<div align="center">

html-explainer

一个 Agent Skill：给任意主题，产出一条带配音、硬字幕、封面的讲解视频。

HTML 写画面 → 确定性逐帧渲染 → 真 MP4。全本地跑，核心链路零 API key、零按次计费。

简体中文 · English

<br/>

三条用本技能生成的成片——画面、配音、字幕、封面全部由流水线产出，无手工后期。 封面等素材托管在演示仓库，本仓库零体积。

https://github.com/user-attachments/assets/912e6c2d-831f-43dd-a39f-57b749bb417d

| 港股创新药 · 早盘 | 量化简史 | |---|---| | https://github.com/user-attachments/assets/8007843c-088d-457c-8550-81ec912e0add | https://github.com/user-attachments/assets/28949988-449b-4c4e-8d0f-6706af6f64ee |

欢迎关注测试账号，实时观看视频数据

| 抖音 · OnlyOneMoh | 主页实况 · Moen | 抖音 · Moen_xin | |---|---|---| | <img src="https://raw.githubusercontent.com/OneMoh/html-explainer-demos/main/images/douyin-qr-moh-onlyonemoh.jpg" width="240"> | <img src="https://raw.githubusercontent.com/OneMoh/html-explainer-demos/main/images/douyin-profile-moen.jpg" width="240"> | <img src="https://raw.githubusercontent.com/OneMoh/html-explainer-demos/main/images/douyin-qr-moenxin.jpg" width="240"> |

</div>

---

它是什么

html-explainer 把一个主题做成带配音、带硬字幕、带进度条的讲解视频，画面用 HTML/CSS/GSAP 写。

它是一个 Agent Skill（SKILL.md + scripts/ + references/），遵循 Agent Skills 约定，Claude Code / OpenAI Codex / WorkBuddy / Cursor / Gemini CLI 等都能直接加载。内部是普通的 Python 与 Node 脚本， 手工跑也完全没问题。

你只需要说一句：

把「为什么天空是蓝色的」做成一条 1 分钟的讲解视频。

技能会带着智能体走完：调研 → 解说词 → 配音 → 字幕与节拍 → 挑风格写画面 → 渲染 → 体检 → 封面。

---

安装

一句话安装（推荐）

把下面这句发给你的智能体：

给当前本地环境安装该 Skill：https://github.com/OneMoh/html-explainer.git
安装到你的技能目录，并检测安装必要的运行环境（Python 3.9+ / Node 18+ / Chrome 或 Edge / ffmpeg）

它会自己 clone 到对应目录、跑环境自检、把缺的东西装上。装完新开一个会话，让智能体重新 扫描技能目录。

手动安装

仓库根目录就是技能目录（SKILL.md 在根），直接 clone 进技能目录即可，不用再拷子目录：

git clone https://github.com/OneMoh/html-explainer.git ~/.workbuddy/skills/html-explainer
bash ~/.workbuddy/skills/html-explainer/setup_env.sh --install

Windows 上 ~ 就是 C:\Users\<你的用户名>。

各智能体的技能目录

| 智能体 | 个人级（全局） | 项目级（仓库内） | |---|---|---| | WorkBuddy | ~/.workbuddy/skills/ | <工作区>/.workbuddy/skills/ | | Claude Code | ~/.claude/skills/ | .claude/skills/ | | OpenAI Codex | ~/.codex/skills/ | .codex/skills/ 或 .agents/skills/ | | Gemini CLI | ~/.gemini/skills/ | .gemini/skills/ 或 .agents/skills/ | | Cursor | ~/.cursor/skills/ | .cursor/skills/ | | GitHub Copilot / VS Code | ~/.copilot/skills/ | .github/skills/ | | OpenCode | ~/.config/opencode/skills/ | .opencode/skills/ | | Windsurf | ~/.windsurf/skills/ | .windsurf/skills/ | | 其他（通用约定） | ~/.agents/skills/ | .agents/skills/ |

