视频风格复刻
给一个博主(主页链接、账号名或一组作品链接),产出一份有证据的风格包:先选样并冻结训练/留出拆分,再测量、转写、逐条阅读训练样本,写出八个维度的规则。规则里的每句原话都能在转写里逐字找到,每个数字都能回读到测量文件;画像冻结之后才打开留出样本检验。可选交付包装模板、用你自己的素材做的演示,以及该博主的专属风格 Skill。迁移的是结构与手法,不复制作者身份、素材和未经证实的观点。
Triggers
Activate when
- “复刻一下小红书博主「某某」的视频风格。”
- “参考这个抖音账号的 10 条视频,提炼一份可执行的风格包和剪辑模板。”
- “把这个 B 站 UP 主的包装拆出来做成模板,再用我自己的录像做个演示。”
- “Clone this creator's video style from their profile and build an evidence-backed style pack.”
Do not activate when
- 只要下载视频:交给
lov-media-crawler。 - 该风格已有专属 Skill(如
lov-xiaonuan-style-media-creator、lov-laozhang-style-media-creator),只是要按它出片:直接用那个 Skill。 - 文章文风交给
lov-style-clone;单张图的视觉要素交给lov-visual-clone。 - 没有参考风格、只要剪辑已有素材:交给
lov-media-creator。 - 换脸、声纹克隆、搬运原片、冒充博主或其品牌:不做。风格参考不构成身份或素材授权。
User Profile (cross-session)
每次运行读取 skill.yaml、共享 user-profile/v1 与本 Skill records。优先级为当前请求、项目上下文、Skill records、共享偏好、用户/品牌 Profile、安全默认值。
python3 "$SKILL_DIR/scripts/profile_store.py" read --skill-id lov-media-cloner --pretty
本 Skill 的 records:projects_root(工作区根目录)、logged_in_browser(读取需要登录的平台用的浏览器)、asr(转写后端与模型)、split(默认样本数与留出数)。用户明确说要长期沿用的值,用 scripts/profile_store.py record --confirm 保存并报告路径;凭据、Cookie、私聊和被分析博主的信息不写入 Profile。详见 references/user-profile.md。
Skill Group Composition
运行前读 references/skill-composition.md。这是 Single Skill:取样、测量、规则、冻结、留出与模板共用一个工作区和同一套 Schema。下载、登录态读取、精剪、发布与封装都只通过文件交接,不是隐藏依赖。
Authorship Integrity
写风格说明书和规则正文前读 references/authorship-integrity.md。每个判断都要追到规则、证据或测量;原作里的观点、市场判断和刻板说法是作者的修辞,不是本 Skill 验证过的事实;例外、留出未中和未知项必须保留。
Workflow (MANDATORY)
所有命令都打印 JSON,失败时退出码非零。下文 PY 指带依赖的解释器:
PY="uv run --with jsonschema --with pyyaml --with numpy --with opencv-python-headless --with pillow python"
Step 0: Resolve and resume
绑定 SKILL_DIR,运行 $PY "$SKILL_DIR/scripts/cloner.py" doctor 查看能力矩阵(OCR 需要 macOS 与 swiftc,本地转写需要 mlx-whisper 或 openai-whisper,没有时改用导入)。已有工作区先跑 cloner.py status --project DIR,从它给出的阶段继续,不重做已完成的步骤。
Step 1: Scope the creator and the boundary
确认平台、主页、显示名和要复刻的格式期(封面、标题、包装换过版时只取当前格式,除非用户另有要求)。初始化工作区:
$PY "$SKILL_DIR/scripts/cloner.py" init --slug SLUG --creator "博主显示名" --platform xiaohongshu --profile-url URL --root PROJECTS_ROOT
默认交付风格包、说明书和模板预览;演示成片只在用户提供自己的素材并取得出镜者同意时做。会改变结果的未知项(格式期有歧义、要不要演示)只问一个问题。
Step 2: Inventory and select samples
读 references/sampling-and-platforms.md。用登录态浏览器列出候选作品写入 research/candidates.json,在当前格式期内按子类型和互动量分层选 10–12 条,在看任何测量之前定下 2 条留出,写进 research/sources.json(era_scope、selection、每条的 partition)。
Step 3: Download, register, freeze the split
授权链接交给 lov-media-crawler 下载并保留下载报告。登记哈希与参数后冻结拆分:
$PY "$SKILL_DIR/scripts/cloner.py" register --sources research/sources.json
$PY "$SKILL_DIR/scripts/cloner.py" freeze-split --sources research/sources.json
冻结后改动样本或拆分,所有工具都会拒绝运行;要换样本就开新版本。
Step 4: Measure and transcribe the training set
读 references/analysis-protocol.md 与 references/dimensions.md。测量工具默认只处理训练集,留出集在画像冻结前是封存的。
M="$SKILL_DIR/scripts/measure.py"; S=research/sources.json
$PY "$M" media --manifest $S --out research/measurements
$PY "$M" layout --manifest $S --out research/layout --discover --colors
