video/SKILL.md 中，Hyperframes 的渲染示例就显式指定了 width: 1080, height: 1920（注释注明"9:16 for vertical"）。这意味着从 HTML/CSS 帧渲染（Hyperframes/Remotion）到 ffmpeg 流水线，画布规格是全链路统一的。

2.2 安全区（Safe Zones）：最常被遗漏的约束

平台 UI（操作栏、字幕堆栈、音乐按钮、账号行）是覆盖在视频之上的。放在这些条带里的文字和关键视觉会被遮挡。因此所有内容必须保持在跨平台安全带内——即 TikTok 与 IG Reels 边距在 1080×1920 画布上的最坏情况：

边缘	保持留空	原因
顶部	220px	TikTok 标签页 + IG 账号行
底部	500px	字幕/音乐/CTA 堆栈（双平台）
左侧	180px	与右侧对称
右侧	180px	操作栏（点赞/评论/分享/音乐）

最终结果：一个 720×1200 的居中文字带，从 y=220 到 y=1420。 所有字幕和承重视觉都要放进这个区域，大规模投放前要用安全区叠加层（overlay）预览一遍。

文档特别提醒：这些数字会随 App 版本更新而漂移，应定期复核；它们是一个有出处的最坏情况取值，不是永久法则。这正是为什么评估用例（evals.json 第 12 条）要求生成者"specify the cross-platform safe band（约 220 顶 / 500 底 / 180 侧，即 720×1200 文字安全区）"——这是质检硬指标。

2.3 字幕风格（Caption Style）：经典 TikTok 原生外观

字幕采用白填充 + 黑描边、无背景药丸（no background pill）——这是阅读为"有机内容"而非"广告"的原生观感。文档给出的可落地 CSS：

color: #fff;
font-family: "TikTok Sans", sans-serif;  /* 或接近的变量无衬线字体；要内嵌，不要假设已安装 */
font-weight: 700;
paint-order: stroke fill;                  /* 描边在填充之后绘制——保证字形清晰 */
-webkit-text-stroke: 8px #000;
text-shadow: 0 2px 10px rgba(0, 0, 0, 0.35);

配套三条硬规则：

1. 字幕必须是静态的——没有入场/出场过渡。字幕在其窗口的第一帧就达到完全可见，且窗口与对应视频片段完全一致（同起点、同终点）。动画字幕会被识别为"品牌制作"。
2. 自动缩放以适配安全带——从约 58px 起步，按约 2px 步长缩小，直到文本适配安全带（适配框约 1150px 高），下限约 26px。永远不溢出安全带，绝不在字形中间裁剪。长篇文字墙钩子是被支持的有效输入，不是失败场景——它们只是缩小而已。
3. 在字体真正加载后再测量（document.fonts.ready），确保用真实字体而不是回退字体计算尺寸。

这一约束在程序化流水线（如 Hyperframes/Remotion）中尤其重要：字幕宽度必须在渲染时动态计算，而不是写死字号。

2.4 音频默认值与「有机 vs 烘焙」决策

• 默认静音片段音频，让一首音乐轨道承担全部声音。 片段级音频是可选加入的（例如保留创作者人声、静音 B-roll）。
• 在最后约 0.8 秒淡出音乐——硬切到静音会被读作"坏了"。
• 有机流量决策：有机 TikTok/Reels 通常不烘焙音乐，而是在 App 内挂接热门声音（trending sound）——平台算法奖励原生/热门音频，且 App 内声音可被他人发现/挂接。付费广告和无法挂接原生声音的场景（某些跨平台转发、某些平台）则必须烘焙音乐。 这一个决策会显著影响有机触达。

2.5 确定性（Determinism）：程序化生成的底线

程序化渲染必须可复现：

• 无时钟（Date.now()）
• 无 Math.random()
• 渲染时无网络请求

相同输入 → 每次相同 MP4。 无论你用的是 Remotion、HyperFrames 还是 ffmpeg 流水线都适用（框架选择见 skills/video/SKILL.md）。这一点在 video 技能中被明确列为 Hyperframes 的核心卖点："Deterministic rendering — same input always produces identical output"——这是批量生成变体广告的基础。

---

三、Part 2 — 创作者格式库

13 种 UGC/创作者驱动格式，每一种都是结构而非脚本，且全部遵守 Part 1。分级（Tier）只回答一个问题：这种格式能否把冷广告扩展到全新受众（"独角兽扩展"格式），还是只能转化已经处于中/低漏斗的人（"配角"格式）？

