video-spec-builder 0-1模式完整工作流:AI编导如何追问你5轮生成video-spec.md
video-spec-builder 0-1模式完整工作流:AI编导如何追问你5轮生成video-spec.md
video-spec-builder 是一个把「我想做个视频」逼成可执行分镜脚本的开源 AI 技能。它的 0-1 模式像一个老练的视频编导,通过 5 轮苏格拉底式追问,把你的模糊想法变成一份精确到秒的 video-spec.md,之后直接交给 HyperFrames 渲染成真实视频。本文带你走完全流程。
为什么需要「5 轮追问」
做视频最难的不是渲染,而是想清楚「我到底要做什么」🎬:
- 只知道想要的「感觉」,描述不出具体画面
- 有开头和结尾,中间是空白
- 素材一大堆,但没有顺序
video-spec-builder 解决的就是「有想法但说不清」这个问题。它处于工作流上游(想法 → 脚本),下游是 HyperFrames(脚本 → 视频):
你:"我想做个视频"
↓
video-spec-builder(5 轮追问)
↓
video-spec.md(精确到秒的分镜脚本)
↓
HyperFrames 渲染(/hyperframes)
↓
成片
安装与触发只需一步:
npx skills add feicaiclub/video-spec-builder
一条命令覆盖 Codex、Claude Code、Cursor 等工具。装好后用大白话告诉 AI「我想做 3 分钟产品演示,发 YouTube」,它就会接管对话开始追问。
5 轮追问总览:5 个 Phase,从基本盘到参考
0-1 模式完整流程记录在 references/workflow-0-1.md:
Phase 1 视频基本盘 → Phase 2 素材盘点 → Phase 3 表达手段 → Phase 4 视觉主题 → Phase 5 参考与反例 → 充足度判断 → 拆镜头 → 输出 spec
两个值得注意的设计:
- 每个 Phase 都有「硬指标」,不达标不进下一个;但允许跳过提问——你初始描述里已答过的,直接吸收,不机械重问
- 从不向你暴露 Phase 编号。内部有 5 个阶段,嘴上说的是「你这视频的基本盘我懂了,现在聊聊你手头有什么素材」这种人话,而不是「进入 Phase 2」
第 1 轮 · 视频基本盘:钉死 7 个地基问题
Phase 1 是地基,7 个维度必须全部落到具体答案:
| 维度 | 要钉什么 | 这类回答会被驳回 |
|---|---|---|
| 视频目的 | 什么类型 + 让谁记住什么 + 看完做什么 | 「想火」「显得专业」 |
| 目标受众 | 具体画像:年龄 / 职业 / 观看场景 | 「年轻人」「所有人」 |
| 平台与时长 | 主平台 / 时长精确到秒 / 比例 / 帧率 | 「多平台都发」「时长不限」 |
| 核心信息 | ≤ 12 字,能剪成大字海报标题 | 30 字的愿景口号 |
| 信息密度 | hook / 教程 / 纪录,三选一 | 「中等节奏」 |
| 语气基调 | 1-2 个具体参考形象 | 「专业」「有质感」 |
| 观众熟悉度 | 术语懂的 / 不懂的边界 | 「都看得懂」 |
追问风格相当「刺耳」。你说「面向年轻人」,它会回:「18 岁的实习生和 32 岁的产品经理都是年轻人,差 14 岁。挑一个。」所有问法都沉淀在问题库 references/question-bank.md——每个维度都有五段结构:覆盖意图、主问题、追问深化、接受标准、不接受的答案。
第 2 轮 · 素材盘点:6 类素材逐项过
聊完基本盘,第二轮是「盘家底」📦。按顺序盘 6 类素材,每类状态必须明确为已有 / 待生成 / 无需:
- 内容素材:逐字稿(最高优先级,单独问;没有就主动提议帮你起草后人工审)
- 音频素材:旁白三选一(真人录音 / 本地 TTS / 无旁白)+ BGM 来源 + 音效
- 视频影像:真人出镜(要不要抠像)/ B-roll / Lottie
- 图形素材:插画、照片、Logo、字体(必须 .woff2 格式)
- 3D 资产:3D 模型 / shader 转场 / 音频反应可视化
