6972 Star 的火柴人视频 Skill:我把它装进本机跑通后,聊聊双引擎和 14 种画风到底怎么选

导读kaomei/stickman-video-director 是一个 6972 Star、MIT 协议的火柴人视频导演 Skill,装一次即可让 Claude Code、Codex 等具备文件读写和终端执行能力的 Agent 把话题、文章或脚本自动做成带旁白、字幕、音效的火柴人视频,主打无脸 YouTube 频道(faceless channel)。本文基于我在本机真实安装并跑通的一手过程,而不是读 README 复述:技能 directing-stickman-videos 体积 556MB,含 73 份 references 风格契约、57 个脚本、47 个测试文件 485 项断言、253MB 本地音效库,运行时依赖 Node20+、FFmpeg、@napi-rs/canvas 与 sharp,官方 autopilot doctor 的七项检查(node/ffmpeg/ffprobe/canvas/sharp/字体/B4 钩子字体)在本机全部通过,B6 风格另需 Python3.11 的 numpy/PIL/cv2。重点讲清它最容易被误解的双引擎设计:A 模型引擎(A1–A7)交付分镜与独立提示词、通过浏览器操作 Google Flow 等 AI 视频服务出片,B 代码引擎(B1–B7)走纯本地 canvas 加 ffmpeg 渲染,二者只共享安装不共享生产契约,不能互相回退;14 种画风从极简线稿、彩色手绘、复古电视、求生短剧、角色解说、动感 Meme 到像素剧场各有独立视觉、字幕、节奏、音效规则。再拆解 B 模式 doctor→init→脚本旁白→语义字幕→本地渲染→实际 MP4 评审的六步流程,以及它为何坚持语音主导、声明式 JSON 渲染、内容寻址可续渲缓存、禁止执行素材内代码等工程约束。最后如实给出适合人群与边界:它不是一键软件、A 模式依赖外部额度、TTS 与生图需自配、风格契约严苛,出片质量仍取决于选题脚本和评审投入。

无脸视频(faceless video)这门生意,最大的门槛从来不是创意,而是重复的制作劳动:写脚本、配音、配图、做动画、对字幕、配音效,一条几分钟的视频能耗掉一个晚上。最近有个叫 stickman-video-director 的开源 Skill 专门解决这件事——把一篇文章或一个话题,交给 AI Agent 自动做成火柴人动画视频,GitHub 上 6972 Star。

和以往只读 README 不同,这次我先把它真正装进了本机、跑通了官方自检和项目初始化,这篇就基于一手实测来讲:它的双引擎是什么、14 种画风怎么选、本地渲染这条链路怎么跑,以及它的真实边界。

一、先看家底:一个 556MB 的"导演方法论 + 渲染器"

很多人以为 Skill 就是一段提示词,这个项目完全不是。我把它安装到 ~/.hermes/skills/directing-stickman-videos 后实测,整个技能有 556MB,拆开看构成很说明问题:

双引擎心智模型与共同底座

  • 73 份 references 契约文档:每种画风的视觉语言、字幕字体位置、镜头节奏、音效规则、验收标准,全部写成 Agent 必须遵守的 Markdown,而不是藏在代码里;
  • 57 个可执行脚本:统一入口是 scripts/autopilot.mjs,下挂渲染、字幕对齐、B4/B5/B6 各风格专用运行时、音效库管理等模块;
  • 47 个测试文件、485 项断言:这在同类 Skill 里相当罕见,说明作者把"防止 Agent 偷工减料"当成了硬约束;
  • 253MB 本地音效库(assets/b-audio-library):B 模式的环境音、动作音效可以完全离线获取,不依赖外部订阅。

它的运行时依赖很轻:Node 20 以上、FFmpeg/FFprobe、@napi-rs/canvas 和 sharp 两个图像库,外加 5 个 OFL 开源字体。我在 Node v22.22 上 npm install 只装了 11 个包,然后跑官方的 node scripts/autopilot.mjs doctor,七项检查——node、ffmpeg、ffprobe、canvas、sharp、字体、B4 钩子字体——全部返回 true。

二、双引擎:最容易被误解的核心设计

这个 Skill 最关键的认知,是它有两条完全独立的制作路线,名字里都带"引擎",但产物、成本、契约都不一样。

A · 模型引擎(A1–A7) 本质是"导演 + 提示词工程"。Agent 负责确认故事、风格、画幅、时长和声音方案,输出分镜和一段段独立可用的视频生成提示词,然后可选地通过内置浏览器去操作 Google Flow 这类 AI 视频服务,先用最低分辨率试片、你确认后再连续制作剪辑。它的默认交付停在提示词,是否烧外部额度由你授权决定。

B · 代码引擎(B1–B7) 才是真正的本地自动成片。它用 canvas 画插画和微动画、本地 TTS 出旁白、按语音对齐字幕、混入本地音效,最后用 FFmpeg 在你自己机器上渲染成 MP4,全程不上传素材。我实测初始化一个 B1 项目,autopilot.mjs init 会在 Skill 之外生成 project.json 脚手架,并明确提示"先补充旁白、字幕和场景再渲染",而不是假装一键出片。