记不住放哪：优先 .agents/skills/，多数工具都认它（Claude Code 是例外，只认 .claude/skills/）。

环境要求

| 项 | 最低 | 说明 | |---|---|---| | Python | 3.9+ | edge-tts==7.2.8（刻意钉死 —— v7 改过边界 API）、numpy、pillow、imageio-ffmpeg。火山引擎引擎零额外依赖（只用标准库 urllib，不需要装 SDK） | | Node.js | 18+ | 渲染器与封面器用 | | 浏览器 | Chrome 或 Edge | 自动探测；都没有才下载 playwright chromium（约 115MB，只需一次） | | ffmpeg | 任意版本 | 先在 PATH 找；没有则用 imageio-ffmpeg 自带的静态二进制 | | 磁盘 | 每条成片约 2GB | 帧 PNG 体积大，合成后可删 |

bash setup_env.sh 只检查并报告缺什么，--install 才会装。全程不需要管理员权限。

---

配音：两个引擎

流水线开始前，智能体会先问你用哪个 TTS，再列候选音色让你挑（也可以直接给它音色 ID）：

| | edge-tts | 火山引擎语音合成 2.0 | |---|---|---| | 你要做什么 | 什么都不用做 | 填一次 API Key | | 费用 | 免费 | 按字符计费 | | 音色 | 内置中英文若干 | 豆包 2.0 音色库，含声音复刻 | | 字级时间戳 | WordBoundary | sentence.words[] | | 额外依赖 | edge-tts==7.2.8、imageio-ffmpeg | 零 —— 只用标准库 urllib | | 什么时候选它 | 默认。开箱可用、够用 | 想要更自然的语气与更好音质 |

两者产出的 audio-manifest.json 结构完全一致，所以时间轴、字幕、渲染全都不用改 —— 换引擎只是换一个字段的事。

选火山时，你唯一要动手的地方

技能第一次跑火山时会生成一个 tts.env 并停下来，然后告诉你把 API Key 填进去 （火山控制台 → 语音技术 → API Key 管理）。你填好回来说一声，智能体就去测连接、确认音色， 然后接着往下跑。

这一步刻意不经过对话窗口 —— 密钥不发给智能体，智能体也不需要知道它。

内置常用音色（完整列表见官方音色文档）：

| 男声 | 女声 | |---|---| | 云舟 2.0（默认）· 温暖阿虎 2.0 · 解说小明 2.0 · 磁性解说男声 2.0<br>悬疑解说 2.0 · 广告解说 2.0 · 儒雅青年 2.0 · 少年梓辛 2.0 · 深夜播客 2.0 | 小何 2.0 · Vivi 2.0 · 知性灿灿 2.0<br>甜美桃子 2.0 · 邻家女孩 2.0 · 温柔淑女 2.0 |

内置列表不够用时，也可以直接用声音复刻出来的音色 ID。

密钥纪律

API Key 只存在 tts.env 里，而且只有技能里的一个接口包读它。 智能体调的是那个接口包，拿不到、也不需要读密钥的值：

你（手工填一次）→ tts.env（已被 .gitignore 忽略）
                      ↓  只有接口包读
               合成调用  ← 智能体只调这个，永远拿不到密钥值
                      ↓
               火山引擎

• 不进对话：问智能体密钥状态，它给你的是脱敏摘要（ef90******86c8）。
• 不进仓库：.gitignore 覆盖 tts.env / *.env / *.key / *.pem / secrets/； 仓库自检里有专门的密钥防线，并且做过反向自证 —— 故意植入一个假密钥会被当场抓到。
• 不进日志：出错信息过脱敏，只抹「这次实际用到的密钥值」与 AKLT… 形态的 token —— 刻意不用「长字符串就算密钥」这种宽规则，否则连排查要用的请求 ID 一起抹掉。
• 不进分发：技能打包时排除密钥文件。
• 兜底层（真正的安全边界）：万一还是泄了，损失要可控 —— 建议在火山控制台用 子账号只授语音合成权限、设用量告警与限额，密钥可随时轮换。