• S = 罕见的同时能扩展冷流量 + 承载重度教育的格式
• A = 扩展良好
• B = 在正确条件下可靠的配角
• C = 情境性或者运营复杂（版权、特定人才，或"伪造比实拍更好"）

要跨层级构建组合（portfolio），不要指望每种格式都能扩展。 该分级逻辑与 skills/ad-creative/references/meta-creative-formats.md（51 格式完整分类学的配套参考）以及 skills/ads/references/meta-decision-system.md（账号级 kill/keep/scale 决策引擎）协同。meta-creative-formats.md 明确指出：Meta 的 Andromeda 算法是基于 persona 的——创作者前置格式之所以排名最高，是因为它们通过 persona 已经关注和信任的创作者原生触达该 persona，格式本身就在做定向。

3.1 格式逐个拆解

Format 1 — Reaction + Demo（硬切）· A

形态： 创作者反应片段 + 钩子字幕 → 硬切到 App/产品演示录屏。总时长约 9–12 秒。

[ reaction · ~3s · hook caption ] → [ demo · full length · optional payoff caption ]

• 适用场景： 你能获得（或得到）真实感的创作者反应 + 清晰的演示。这是 App/工具类的 UGC 主力格式。
• 钩子字幕是广告本身——写在反应片段上，承担全部销售。要写成反应者的内心独白（"i was about to hit it and this app talked me out of it"），而不是产品声明。
• 硬切就是机制——没有转场。反应赚取注意力，切镜交付 payoff。可选第二条字幕落在演示上收束结果（"12/12 cravings resisted"）。
• 素材瓶颈： 真实 UGC 反应是输入瓶颈；格式的质量上限取决于反应的真实性。

Format 2 — "No Yapping" 分屏教程 · B

形态： 无声、快速教程。全屏片头 → 50/50 分屏（一半打字/操作，一半实时结果），步骤字幕放在接缝处。"…but no yapping"的承诺 = 纯价值、无废话。

[ intro · fullscreen · hook ] → [ split: input | output · ordered step captions at the seam ]

• 适用场景： 展示胜过叙述的 how-to——配置流程、提示词走查、工具教程。沉默就是卖点（人们静音观看；"no yapping" 过滤出高意图观众）。
• 字幕承载步骤——有序、静态、一拍一条、放在分屏接缝处让两半都可见，按 Part 1 自动缩放。
• 无配音；纯音乐（参考有机声音注意事项）。节奏要紧凑——死气沉沉会杀死留存。

Format 3 — 绿幕反应（Greenscreen Reaction）· A

形态： 一个视频全屏播放；创作者被从背景中抠出（绿幕/分割）叠加其上——对底层内容做出反应或解说。可选：先居中，然后缩小/拖到角落，让底层视频接管。

[ fullscreen video (e.g. a screen recording / another post) + creator cutout overlay · optional hook text ]

• 适用场景： 对竞品帖子、趋势、录屏或你自己的产品做出反应——TikTok 原生的"let me react to this"格式。被读作评论内容，算法和受众都视其为有机。
• 两组音轨可以共存（底层视频 + 创作者），不同于静音默认——反应人声在这里才是重点。
• 拖角动作是招牌节拍：创作者先大（确立存在感），再缩小让内容呼吸。

Format 4 — Yapper · A

形态： 一个创作者直对镜头，讲一个落到你产品上的个人故事。无需剪辑——故事本身就是广告。约 20–60 秒。

[ creator talking to camera · hook line first · personal story → product as the resolution ]

• 适用场景： 你拥有正确的创作者（一个读起来比观众高一级、兴奋且具体的人）+ 有脚本的、有真实叙事弧的故事。难做好——需要创作者 + 脚本 + 场景同时到位——但落地时能扩展到冷受众。
• 机制： 以强烈的观点或故事钩子开场（"I almost cancelled this app three times"），而不是产品声明。结构为 钩子 → 故事 → 产品作为转折点进入，绝不是功能列表。字幕开启（Part 1 风格）；低保真场景（车里、走路、单一地点）读起来原生。能量平淡会杀死它——呈现方式承载着这个格式。
• 选角是瓶颈：格式在错误创作者身上失败的次数远多于在错误脚本上。