这里有个作者反复强调、我认为最专业的点:A 和 B 只共享安装,不共享生产契约。A 的片段时长规则、声音画像不能搬到 B,B 的本地渲染约束也不能套给 A;每个 B 风格还各有独立规则,文档明确禁止"缺工具时偷偷回退到 Gemini、ElevenLabs 或系统 TTS",做不到就如实降级并说明,绝不伪造通过。

三、14 种画风:不是皮肤,是 14 套独立生产规范

技能内置 A、B 各 7 种、合计 14 种画风。我把 references 目录逐个对照后,整理成下面这张图。

14 种画风全景与 A/B 分组

A 模式从 A1 经典黑白、A2 现代潮酷、A3 史前洞穴、A4 治愈故事、A5 历史卡通、A6 暖金暗影,到 A7 橡皮管动画(Rubber Hose);B 模式则是 B1 极简线稿、B2 彩色手绘、B3 复古电视、B4 求生短剧、B5 角色解说、B6 动感 Meme、B7 像素剧场。

它们的差异远不止配色。举几个我在契约文档里看到的硬规则:B1–B4 字幕最多一行,B5 允许最多三行语义字幕;B4 求生短剧要求每个镜头和静止画面状态不超过 3 秒、有专门的前三秒视觉升级门禁和恐怖可见度门禁;B6 动感 Meme 竖屏 9:16 效果最好,配有一份 35 项验收矩阵和角色绑定契约;B7 像素剧场走纯代码像素画,不需要任何图像生成服务。技术实现上 B1–B4 共用一个清单渲染器但规则独立,B5、B6、B7 则各自有专用运行时,全部原生支持 16:9 和 9:16 两种画幅。

换句话说,选风格不是挑模板,而是选定一整套"画面怎么画、字怎么摆、几秒切镜、配什么声音、怎么算合格"的规范。

四、B 模式本地出片的六步链路

我顺着 autopilot.mjs 和 autopilot-core.mjs 的源码,把代码引擎这条链路理了一遍,并实际验证了前两步。

B 代码引擎本地出片六步流程

  1. doctor 自检:确认 Node、FFmpeg、canvas、sharp、字体等环境,缺什么会明确告诉你怎么补,而不是跑到一半报错;
  2. init 建工程:在 Skill 目录之外生成项目,project.json 存阶段、指纹、审批状态和断点,保证中断后能续做;
  3. 脚本与旁白:Agent 写剧本,TTS 生成一条连续语音轨——文档要求先有声音再定画面,而不是反过来让语音迁就画面;
  4. 语义字幕:用 align_captions.py(可选接本地 Whisper)按真实停顿和语义分组,明确反对按固定字数机械切分;
  5. 本地渲染:canvas 绘制关键帧和微动画,微动画必须推动语义(手敲、物体随台词入场),单纯全局缩放淡入淡出不算动画,再由 FFmpeg 合成;
  6. 验收交付:输出 MP4、SRT/VTT 字幕、联系表和校验报告,而且要求 Agent 用正常速度带声音实际看一遍成片,技术检查通过不等于创作验收通过。

工程上还有几个让我有好感的设计。渲染器只读声明式 JSON,绝不执行素材里夹带的代码、shell 片段或 URL,从机制上防提示注入;镜头缓存用内容寻址,渲染中断可以续渲不重复劳动;通常画面静止不超过 2.5 秒,逼作者保持信息密度。我在本机还补装了 B6 需要的 Python 3.11 依赖(numpy、Pillow、opencv),跑 doctor --style B6 时 B6 的三项专项检查也全部通过。

五、理性看待:适合谁,以及别期待什么

能力边界与适用人群

它真正擅长的,是无脸 YouTube/短视频频道的批量制作、知识解说、故事、Meme 和像素短剧这类"旁白驱动 + 图形化表达"的内容;对想要可复现、不依赖云端、能本地化交付的团队,以及本来就用 Claude Code/Codex 的创作者,契合度很高。

但边界必须讲清楚:

  • 它不是一键傻瓜软件。整个流程靠 Agent 驱动,需要你会用编程类 AI 工具、看得懂它的审批门禁,纯小白会有学习曲线;
  • A 模式要花外部额度。模型引擎依赖 Google Flow 等视频服务,API key 走环境变量、按用量计费,技能本身不附赠订阅;
  • TTS 与生图要自己配。它不绑定某个配音供应商,缺适配器时按文档应实现项目级小适配,而不是等它万能兼容;
  • 体量和环境门槛真实存在。556MB 里音效库就占 253MB,B6 还要单独准备 Python 3.11 的科学计算栈;
  • 风格契约非常严苛。每个 B 风格有独立验收矩阵,不允许跨风格偷懒或降级,这保证了下限,也意味着不能指望它"随便点点就出爆款"。

我的判断

这个项目最打动我的,是它没有把"AI 自动生成"当成偷工减料的借口,反而用 73 份契约、485 项测试和一道道实际成片评审门禁,把一个成熟导演的工作方法固化成了 Agent 可执行的流程。它诚实地告诉你哪些能本地自动化、哪些必须你授权花额度、哪些做不到就明说而不是伪造结果。

如果你已经在用 Claude Code 或 Codex,又想做无脸解说、知识动画这类内容,它值得装进工具箱,从 B1 极简线稿这种本地零成本路线起步试手;但请记住它的定位——它是一个能力很强的导演副驾,方向盘上的选题、脚本和最终验收,始终在你手里。

项目地址:https://github.com/kaomei/stickman-video-director