说句实话：合成代码是在你本机执行的，运行时进程里密钥对那一段脚本可见， 「智能体绝对读不到」做不到。上面保证的是不进对话、不进仓库、不进日志、不进分发， 把泄露半径收敛成一次可撤销的事故。

另外别用环境变量存密钥 —— 很多宿主会把进程环境原样打进会话记录。

别把 tts.env.example 改名成 tts.env 去填：那是要留在仓库里的模板， 改名会让后来的人没模板可抄（仓库自检会报错并提示）。复制一份再填。

---

视频项目结构

说一句需求，智能体会在一个视频项目目录里走完整个流水线；产物落在 out/： slug.mp4、cover_169.png、cover_34.png、slug.srt、slug.vtt，外加 qc_report.md 与 qc_sheet.jpg。

项目目录长这样：

my-video/
├── project.json      # slug、fps、尺寸、音色、语速、场景顺序、章节
├── narration.json    # [{ id, text }] —— 用 "|" 切字幕块
├── theme.css         # 所有颜色，以 CSS 变量形式
├── frames/           # 一个场景一个 HTML；<id>.beats.js 自动生成，绝不手改
├── audio/  render/  research/  script/
└── out/              # MP4、封面、SRT/VTT、QC 报告

---

为什么不用录屏

多数「HTML 转视频」工具是启动浏览器、播放动画、录屏。这条路会生出一整类间歇性 bug —— 动画在录制开始前就播了、网络字体加载晚了导致半段视频用了错误字体、前几帧拍到的是动画前的状态。

html-explainer 不录制，它 seek：把 GSAP 时间轴定位到那一瞬间 （tl.pause(t, false)），同步所有 CSS 动画（document.getAnimations().currentTime）， 等两个动画帧后截图。于是第 1204 帧与下一次渲染的第 1204 帧逐像素一致 —— QC 可以定点抽查、 单个场景可以独立重渲，一整类时序 bug 从根本上无法发生。

代价是每个动画都必须可 seek：墙钟动画（setInterval、requestAnimationFrame 计数、 CSS transition 入场）不可能工作，会被 lint_frames.py 直接拒绝。

---

特性

| | | |---|---| | 节拍锚定解说词 | 画面按匹配字幕文本定位动画（B('块文本')），绝不硬编码帧号。改解说词，全片自动重排时间，画面代码零改动。 | | 词边界字幕 | 时序来自 TTS 的字级时间戳，不按字数插值 —— 中文里两个同字数的短语时长可以差 3 倍。edge-tts 取 WordBoundary，火山引擎取 sentence.words[]。 | | 两个配音引擎 | edge-tts（免费、免密钥、默认）或火山引擎语音合成 2.0（音质更好，需 API Key）。两者产出的 manifest 结构一致，下游零改动。切换用 --provider。 | | 密钥不进 agent、不进仓库 | 火山 API Key 只存 tts.env（已 gitignore），只有接口包读它 —— agent 只调 tts_volcano.py，拿不到也不需读密钥。异常信息脱敏；check_integrity.py 有专门的密钥防线检查；打包排除密钥文件。 | | 两级时钟 | 帧长用 MP3 容器时长（保音画同步）；末块字幕按语音真实结束收尾。 | | 23 种画面风格 | 8 个类别，每种都记录了画布、字阶、时间轴与配色纪律。不用对着空白页从零设计。 | | 封面双方案 | 每条成片附带 16:9 与独立重排的 3:4 封面 —— 不是裁切，裁切会丢掉 57.8% 的画面宽度。 | | 渲染前体检 + QC | lint_frames.py 在渲染前报出契约违规；qc_check.py 查响度、时长漂移、抽帧速览。 | | 结构性离线 | GSAP 内置；浏览器自动探测；ffmpeg 缺失时回退到 imageio-ffmpeg 静态二进制；网络字体被契约禁止。 |