Format 5 — 业余调查（Amateur Investigation）· A

形态： 创作者替你"调查"你的产品、利基市场或一个问题——走访地点、对比选项、测试声称。发现弧线是留存引擎。

[ creator sets up the question · goes and investigates (real footage) · lands on your product as the finding ]

• 适用场景： 你的产品赢在对比或经得起审视——调查赢得推荐而非声称推荐。能扩展冷流量，因为它以内容而非广告的形式呈现。
• 机制： 提出真实问题（"are dealership warranties actually worth it?"），让创作者在镜头前做功课，让你的产品作为调查得出的结论浮现——而不是赞助位。实地拍摄（地点、对比）是可信度来源。

Format 6 — 大卫与歌利亚（David & Goliath）· A

形态： 把品牌定位为弱势一方（大卫），对抗大行业、在位者或破碎的现状（歌利亚）。支持我们的叙事。

[ name the Goliath (the villain / broken norm) · the brand's fight against it · why you win / how you're different ]

• 适用场景： 你有一个真实的反派——臃肿的在位者、宰客的行业惯例、比你更差的品类默认值。故事让观众想要你赢。
• 机制： 让歌利亚具体化、让利害关系情绪化；品牌起源（"we built this because X was broken"）为其供能。与创始人表达天然搭配。不要制造不真实的反派——这个格式靠真实的反派活着或死去。

Format 7 — 权威（Authority）· A

形态： 有资质的专家——医生、皮肤科医生、工程师、从业者——凭借专业能力呈现或背书产品。

[ expert on camera (credentials clear) · the problem in their domain · why this product is the right answer ]

• 适用场景： 高竞争、信任门槛高的利基（补剂、护肤、健康、任何受监管领域），在那里资质能完成 UGC 做不到的说服。在创作者 UGC 之外增加验证与创意多样性。
• 机制： 专家必须真实，声称必须真实且可证实——这个格式最接近监管风险。健康/医疗/财务声称要送法律审查；绝不伪造资质或替专家编话。严格遵守技能的 Grounded Inputs 规则（skills/ad-creative/SKILL.md 中的"Grounded Inputs"一节：每个概念必须追溯到真实评论/获胜广告/评论，禁止编造声称、数据或证言）。

Format 8 — VSL（视频销售信）· S

形态： 长格式（60 秒到数分钟）直复视频，先教育后销售——问题 → 机制 → 证明 → 报价。

[ hook + problem · why it happens (the mechanism) · the solution + proof · the offer + CTA ]

• 适用场景： 销售需要前置教育——健康、养生、健身、金融，任何买家必须先理解机制才会转化的品类。少数同时能扩展冷流量又承载重度教学的格式，因此是 S 级。
• 机制： 手艺在脚本里——紧凑的问题钩子、可信的机制、堆叠的证明、清晰的报价。留存是逐拍工程化设计的（开放回路、"but here's the thing"转折）。全程字幕；真人和 B-roll 配音都可以。这是写作纪律优先——把钱投进脚本。

Format 9 — 绿幕解说（Green-Screen Commentary）· A

形态： 创作者在全幅画面之上解说——截图、产品图、图表、竞品页面——把教育观点与它所引用的视觉配对。（区别于 Format 3 的反应：这是教学叠加，不是对帖子的反应。）

[ creator cutout + full-frame reference imagery behind them · educational narration keyed to what's on screen ]

• 适用场景： 服饰，以及任何有教育角度、且"边展示边讲解"胜过单独讲话的品类。被读作评论/教学，投放系统视其为有机。
• 机制： 让背景画面跟随解说的每个节拍切换（画面应始终图解当前观点）。创作者人声承载；保持观点真正有用，而不是伪装的推销。

Format 10 — 对话（Conversation）· B

形态： 两个人在真实交流——访谈、对话、往返——产品在对话中自然浮现。

[ two people talking · a real question/answer exchange · product enters as part of the dialogue ]

• 适用场景： 你能搭建真实感双人动态，且产品适合自然的对话时刻。可靠的配角；转化多于冷扩展。
• 机制： 难执行——化学反应和自然感就是全部；有剧本感的对话会杀死它。最好在交流中浮现真实异议并在流程中解答。

Format 11 — Duet / 反应 · C（需要版权）

形态： 对另一位创作者的视频做出反应、合唱或拼接——你的解说在他们片段旁边或之后。

[ original creator's clip · your reaction / duet / stitch responding to it ]

