| 1 | 旁白用我自己的聲音 | Gemini 3.8 Flash TTS+我的複製聲音(例:gemini_take.py) | 語氣用一句話描述,預設「不疾不徐」;可以先乾跑,只列出要生哪幾段;一個畫面段一個檔,改稿只重生有變的段。TTS 的輸入只放純正文,加了「請朗讀」它會連這句一起念。撞到支出上限就停手。 | 一開始就用 TTS 複製你自己的聲音,一段一個檔;罕用字多的句子再自己補錄。 |
| 2 | 旁白用另一個人的聲音(第三人稱) | 同上,指定 Gemini 內建的聲音 | 同一支片不混兩種聲音;任何一段重生都要記得帶同一個聲音參數,漏帶就變回我的聲音。 | 選定一個「旁白人」就整個系列用到底。 |
| 3 | 唸錯的字修好 | 三層:TTS 前改寫法、TTS 後兩個 whisper 模型聽、最後看成片 | 相似度太低的段落一定真的聽;念稿用同音字、字幕留正字;換兩次還錯就改稿刪詞;罕用字太多改我自己錄。 | 建一份讀音替換表,寫整個詞、兩邊字數一樣。 |
| 4 | 字幕對得上聲音 | whisper 逐字時間戳 → 字幕文字照稿 → 起點吸到開口處(例:tok-whisper.py、snap-srt.py) | 每條 ≤22 字、≤5 秒。跳過逐字對時,字幕會照字數比例分配,比聲音早 1–2 秒。字幕不燒進畫面時,改 srt 的數字就好,不必重新渲染。 | 用剪輯軟體或免費的 whisper 工具自動上字幕,再用耳朵掃一遍句尾。 |
| 5 | 配樂有起伏、不搶話 | 固定曲庫+Lyria 每種情緒一首約 30 秒 | 比旁白低 11 LU;不用自動壓低;交錯處 ≥3 秒交叉淡化、各首先拉到同響度;生之前先查庫。已上片的版本不追改。 | 準備兩三首授權明確的曲子,固定一個音量數值。 |
| 6 | 配樂版權乾淨 | 只用授權明確的音樂或買來的曲庫 | 有版權登記的歌不燒進片,出無聲版,用 YouTube 的 Remix 功能引用。 | 每首配樂旁邊放一個文字檔寫授權來源。 |
| 7 | 人物開口說話、嘴型對得上 | H3 的參考音訊模式+對嘴配音流程 | H3 照音軌生嘴型、不分語言。我說過:「我叫你用中文對嘴,你就要用中文材料餵給他。」每一層(配音、對嘴、成品)通過檢查才准下一步;有錯整稿重生,不拼段,因為單句重生音色會變。 | 先不做對嘴;需要人說話就拍自己,或用背影加旁白。 |
| 8 | 片裡的人唱歌 | Lyria 純伴奏 → 複製聲音一字一拍喊出歌詞 → 伸縮到合拍 → H3 對嘴 | H3 自己不會唱,會變成念白;最後整條音軌換回原曲。Lyria 會擋部分含真實人名的歌詞。 | 唱歌的片用真人錄音,畫面配插圖就好。 |
| 9 | 主角動起來、有環境音的寫實片段 | MiniMax H3,在 Colab 上跑,只走一支入口腳本 | 描述分六段寫(主角定義、摘要、要保留的、細節、聲音、不要的);秒數只用固定的幾個格點(多鏡 8.0/10.125/12.25 秒、單鏡 5.167 秒);每支 ≤4 鏡、每鏡 ≥2.5 秒。開頭約 0.5 秒常有破碎語音;黑板招牌會冒出假字。驗收從寬,只有出現文字、可辨識的臉、會被讀成錯誤事實的道具、畫面壞掉才重生。 | 先用真實照片加推近效果代替;真要用 AI 影片,一次只生一支短的,看它會出什麼錯。 |
| 10 | 同一個人每鏡長一樣 | 角色包:固定參考圖+固定順序+逐字相同的主角描述 | 人物要給正、側、背多個角度;主角描述從角色包注入,鏡頭裡自己另寫會被擋。班上學生的臉和聲音不進角色包。 | 主角描述寫成一段固定文字,每次一字不改地貼上。 |
| 11 | 空景、田園、沒有主角的鏡頭 | 依序:素材庫 → 照片視差 → Blender → 真的沒有才 H3 | 視差只給有縱深的情境圖,示意圖和剖面圖只做慢推;公開素材用搜尋工具找。 | 先翻自己的照片和公開授權圖庫。 |
| 12 | 地圖、立體臺灣、地點定位 | 網頁 3D(Three.js)或 Blender,資料用內政部 20 m DEM、縣市界 | 全島垂直誇張 3.0 倍、細節區 1.3–2.5(台地這種頂平邊陡的要壓低,不然變尖山);北朝上、靜止;每個地點的座標用 DEM 與縣市界實算。Blender 多支同時跑會互搶,排成一支序列跑完。 | 用一張乾淨的臺灣地形圖,固定放同一角落當定位圖。 |
| 13 | 概念、數學、機制圖解動起來 | SVG 黑板圖解、ManimGX、簡報式滑入、板畫長回來、字卡 | 線與字錨在旁白關鍵詞上;ManimGX 只當選項;示意圖右上掛「示意」。 | 用簡報軟體的動畫,讓每個圖形在旁白講到它時才出現。 |