---

流水线

flowchart LR
    A["主题"] --> B["调研<br/><i>每个数字带出处</i>"]
    B -->     C["narration.json<br/><i>竖线切字幕块</i>"]
    C --> S["tts_setup.py<br/><i>问 TTS 方案 · 配密钥 · 选音色</i>"]
    S --> D["tts_build.py<br/><i>edge-tts / 火山引擎 → MP3 + 词边界</i>"]
    D --> E["timeline_build.py<br/><i>全局轴 + 拼接音轨</i>"]
    E --> F["subs.py<br/><i>subs.json · srt/vtt · beats.js</i>"]
    F --> G["frames/*.html<br/><i>一句一场景，风格取自风格库</i>"]
    G --> H{"lint_frames.py<br/>八条契约"}
    H -->|不过| G
    H -->|通过| I["render_video.mjs<br/><i>逐帧 seek → PNG</i>"]
    I --> J["ffmpeg<br/><i>H.264 + AAC 合成</i>"]
    J --> K[("out/slug.mp4")]
    I --> L["qc_check.py<br/><i>响度 · 漂移 · 抽帧速览</i>"]
    K --> M["cover_build.mjs<br/><i>cover_169.png · cover_34.png</i>"]

    style K fill:#1f6feb,color:#fff
    style H fill:#8957e5,color:#fff
    style M fill:#238636,color:#fff

---

B() 节拍系统

subs.py 为每个场景生成一份 beats.js，把每块字幕按原文暴露出来，于是画面动画可以直接 锚在吐字时刻上：

tl.fromTo('.card',    { y: 60, autoAlpha: 0 }, { y: 0, autoAlpha: 1, duration: 0.7 }, B('右边卡片'));
tl.fromTo('.verdict', { scale: 0.8 },          { scale: 1, duration: 0.6 },        B('结论句') + 0.2);

B('块文本') 是「这几个字开始被念出」的时刻，Be('块文本') 是念完的时刻。

这是本项目自己的设计，也是让工作方式变掉的那一块：改一次解说词，重跑三条命令，所有场景自行 重排对时。对比帧号硬编码 —— 改一句话就是整片手工重新对位。

兜底写法是被禁止的。 B('x') || 3.2 会把「节拍查不到」藏在一个过期的数字后面。查不到 就应该让构建直接失败 —— 一条对错了时间的视频，比一次构建失败糟糕得多。

---

画面风格库

不要对着空白页从零设计画面。 23 种风格、8 个类别，每种都记录了画布、字阶、时间轴结构与 配色纪律 —— 完整目录见 references/style-catalog.md。

涵盖：大胆信号卡 / 奢华极简留白 / NYT 编辑级数据图表 / 瑞士网格 / 故障艺术 / 胶片漏光 / 流体 Hero / 品牌 Logo 收尾 / VFX 文字光标 / 社媒竖版（9:16）/ 产品演示等。

分成两类，改编成本差别很大：

• rich（12 个） —— 单文件 + 纯 CSS @keyframes。seek 渲染器零改动即可驱动；改编 只要三步：换系统字体栈、把底部元素抬出字幕带、填进真实内容。
• gsap（11 个） —— 多 composition + CDN 加载。不要搬代码。 只取它的视觉 DNA，用 CSS keyframes 重新表达。

一个项目建议轮换 2–4 种风格。8 个场景共用同一张脸会显得单调。

---

封面双方案

每条成片产出两张互为姊妹、而非裁切关系的封面。从 16:9 居中裁 3:4，1920px 只剩 810px —— 丢掉 57.8% 的画面宽度，任何横跨全宽的标题都会被切掉一半。所以两张共享同一套视觉基因， 但各自重新排一次版：

| 元素 | 16:9（1920×1080） | 3:4（1440×1080） | |---|---|---| | 悖论视觉 | 右侧，左右并置 | 上方，竖排堆叠 | | 钩子 | 左下，两行，≥96px | 下方，三行，≥120px | | 每行字数上限 | 7 字 | 5 字 |

两个尺寸的输出都由 new_project.py 直接生成模板，默认出 2 倍图。完整规则与上传前自检清单： references/cover-guide.md。

