動画・画像・音声のスキル

Use when a task needs an app on the user's own screen — a native desktop application (instrument control software, Origin, GraphPad, ImageJ, a reference manager, a spreadsheet), or a desktop browser window that needs window-level control. Read before the first `computer` call. Covers the observe-act-observe loop, why element indexes go stale, which action to prefer for which control, what "unverified" means and why it must never be reported as success, and the recovery for each error code. Not for page-level web automation (use the browser connector) and not for anything that can be done from the shell.

日本語の概要は準備中です。原文の説明を表示しています。

为小红书笔记生成高质量配图。默认AI生成（Gemini），仅精确数据表格用HTML兜底。当用户提到"小红书配图"、"小红书封面"、"小红书图片"、"做张小红书图"、"笔记配图"时使用此技能。

日本語の概要は準備中です。原文の説明を表示しています。

为微信公众号文章生成高质量配图。支持封面图（2.35:1）、正文插图（16:9/4:3）、信息图。提供两条路径：AI生成（视觉创意型）和HTML渲染（文字精确型）。当用户提到"公众号配图"、"公众号封面"、"文章配图"、"正文插图"、"公众号图片"时使用此技能。

日本語の概要は準備中です。原文の説明を表示しています。

文章配图一键生成并上传图床，自动插入Markdown链接。当用户提到"配图"、"插图"、"上传图片"、"文章配图"时使用。

日本語の概要は準備中です。原文の説明を表示しています。

基于MrBeast策略检查视频标题、封面和开头钩子。当用户提到"视频标题"、"封面图"、"点击率"、"CTR"、"观看时长"时使用。

日本語の概要は準備中です。原文の説明を表示しています。

快速生成2-3个视频大纲方案，含标题、封面建议和结构设计。当用户提到"视频大纲"、"视频结构"、"脚本大纲"、"视频选题"时使用。

日本語の概要は準備中です。原文の説明を表示しています。

Turn a reference image, screenshot, or mockup into token-driven, accessible code — infer the design system from the reference (palette, type scale, spacing, radius, layout archetype), map it to the 3-tier tokens, rebuild it, then verify with the kit's gates. Use when the user provides a design/screenshot and wants matching UI code.

日本語の概要は準備中です。原文の説明を表示しています。

Use when the user gives a topic and wants an automated topic-driven narrated explainer, podcast, or knowledge-summary video (Bilibili / YouTube / Xiaohongshu / Douyin / WeChat Channels), or asks to learn visual design patterns from a reference video/image. Trigger when the user mentions creating a knowledge video, narrated explainer, video podcast, or animated infographic-style video from a topic — even if they don't say "video podcast" explicitly. Also trigger when the user wants to regenerate, re-render, rebuild, update, or iterate on a narrated video this skill already produced — e.g. they edited the script/prompt, changed the visuals, or swapped the background music and want the final video remade (reuse the existing videos/{name}/ directory, never start a new project). Do NOT trigger for generic video editing, trimming, format conversion, color grading, or non-narrative video tasks. Produces 4K video via research → script → TTS → Remotion → MP4 + BGM.

日本語の概要は準備中です。原文の説明を表示しています。

Minimal personal narrated-video pipeline — a topic becomes a talking-head-free explainer MP4 (1080p or 4K) via script → Azure TTS (SSML) → Remotion. Use when the user wants a quick narrated video from a topic without the full video-podcast-maker machinery (no extra skills, no thumbnails/shorts/publish matrix). Do NOT trigger for heavy production needs — use video-podcast-maker for those.

日本語の概要は準備中です。原文の説明を表示しています。

Smallest personal narrated-explainer-video pipeline (spoken narration over visuals, not an audio podcast), fully tool-agnostic and autonomous by default — topic → research ∥ asset collection → script → TTS → video → 4K render ∥ publish info + cover. The skill defines the pipeline logic and self-verified checkpoints; any TTS backend and any video tool (Remotion, HyperFrames, CapCut, ...) work, and how much human oversight to apply is set by the working project's AGENTS.md/CLAUDE.md, not here. Use when the user wants a quick personal narrated video with minimal steps, whether or not they name the tool stack. Do NOT trigger for audio-only podcasts, written episodic content, or heavy multi-format production.