- 待搜索素材:前面答「没有」的,写入搜索清单
待搜索清单每条必须 4 字段齐全:源平台、英文关键词、用途、验收标准。它只列清单不下载素材;你给的素材路径不存在,它会直接告诉你,而不是假装能用。
第 3 轮 · 表达手段:主动激发能力
这一轮最能体现 video-spec-builder 的特色——不等用户开口,主动告知渲染层能做什么,而且用「画面会变成什么样」来说话,不用技术名词:
- 你说「加字幕」→ 它问「字幕要整句一起跳出来像看电影?还是一个字一个字蹦,像 Karpathy 推文那样讲到哪个词亮哪个?」
- 你说「想要 3D 感」→ 它问「Apple 发布会那种 360° 产品真实旋转的沉浸感?还是 Stripe 文档那种卡片飘过的轻盈感?」
本轮要钉死 7 个维度:
| 维度 | 具体决策 |
|---|---|
| 场景类型组合 | 8 种类型选 2-4 种(大字海报 / 数据驱动 / 流程图解 / UI 演示等),按出现顺序列 |
| 文字呈现 | 字幕三档:常驻字幕 / 关键词高亮 / 卡拉 OK 逐词 |
| 动效语言 | 转场密度、主转场类型、是否音频反应 |
| 节奏基准 | 精确到平均每镜头秒数:hook 0.8-2s / 教程 2-5s / 纪录 3-8s |
| 叙事节拍 | hook / 高潮 / CTA 分别在第几秒 |
| 情绪曲线 | 开头 / 中段 / 收尾 3 个情绪词 |
| 音画关系 | 至少 1 处刻意错位的音画设计点 |
节奏不是感觉,是每秒承载多少信息的数学问题。具体档位参数、平台对照表都在 references/pacing-rules.md。
第 4 轮 · 视觉主题:8 个预设或自定义 design.md
第 4 轮决定整片调性,两条路任选其一:
路径 1:从 8 个 HyperFrames 预设里挑
| 主题 | 气质 | 适合 |
|---|---|---|
| Swiss Pulse | 精准克制 · 瑞士排版 | SaaS、数据、开发工具 |
| Velvet Standard | 高端永恒 | 奢侈品、企业软件 |
| Deconstructed | 工业粗粝 | 科技发布、朋克边缘 |
| Maximalist Type | 排版炸街 | 大型发布、里程碑宣告 |
| Data Drift | 未来感沉浸 | AI 产品、前沿科技 |
| Soft Signal | 温暖亲密 | 健康品牌、个人故事 |
| Folk Frequency | 文化鲜活 | 消费应用、社区产品 |
| Shadow Cut | 暗色电影感 | 安全产品、严肃叙事 |
路径 2:自定义主题 = 项目根目录的一个 design.md。只有感觉没有具体值?描述三个形容词,它调研后直接生成。仓库自带一个即开即用的 Spec Mono 主题(纯黑白、几何克制、SpaceX × Grok 风格),设计文件在 spec-mono/design.md。
注意:主题一旦选定,字体 / 字重 / 间距 / 动效曲线等细节全部锁定,不再回头追问。剩下可调的只有 4 个维度:accent 色覆盖、装饰密度、组件白名单 / 黑名单。
第 5 轮 · 参考与反例:「9 分像 1 分不一样」
最后一轮用具体作品校准方向,比抽象描述精确 10 倍:
- 参考视频:至少 1 个具体作品 + 1 个差异化点。说「全都像」= 抄;说「我脑子里有个画面」却不给参考 = 强制找一个
- 静态参考:海报、产品页截图,1-3 张图,说清楚参考哪一点(版式 / 颜色 / 字体 / 装饰)
- 反例:至少 3 条「绝对不要」,视觉 / 叙事 / 节奏各 1 条。它明确认为反例往往比正例更精确,用它倒推视觉决策
追问纪律:它防的 4 种失效模式
为什么非要追问 5 轮?因为 SKILL.md 开宗明义列出了 AI 的 4 种典型失效,并逐一设计防御:
| 失效模式 | 表现 | 防御手段 |
|---|---|---|
| 凭印象瞎问 | 按训练印象出题,问不到真正重要的维度 | 问之前对照问题库的「覆盖意图」 |
| 和气接受敷衍 | 你说「都行」,它说「好的」 | 见到模糊副词,翻「不接受的答案」直接驳回 |
