anything2explainer

一个把主题——或者一份文件——变成旁白解说片的技能，跑在 Claude Code 或 Codex 里。它不是命令行工具：交付的是整套方法——21,395 字节的 SKILL.md（九道工序、四个会停下来等你的停点）、reference/ 下十份规格文档、六份提示词模板、一个可编译的 Remotion 4 模板（图元与灯光库，外加十一个管配音、分镜、静帧、预览、渲染与量化 QC 的脚本），以及一支带着全部纸面记录的参考片。成片是 1280×720、30fps 的 H.264，中文或英文，带章节卡、底部进度条、顶部 HUD 和按词边界对齐的字幕；中文用 edge-tts 的 zh-CN-YunxiNeural，英文用本地跑的 kokoro-82m am_liam，也可以直接交出自己的音频。解说词里的空行是一段、也是一个镜头；段内句子相隔 10 帧、段末 30 帧，于是停顿正好落在画面切换处，每个镜头在最后一个元素落位后还要停 1–1.5 秒。时长决定其余一切：两分钟是 24–32 个镜头、4–6 个构建 agent，八分钟是 60–80 个镜头、10–14 个 agent。每一帧都由代码画出，没有素材库，没有生成式视频模型，而屏幕上出现的每一个数字都必须能追到来源 URL。2,207 个星、305 个 fork，PolyForm Noncommercial 许可。

谁做的仓库挂在 GitHub 账号 Vincentwei1021 下——video-shotcraft 也出自同一个账号——README 的落款是 Vincent。28 次提交全部落在 2026-09-08 到 2026-09-18 之间：25 次属于这个账号，同一邮箱却用了三个署名，Wei Yihao 17 次、Vincent Wei 5 次、Yihao 3 次；一次来自 DHCatLaw；另有两次署 mdipaolo1，邮箱在 GitHub 上没有关联账号。28 次里 25 次带着共同作者尾注，且每一条写的都是 Claude 模型：带百万 token 上下文的 Opus 5 十八条、Fable 5.1 五条、Opus 4.8 两条。贡献者列表只有两个名字：作者 25 次、DHCatLaw 一次。

1. 01

   同一个作者、同一块画布，做的是另一种片子

   本档案里现在有两条记录出自 Vincentwei1021 这个账号。video-shotcraft 建于 2026-07-19，有 10,029 个星，它存在的意义是让一个产品好看，重心是一座 157 张镜头配方卡的库，加一轮覆盖 149 个音效和五首垫底曲的声音设计。anything2explainer 晚了五十一天，建于 2026-09-08，有 2,207 个星，它存在的意义是把一个主题讲清楚，重心是一份解说词。两者共用机器，几乎没有共用内容：都是 Claude Code 与 Codex 的技能，都用 Remotion 把 React 组件画到黑色画布上，文档体量也相当。真正不同的是「什么在决定画面」。在卡片库里，片子的形状来自你挑的镜头和钉上去的音效，产物是一支主角为产品的宣传片；在这里，形状来自解说词——先做带来源的调研、写稿、配音、变成帧级精确的时间轴，一个镜头都还没写，而镜头文件随后把这些帧号硬编码进去。这里完全没有音效库，没有垫底曲，没有卡片目录，也没有浏览器工作台。README 自己划的线是：产物是讲机制的动态图形，画面由旁白驱动，而且是 1280×720 的横屏，不是给手机看的竖屏。