| 14 | 轉場、片頭片尾字卡 | 字卡包裝、黑板片頭、Hello Irene 剪輯技能包的字卡 | 風格讓 AI 列選項給我挑;主片有旁白就不加配樂;片尾文字跟說明欄一致。 | 做一組固定的片頭片尾範本。 |
| 15 | 多段影片接成一條旁白音軌 | 旁白、配樂、環境音混成單一音軌,最後只合併一次(例:build_audio.py) | 旁白 −16 LUFS、成品整軌約 −14 LUFS(LUFS 是平台通用的響度單位);H3 原聲當環境音,比目標低 10 LU,在 3D+H3 合片裡調到比旁白低 20 LU 附近。各段各自編碼再接,後半段會音畫不同步。 | 在剪輯軟體裡,旁白放一條音軌、配樂放另一條,整支片一起輸出,不要分段輸出再接。 |
| 16 | 做 5–8 分鐘以上的長片 | 3D+H3 合片流程、研究片八步、沙畫長片、簡報式長片 | 每日歷程片 ≤5:10(上傳腳本會擋);研究片含片尾 ≤8:00;不分章輸出再接,會毀掉字幕對時;片尾靜止 8 秒;每完成一步自動存一版。長片驗音用 whisper large-v3。 | 先把片長上限定下來寫在稿子第一行,寫稿時就照字數估時間。 |
| 17 | 上傳 YouTube | 上傳腳本(例:publish.sh、yt_publish.py) | 縮圖、說明欄、字幕檔、成品缺一個就不准上傳;同標題已經上過也擋。搜尋包裝六條:說明欄第一段是內容摘要、附字幕軌、tags 至少 5 個、hashtag 2–3 個、長片加章節時間碼、標題說到的畫面片裡要有。片尾元素 API 設不了,由操作瀏覽器的 AI 小幫手代設。 | 做一張上傳前檢查清單,照那六條逐項打勾。 |
| 18 | 縮圖和標題讓人點進來 | 縮圖產生腳本+長片成功公式 | 縮圖用片裡真的出現的強畫面(挑沒有字幕的乾淨格)+2–8 個白色大字+左上小標;標題前段是反差問句加地標,後段是系列名;前 15–20 秒破題。教學內容不為點閱改變,只動包裝;班級影片不做搜尋包裝。 | 從你的片裡挑一格最好看的畫面,加不超過八個字,就是縮圖。 |
| 19 | 嵌回班級紀事網站 | 課程日流程裡的「嵌入」階段 | 當天的歷程片和圖解片排成左右並排,嵌進當天紀事後重新發布,兩個播放器都驗過才算完成。孩子的回顧、演出影片只放班級網站的相簿和紀事,不上公開 YouTube。 | 每週的班級紀事或家長信,固定在最後附上這週的影片。 |
| 20 | 驗收:機器聽、機器看 | 成片品檢腳本(例:video_qa.py)→ agy 看畫面 → agy 不通才換另一支 AI 驗收 | 品檢量規格、響度、黑畫面、靜音、字幕、旁白聽寫比對。agy 抓錯字、唸錯、嘴型、紅線很準,秒級對時不準,所以秒數交給機器量。沒過自動修一次再驗,還沒過才叫我。做片的 AI 不驗自己的片。 | 上傳前從頭到尾看一次,同時開著稿子逐句對。 |
| 21 | 分鏡不像投影片、稿子過關 | 分鏡風險預審(例:slideshow_risk.py)+關卡檢查點 | 六個面向打分:重複、裝飾性畫面、動態沒有目的、鏡頭沒有意圖、太依賴字卡、名不副實;判 fail 就先改畫面設計再生圖。檢查點記下「誰用哪句話放行哪一版」,放行後被改過也擋。 | 寫完分鏡,自己問:哪幾段只是在放字?每一段換一個真的畫面。 |
| 22 | 臺語旁白 | 專門的臺語語音服務(意傳媠聲),不用複製聲音 | 華語模型壓不出道地的臺語腔,2026-06 實測全部失敗。 | 臺語旁白先自己錄或請會講的人錄。 |
| 23 | 實拍影片剪成成品 | Hello Irene 剪輯技能包四軌+字幕修正 | 帶參考片來可以量它的剪輯節奏(鏡頭數、中位鏡頭長度、每分鐘切點);說不出的氛圍不腦補,追問我喜歡參考片哪裡。字幕修正四件事:辨識錯字、轉臺灣繁體、斷行、時間不重疊。 | 找一支喜歡的片,數一分鐘裡切了幾刀,照那個節奏剪你的片。 |
| 24 | 水彩、板畫風插畫 | OpenAI 生圖;板畫另一支風格鎖在腳本裡 | 最低品質、腳本硬擋;帶參考圖要我下令;圖上不放字;同一回合入庫;板畫一張一張生。 | 固定一段畫風描述,每次貼同一段。 |
| 25 | 母帶歸檔、本機清理 | 歸檔腳本(例:video-archive.py) | 確認上線、雲端那份 md5 對上,兩件都成立才刪本機;刪的是丟垃圾桶。會進 git 的檔一律不刪。 | 上傳後在試算表記一行,確認雲端能播再刪。 |