| 自我满足提前结束 | 「差不多够了」就急着生成 spec | 对照「接受标准」,没齐不进下一维度 |
| 编造内容 | 把空白填上「听起来合理」的东西 | 只写你明确说过的;推断的必须标 [待用户确认] |
对应的 8 条追问纪律还包括:能力告知先于追问、主题选定后不重复问锁定项、素材逐项盘问不漏报、每个 Phase 结尾闭环复述。最终效果一句话:形容词永远不算合格答案——「高大上」「高级感」「科技感」都会被打回去重新回答。
拆镜头:从脚本到每个镜头 11 个字段
5 轮问完,先做「充足度判断」:任何一项硬指标缺失 → 回对应 Phase 继续追问,不允许勉强生成半成品(半成品比没成品更糟,会误导渲染)。通过 Gate 后进入分镜起草,方法论在 references/scene-breakdown.md,共六步:
- 内容分割:逐字稿按句号断句、卖点列表逐项拆、大纲按三幕结构分
- 节奏分配:按节奏档位分配时长,校验总时长,禁止全片均速
- 镜头打标:
[hook][data][cta][bridge]等 11 种标签,bridge 过场镜头 ≤ 15% - 组件匹配:每镜锚定 references/components-catalog.md 中 69 个组件的真实 ID,不许自创
- 转场决策:只写类型(硬切 / 软切 / 反白闪屏 / shader),反白闪屏全片 ≤ 2 次
- 素材绑定:旁白、屏显文案、素材依赖(相对路径)逐镜绑定;缺素材标
[待补充素材]并给退化方案
最终分镜表里每个 Scene 都有 11 个字段:
类型 / 组件 / 旁白文案 / 屏显文案 / 期待内容 / 期待效果 / 画面描述 / 动效要点 / 音效描述 / 转场进入+离开 / 素材依赖
其中几个硬约束:时间精度 0.1s;动效要点只写动词(SLAMS / CASCADE / FLOATS),不写毫秒参数;音效描述不能省,没音效就写「无」。
最终产物:video-spec.md 的 9 节结构
聊完的一切,最终填入 templates/video-spec-template.md 骨架,共 9 节:
| # | 章节 | 内容 |
|---|---|---|
| 1 | 视频基本盘 | 标题 / 目的 / 受众 / 平台时长 / 核心信息 / 语气基调 |
| 2 | 叙事结构 | 节拍 / 情绪曲线 / 音画关系 / 同质化反例 |
| 3 | 表达手段 | 场景组合 / 字幕 / 转场 / 节奏基准 |
| 4 | 视觉规范 | 主题 / accent 色 / 装饰密度 / 组件取舍 |
| 5 | 素材清单 | 已有 / 待生成 / 待搜索,三张表 |
| 6 | 分镜表 | 一个 Scene 一段,11 字段全填 |
| 7 | 音频时间轴 | 旁白 / BGM / 音效时间码 |
| 8 | 参考与反例 | 正向参考 + 反例清单 |
| 9 | 开放问题 | 待确认点逐条列,没有就写「spec 已完整」 |
输出前还要逐条过 references/spec-rules.md 的交付前自检清单:平台与画幅一致、总时长误差 ≤ ±0.5s、hook 落在开头 3 秒内……仓库里附了一份完整示例 examples/video-spec-spacex.md——B 站 180 秒的 SpaceX 科普片,20 个镜头,可以直接看一份成品 video-spec.md 长什么样。
下一步就一条命令:
/hyperframes
HyperFrames 读取 video-spec.md 渲染出视频,编导角色到此退场。之后想小改(换镜头 / 调节奏 / 换音乐)也不用重跑 5 轮——只要项目里有 video-spec.md,直接说想改什么,它就切换到迭代模式 references/workflow-iteration.md:按变更深度追问、检测冲突、精确更新脚本。
写在最后
video-spec-builder 0-1 模式的价值,是把「模糊」变成一套流程:5 轮追问各有硬指标和接受标准,形容词过不了关,内容不凭空补,最终交出一份渲染端可直接执行的脚本。它不替你想点子,只做一件事——追问到你想清楚,直到这份视频真的做出来 ✍️