2. 02

   九道工序、四个停点，和一份以方法为主的仓库

   整段历史只有十天：2026-09-08 到 2026-09-18 之间的 28 次提交，最后一次加上片尾署名 built by Anything2Explainer skill。周围是 2,207 个星、305 个 fork、八个 watcher、四个未关条目，以及一棵 209 个文件的树。仓库对自己的边界说得很直白——「It is not a CLI」——它交付的是一套流程：21,395 字节的 SKILL.md 走九道工序，从把模板搭起来，到调研、解说词、分镜、覆盖层、试拍、并行构建、渲染，最后是 QC，中间在四个停点等你。reference/ 下十份文档再加约 123 KB 规格，领头的是 32,865 字节的 lessons.md、21,950 的 narration-storyboard.md 和 13,343 的 agent-build-rules.md，最小的是 3,477 的 research-brief.md。template/ 下是可编译的 Remotion 工程：src/ui.tsx 是 40,704 字节的图元与配色，src/fx.tsx 是 17,209 字节的光、景深与相机，src/overlay/Overlay.tsx 是 14,062 字节的标题、章节卡、HUD、流水轨与片尾，另有 60 KB 的十一个脚本，核心是 29,185 字节的 tts_build.py。树里最重的文件不是代码：四个自带字体之一、按自己的 SIL OFL 1.1 授权的 NotoSansSC.ttf 有 17,772,300 字节。README 把成本写成钟点与磁盘——两分钟的片子约一小时、2 GB，参考档约两小时，八分钟是两到三小时、3 GB——并且明说这些 shell 脚本是 zsh 加 Python 3，只在 macOS 上验证过，Windows 未测。外部反应里除了星标还有一次第三方实测：AutoClaw 这个 agent 工作台报告装上了这套技能，端到端完成了一次英文解说片任务，复核过的镜头达到了它写下的视觉标准。

3. 03

   旁白就是时间轴，一个段落就是一个镜头

   这里的节奏不是审美问题，而是从音轨里掉出来的结果。解说词里的空行标出一个段落，一个段落就是一个镜头，于是画面在说话人停顿的地方换；段内句子相隔 10 帧，段末 30 帧。字幕 44px，按 TTS 引擎给出的词边界对齐；成片被允许比纯语音长 5–8%，好让每个镜头在最后一个元素落位后再停 1–1.5 秒。第二个停点是这件事变贵的地方：配音一旦生成，帧号就被硬编码进每个镜头文件，改一个词就要把整条片子的时间重排——README 把这个停点称为最便宜的介入位置，而「已知限制」把这叫作「词被冻住」。这套规则被真实反馈重写过一次。第五片的观众说节奏太快、紫色扫光来得太频繁，数字也同意：47 句里有九句不足三秒；英文成片里抽查的 40 个镜头中，26 个末拍完全没有稳定帧，只有七个能停到 30 帧以上，而 47 个镜头里有 34 处推近。修法由用户裁定，是一串画面规则——静止上限从 30 帧改成 3 秒，且不许用漂浮、飘动、呼吸去凑；镜头末拍落位后停 30–45 帧再离场，稳定期不新增元素也不运镜；单镜头不短于 120 帧，短句并进相邻镜头当节拍，而不是自己占一个镜头；句间空白从 10 帧提到 20 帧；每章至多一个高光时刻；三轮扫光这套东西——StageLine 与 GhostText 那组——全片至多两处，留给核心概念第一次登场和可选的结尾。

4. 04

   词边界到底去哪了

   仓库里最锋利的一次取证来自一位用户。2026-09-09，DHCatLaw 报上他在 macOS 上跑完一条四分半中文片时撞到的三个问题，其中两个是真的。第一个既琐碎又致命——test_render.sh 建出来的临时目录名以点结尾，而 Remotion 拒绝输出目录带扩展名的图片序列，于是这个脚本在任何机器上都跑不起来。第二个看起来像微软那边变了：四个音色、两种语言、单句与多句全测一遍，WordBoundary 事件恒为零，只剩 SentenceBoundary，把 edge-tts 钉在 7.2.8 也毫无变化。作者把这些全部复现之后，把原因定位到客户端一侧：7.2.0 版（2025-08-05 发布）给 Communicate 新增了 boundary 参数，默认值是 SentenceBoundary，于是请求里发出去的是 wordBoundaryEnabled:"false"，而 7.0.2 及以前是硬编码为 true 的。失败方式不是报错，而是静默降级——拿不到词，字幕块的起点就退回按字数线性插值。拿仓库自带的那份样片解说词、用 zh-CN-YunxiNeural 把语速提高百分之八来量，插值出来的块的起始帧是 0、9、45、81、134，而真实发声位置是 0、6、30、76、130。修法是哪里需要词边界就显式要一次；贡献者针对间歇性空音频写的重试则被整体采纳，提交上保留了他的署名。