• 适用场景： 有值得回应的特定帖子，且能赢取全新受众。情境性。
• 机制： 你需要原作者的版权才能在付费广告中使用他们的素材——这是运营门槛，不是创意门槛。没有清理版权就不要投放广告。

Format 12 — ASMR · C

形态： 感官前置、声音主导的视频——敲击、开箱、涂抹、质感——产品作为感官对象。

[ close-up sensory action · product-forward · ASMR audio carries (no VO) ]

• 适用场景： 宠物、美妆、食品或触觉产品，感官体验本身就是吸引力。情境性，需要合适的 ASMR 原生创作者。
• 机制： 打破静音默认——音频才是重点，要干净地采集。需要真正拍 ASMR 的人才；通才创作者无法伪造感官工艺。

Format 13 — 街头采访 · C（"通常伪造更好"）

形态： 街头随机提问——真实或再创——捕捉对你的产品或品类问题的即兴反应。

[ on-the-street setup · question to passersby · candid answers → your angle ]

• 适用场景： 你想要未脚本化公众反应的可信度。情境性，且诚实采集运营负担重。
• 机制： 诚实采集很痛苦（授权、废镜、天气、运气），所以这个格式通常更适合用同样的视觉语言搭景/再创——再创版本更快、可控、观感相同。如果搭景，保持声称真实（Grounded Inputs 仍然适用）。

3.2 创始人 / 有机 Vlog 结构

对于创始人出镜的视频广告和有机原生品牌内容，四种叙事结构（Oren John）给了创始人可说的内容，配合一套拍摄+剪辑系统让制作快速。它们不是单独一级——它们是 Yapper、调查或 vlog 内部的故事弧线。创始人内容通常是品牌的第一个头部作品：讲述你为什么创立品牌，会自动与同问题买家建立连接。

四种结构（先选弧线，再按弧线拍摄）：

1. 英雄之旅（Hero's journey）——把生意里发生的事跑一遍：问题 → 背景 → 尝试 → 失败 → 顿悟 → 突破 → 悬念。重构（reframe）比事件本身更重要。让你发得更少——一条好的故事 vlog 一周可以胜过日更，因为人们追随旅程。（仅此弧线：可以只把原始素材给 LLM 做大纲——喂品牌/persona 上下文，要一个 60–90 秒的英雄之旅大纲——然后自己写台词。）
2. 数学（Math）——钱作为杠杆：成本拆解或固定预算挑战（"$200 on Meta ads — here's what happened"）。意想不到的便宜胜过昂贵；可负担性问题制造内在好奇心。不要用奢侈品做钩子——它不扩展，且读起来像炫耀。
3. 闪亮物体（Shiny object）——锚定在观众没看过、而你有接触权的视觉新事物上（你的工厂、一台机器、一个工艺过程、一场展会）。绝不用钱/奢侈品作为闪亮物体。
4. 专业利基指南（Niche guide with expertise）——用你的专业镜头叙述现实世界（"what I'd avoid as an interior designer"，在店里拍摄）。学习者视角也行——只是要诚实你是哪种。走出家门是作弊码，因为其他人都坐在车里说话。

三机位拍摄系统（让上述任何结构都快速）：

• 每个时刻都拍三种方式——近景 / 中景 / 广角（0.5x）——最大化任意时刻的可用素材。
• 只要 2–3 秒的片段——许多小片段，绝不长时间漫游（时间线组装容易）。
• 运动规则： 主体在动就持稳手机；没东西动就加缓慢推近或侧滑。
• 先做活动，最后（约 5 分钟）回头抓 10–12 个事物的三个角度——少打断。
• 每次出行一个手机文件夹；收藏你单张最好的"钩子镜头"，让开场预先选定。拍 ≥5 个自己的镜头——你是贯穿线。

0.5–1 秒剪辑公式（剪辑环节）： 每个镜头0.5–1 秒——一条 45 秒的配音会变成约 45 个一秒镜头。先录配音/讲话轨，在它下面铺片段，重排、修剪。在 CapCut 或 Instagram 的 Edits App 里剪——不要够 Premiere/DaVinci。这个剪辑节奏是 Format 1 硬切的 vlog 速度表亲，也是让素材读起来有能量而非拖沓的关键。