$PY "$M" tones --manifest $S --out research/tones/tones.train.json
$PY "$M" transcribe --manifest $S --raw research/transcripts/raw --out research/transcripts/normalized
$PY "$SKILL_DIR/scripts/cloner.py" metrics --sources $S --measurements research/measurements --transcripts research/transcripts/normalized --tones research/tones/tones.train.json --out research/training-metrics.json
已有转写(Whisper JSON、听悟 JSON、SRT)用 measure.py import。版式区域先用 --discover 看文字框分布,再按博主重写 --zones(默认值见 assets/layout-zones.vertical.json)。多人对话可用 measure.py speakers 做声学提示,角色仍以阅读判断为准。
Step 5: Read, annotate, draft rules
完整阅读每条训练转写,看接触表与抽帧,必要时听 audio-sample.mp3;把阶段标注写进 research/per-video-analysis.json。按 references/rules-and-evidence.md 写 research/rules-draft.json:八个维度各有摘要,每条规则写观察、生成指令、强度、适用分母、置信、范围、例外、验收方式与证据。引文只给时间提示和原话片段,由脚本去转写里定位;不改写 ASR 原文,不补造例句或支持数。
$PY "$SKILL_DIR/scripts/cloner.py" build --draft research/rules-draft.json --sources $S --transcripts research/transcripts/normalized --out style-pack/SLUG-v0.1 --per-video research/per-video-analysis.json --project-root .
$PY "$SKILL_DIR/scripts/cloner.py" verify --pack style-pack/SLUG-v0.1 --sources $S --transcripts research/transcripts/normalized
构建失败时看 research/rules-draft.build-report.json:找不到的引文附有附近原文,留出证据、分母小于支持数都会被拒绝。
Step 6: Freeze, then test on the holdout
$PY "$SKILL_DIR/scripts/cloner.py" freeze --pack style-pack/SLUG-v0.1 --sources $S --transcripts research/transcripts/normalized
$PY "$M" transcribe --manifest $S --partition holdout --frozen style-pack/SLUG-v0.1 --raw research/transcripts/raw --out research/transcripts/normalized
$PY "$SKILL_DIR/scripts/cloner.py" holdout-init --pack style-pack/SLUG-v0.1
$PY "$SKILL_DIR/scripts/cloner.py" holdout-check --pack style-pack/SLUG-v0.1 --write-summary
冻结后才读留出样本全文与抽帧,按写好的规则逐条记录 hit / partial / miss / not_applicable,每个“规则 × 留出样本”都要有结果;冻结前已在日志里见过的数值标 contaminated。修订意见写进 suggested_revisions,进入下一版,不回改冻结包。
Step 7: Write the style guide
按 references/deliverables.md 在 deliverables/ 写风格说明书:一句话本质、样本与方法、八维规则(带支持数与证据 ID)、叙事与版式模板、留出结果(含覆盖与污染)、禁用清单、未知项。先过 lov-branding-consistency 的读者可见文本门禁;引文与数字保持原样。
Step 8 (optional): Template preview and demo
读 references/template-and-demo.md。把 templates/remotion 复制到 work/remotion,用画像里的 layout_templates 与颜色测量填 src/data/style-tokens.json,先渲染无素材的预览帧核对版式。演示只用用户自己的素材:scripts/build_audio.py 做连续音轨,写渲染计划,渲染后复查响度、真峰值、剪口与抽帧。
Step 9 (optional): Package as a creator style Skill
用户要求封装时读 references/packaging.md,把冻结包、模板与案例交给 lov-skill-creator,生成 lov-SLUG-style-media-creator。发布只在用户要求时交给 lov-skill-publisher。
States and reporting
sampled、split_frozen、measured、drafted、verified、frozen、holdout_checked、guide_written、template_previewed、demo_rendered、packaged、published 是不同状态,分别报告。自动校验通过不等于风格认可;不编造相似度分数、盲评或听审结论。留出结果按覆盖率、独立命中与受污染项分开写。
Dependencies
核心台账只需 Python 3.9+、jsonschema 与 PyYAML。测量需 FFmpeg/FFprobe、numpy、OpenCV、Pillow;OCR 需 macOS Vision(swiftc 编译 scripts/ocr_frames.swift);本地转写需 mlx-whisper(Apple Silicon)或 openai-whisper,首次运行会下载模型;说话人提示需 librosa;模板需 Node.js 与 Remotion 4.0.517。下载、登录态读取、精剪、发布与封装由相邻能力负责,不是默认已完成的步骤。