5. 05

   收下了什么，推广了什么，退回了什么

   这个项目的形状是在 pull request 队列里定下来的。一个 Linux 与树莓派移植被合并，贡献者在 Pi 5 上把它整条跑通：sed -i "" 是 BSD 语法，在 GNU sed 下直接失败；默认的英文引擎在 ARM 加 Python 3.13 上装不上；于是 TTS_ENGINE 后面多了两个本地引擎 kokoro_onnx 与 piper，而 REMOTION_BROWSER_EXECUTABLE 让 Remotion 指向系统 Chromium，因为根本没有 linux-arm64 的无头浏览器。随后一条后续改动把整个技能审了一遍「是否通用」，发现样片被写进了方法里：一套固定章法把某一种题材的形状当成了所有片子的结构，后来改成「结构由主线决定」；镜头模式表左列原本是向量空间、索引、提示词输出、评估指标这类领域概念，改成了与题材无关的画面关系；一张塞满某一片 CUDA 与 NIXL 专有词的读音表被清空。Windows 是以报告而不是补丁的形式来的——这条链路确实能用，打包、30 帧测渲、出 H.264、中文字形都在 Windows 11 上验证过，但有五个 shell 脚本必须替换，从 zsh 专有的参数展开到 Git for Windows 根本不带的 rsync——现在有一条开着的 pull request 把它们变可移植。有两份贡献被带着理由退回，而不是被无视：一是片头口播的标题句，已经实现、且贡献者自己的 fork 上已有四支成片在用，作者的理由是他更愿意保留现有的片头镜头与时间轴设计；二是俄语旁白（含西里尔字母检测、40 字符字幕预算与回归测试），理由是主仓库得长期背着这份维护。本记录最想问而没答案的那个问题——为什么是 Remotion 而不是别种可编程画布、有没有评估过 HyperFrames、渲染层能不能做成可替换后端——是 2026-09-20 的 issue 14，附了一小段实验，至今没有回复。

6. 06

   一支片子整份交付，一份不断收到申请许可的授权

   那支参考片是连纸面记录一起交出来的，而这些记录是仓库里最大的一块：examples/rag/ 下 119 个文件、3,920 KB——48,851 字节的调研文档（每一项都带 URL）、35,589 字节的分镜源文与 33,529 字节的中文分镜表、九组镜头里的 44 个镜头组件（每组的 BUILD_NOTES 从 12,401 到 15,707 字节）、五份 QC 报告（最大 23,532 字节）、二十张参考帧与六张总览帧，最后是交付说明。那一版是四分三十五秒的中文片，星空背景，由八个 agent 并行跑了四十分钟、过了两轮 QC；它的下一版是 4:54 的点阵背景，换成外部引擎加强制对齐；英文版 5:02，44 句、785 个词，由 kokoro 配音。旁边 examples/contrast/ 放着六组「坏 / 好」对照帧和一张 408,424 字节的拼图，作为构图与光的量尺。视觉语言是被致谢而不是被主张的：黑底、白色线稿、紫色强调、超粗标题，这套词汇学自一位抖音创作者（名字写在致谢里），而对方的画面、素材与工程文件一件都没有被使用。原创性随后被写成两条规则——每一帧都由代码画出，可选的实拍素材必须来自免版税来源并登记在清单里（哈希、来源、许可）；每一条事实都要有来源，未经验证的东西不许进画面也不许进解说词。商业使用被问过三次：一家读了 PolyForm 后认定「带律所品牌、预期有商业用途」不算个人使用的小型美国律所，一个发布到抖音、视频号、小红书与微信公众号的教育账号，以及一个靠 AdSense 与 Udemy 付费课变现的土耳其 YouTube 频道。三次得到的都是同一条路——写信给作者，说明使用范围、规模，以及是否会再分发这套工具——而 README 写得很清楚：用它做出来的片子归做片子的人。