---

四、格式分级背后的决策逻辑：与配套参考的协作

本规范的分级不是孤立的——它接入了整个 ad-creative 技能与 ads 技能的决策链：

1. 选格式：先用 skills/ad-creative/references/meta-creative-formats.md 回答"下一个做什么"——它把约 51 种 Meta 格式排成 S→F，核心问题就是本规范的独角兽 vs 配角二分。S 级（创始人内容、合作广告、VSL）先投；A 级（业余调查、Yapper、大卫与歌利亚、权威、绿幕解说）其次。
2. 做格式：静态格式用 skills/ad-creative/references/static-ad-templates.md，视频格式用本文档 + motion-video-ads.md + imessage-video-ads.md。
3. 上线后决策：用 skills/ads/references/meta-decision-system.md 做 kill/keep/scale 算术——它把"滚动触达（rolling reach）逐月下滑"定义为账号级疲劳预警信号，并明确指向合作广告（creator-fronted 格式的付费落地形态）作为恢复净新增触达的最高杠杆手段。

特别值得注意的是两者互相印证的一条判断："F 级别碰"。meta-creative-formats.md 明确把"笔记 App/UX 伪原生广告"（notes-app/UX fake-native ads）列为 F 级"不做"——它让所有人停下来，却无法筛出正确人群、还会混淆算法。这与本文档"caption 无背景药丸才像有机、动画字幕像品牌制作"的判断一脉相承：原生感来自真实的平台语法，而不是伪造的平台皮肤。

---

五、实战落地：从规范到可运行流水线

5.1 选择渲染框架

video 技能 给出两个程序化渲染选项：

• Hyperframes（HeyGen 出品，Apache 2.0，HTML/CSS 驱动）——Agent 友好，确定性渲染，适合把本文档 Part 1 的安全区/字幕规则直接写成 HTML 模板。
• Remotion（React 驱动）——适合复杂动画和 Lambda 批量渲染；一旦某种格式跑通，就把格式结构固化成 React 组件 + props 数据源，让变体成为数据变更而非重新制作。

5.2 把安全区变成代码约束

在程序化流水线中，Part 1 的安全区应直接编码为模板约束：

• 文字/承重视觉容器固定为 720×1200、居中、顶部留白 220px、底部留白 500px；
• 字幕字号以 58px 起步动态收缩（约 2px 步长），下限 26px，并监听字体加载完成再测量；
• 音频轨道最后 0.8 秒淡出；付费广告烘焙音乐、有机投放在 App 内挂接声音。

5.3 可复现性检查清单

出片前按以下清单自检（对应 evals.json 第 12、15 条的断言）：

• [ ] 画布 1080×1920 / 30fps / MP4，中心裁剪填充
• [ ] 字幕与承重视觉在 720×1200 安全带内（220 顶 / 500 底 / 180 侧留空）
• [ ] 字幕白填充 + 黑描边、无药丸背景、静态无过渡、窗口与片段严格同步
• [ ] 渲染确定性：无 Date.now()、无 Math.random()、无渲染期网络请求
• [ ] 音频决策明确：有机 vs 烘焙，且烘焙时最后 0.8s 淡出
• [ ] 格式选择基于分级逻辑（信任门槛品类优先 VSL/Authority），并按 S/A/B/C 构建组合

---

六、来源与演进说明

本文档明确注明了格式的谱系：竖版规范（安全区、字幕配方、自动缩放、有机 vs 烘焙音频）与前三款创作者格式提炼自 Daniel Hangan 的 reelclaw-templates（基于 HeyGen 的 HyperFrames；TikTok Sans 按 SIL OFL 1.1 再分发）——模式被致谢，无代码被引入。分级格式库（Yapper、调查、大卫与歌利亚、权威、VSL 及分级逻辑）改编自 Dara Denney 的 Meta 创意类型分级表；创始人/有机 vlog 结构、三机位拍摄系统与 0.5–1 秒剪辑公式改编自 Oren John 的 vlog + yapping 打法——来源均已致谢，表述为原创。安全区数值是跨平台最坏情况，需对照当前 App UI 复核。

要深入掌握渲染框架与工具链选择，参阅 skills/video/SKILL.md 与 skills/ad-creative/references/generative-tools.md；要理解格式背后的平台级决策（Andromeda 的 persona 定向、合作广告的净新增触达作用），参阅 skills/ad-creative/references/meta-creative-formats.md 与 skills/ads/references/meta-decision-system.md。