---

疑难排查

| 症状 | 原因 | 处理 | |---|---|---| | 每一帧都是静止首帧，且不报错 | 时间轴没注册到 window.__tl；或 page.evaluate 传了字符串而非函数字面量（Playwright 只求值一次，函数体根本不执行） | 传真正的函数字面量 | | 视频变成 1280×720 | viewport 传给了 browser.launch() —— 它是 context 级选项 | 传给 newPage() | | 封面出成 1 倍图 | 同上，deviceScaleFactor 的孪生坑 | 传 newPage() + screenshot({ scale: 'device' }) | | 数字能渲染但永远不动 | seek 抑制了 onUpdate 回调 | 渲染器已修（pause(t, false)）；帧里改用 transform 数字卷轴 | | Windows 上 No such file or directory | 非 ASCII 路径 —— Windows 的 ffmpeg 把 UTF-8 当 ANSI 读 | 路径保持 ASCII | | 字幕开始飘 / 位置对不上 | TTS 没返回字级时间戳，subs.py 退回按字数插值（只有一行 stderr 警告） | 看 tts_build 有没有打 ⚠ 未返回字级时间戳；换个受支持的音色（中英文 2.0） | | 火山报 resource ID is mismatched with speaker related resource | speaker 收到了中文显示名而不是音色 ID；或复刻音色配了预置资源 ID | 音色用内置名/ID（接口包会解析）；复刻音色配 VOLC_RESOURCE_ID=seed-icl-2.0 | | 火山报 HTTP 401/403 | tts.env 里的 key 不对，或该服务未开通 | 核对 VOLC_API_KEY；tts_setup.py --status 看脱敏状态 | | 火山报 网络不可达 | 本包默认绕过系统代理直连（境内端点） | 确实需要代理时设 VOLC_PROXY=http://127.0.0.1:<port> | | 重跑后字幕整体晚一帧 | 命中缓存时丢掉了首裁量（历史 bug，已修） | 升级到 v1.3.0+；缓存格式已带 lead_cut_sec |

references/lessons.md 是这个仓库里最值钱的文件。 56 条编号记录，每一条都是一个 「成片看着挺正常、其实是错的」的 bug —— 包括它一开始是怎么被误判的。从零开始 debug 之前， 先读它。

---

适合谁

适合：想成规模地把文章 / 文档 / 某个主题做成带解说的视频；已经在用 AI 编程智能体， 且宁愿用 HTML 描述画面也不想学动效软件；需要可复现的输出；需要离线跑或拒绝按次计费。

不适合：实拍剪辑、真人口播、复刻已有视频；想要图形化拖拽编辑器（画面是代码，这是刻意 选择）；想把 React 组件动画作为创作模型 —— 那是参考项目 anything2explainer 的领域。

---

参考项目思路

html-explainer 的方法论不是凭空来的。它有两处明确的思想来源，两个项目都由不同作者独立 开发，与本项目不是同一作者；本仓库不打包、运行时不依赖它们的任何代码 —— 吸收的是设计规范 与工程经验。

• Vincentwei1021/anything2explainer （TypeScript / Remotion）—— 「主题进 → 带解说的讲解视频出」。本项目从这条线继承的是 解说与音画同步方法论：词边界字幕、两级时钟、语速标定、QC 判据。 差异：它是 Remotion + React 组件动画；本项目用 HTML/CSS/GSAP + 确定性 seek。

• nexu-io/html-video（Apache-2.0，Open Design 团队）—— 「在本机把 HTML 变成真 MP4」。本项目从这条线继承的是 23 种画面风格目录， 转写自它的模板设计规范。其中 7 种又可追溯到 MIT 许可的设计作品。 差异：它靠实时录制；本项目靠 seek 逐帧渲染，帧可复现。

本项目自己的部分：确定性 seek 渲染器、B() 节拍锚定、封面双方案，以及 lint_frames.py / qc_check.py 的判据。完整的署名与逐风格对应关系见 THIRD_PARTY_NOTICES.md。

如果你要的是 Re