日本語の概要は準備中です。原文の説明を表示しています。

Case studies of American screenwriting (美国电影剧作案例) — Mei Feng's readings of the Hollywood Western (value pairs, four oppositions), screwball comedy (strong heroine, buddy vs adversary two-hander), Billy Wilder (disguise, Lubitsch touch, meet-cute), Hitchcock and his writers, Adaptation, Mildred Pierce (eight drafts, woman's film + noir), Thelma & Louise ("but" method, mirror pair), Fargo (Coen method), Good Will Hunting (five-part structure), American Beauty (POV strategy, genre mix), Eternal Sunshine (1:5:1, image motifs); Walter's American Graffiti; the Hollywood masterclass films (Bourne, Guardians, Zootopia, Thor); Hoxter's Winter's Bone and Jojo Rabbit; Snyder's Miss Congeniality; Field's Chinatown. Use when you want a worked example of how a specific American film's script is built, when analysing a film for structure, character or theme, or when looking for a model to imitate for a Western, screwball, noir, buddy, coming-of-age, black comedy or non-linear romance.

日本語の概要は準備中です。原文の説明を表示しています。

Generate or edit images via Google Gemini (nanobanana). This is the DEFAULT image skill — use whenever the user asks to generate, create, or edit an image and does NOT name another provider. Triggers: "nanobanana", "generate image", "create image", "edit image", "图片生成", "生成图片", "AI绘图", "图片编辑". Do NOT use for diagrams (架构图/流程图/时序图) — draw those with Mermaid or code instead.

日本語の概要は準備中です。原文の説明を表示しています。

Generate or edit images using OpenAI GPT Image API (gpt-image-2, gpt-image-1, etc). Use ONLY when the user explicitly names OpenAI or GPT as the provider: "gpt image", "openai image", "generate image with openai", "用 openai 画图", "用 GPT 生成图片". For generic image requests without a provider, use nanobanana-skill instead. Do NOT use for diagrams (架构图/流程图) — draw those with Mermaid or code.

日本語の概要は準備中です。原文の説明を表示しています。

Extract subtitles/transcripts from YouTube videos. Triggers: "youtube transcript", "extract subtitles", "video captions", "视频字幕", "字幕提取", "YouTube转文字", "提取字幕".

日本語の概要は準備中です。原文の説明を表示しています。

根据用户提供的文章、教程、SOP、清单或主题，使用 Codex 内置 image_gen 生图模型生成 3:4 小红书信息图与组图。固定采用轻盈 AI 产品信息图风：白色或浅薰衣草背景、黑色大标题、紫蓝与青柠绿强调、圆角卡片、线性科技图标、流程/对比/清单模块；支持单图和 6–9 张系列图，不需要 API Key 或外部生图后端。用户说“做小红书图片”“按内容生成组图”“做科技感信息图”“做类似这种图”“用 Codex 生图”“做封面和内页图”等请求时触发。

日本語の概要は準備中です。原文の説明を表示しています。

根据主题、标题、人像或产品素材和可选背景，使用 Codex 内置 image_gen 制作 3:4 小红书封面。支持提炼封面标题、原创风格推荐、字体与配色选择、主体保真、背景合成、装饰说明，以及单张或多张变体；不需要 API Key。用户提出“做小红书封面”“给笔记配首图”“参考这张图做封面”“把人物放进封面”“做几版封面”时使用。

日本語の概要は準備中です。原文の説明を表示しています。

视频创作总控/导演。把一条视频从「参考素材 → 选题 → 脚本 → 剪辑 → B-roll → 字幕 → 封面」串成一条流水线，判断当前该走哪一步、调用哪个 space-video-* 子技能，并在成片后做复盘。当用户说「做个视频」「我要拍条口播」「这个视频从头帮我做」「视频工作流」「video pipeline」，或不确定该用哪个视频子技能时触发。

日本語の概要は準備中です。原文の説明を表示しています。

从 YouTube、小宇宙、B站、抖音和小红书链接提取字幕或逐字稿；优先读取平台字幕，无字幕时自动提取音频并调用可用 ASR，输出 Markdown 与 SRT。用户发送这些平台链接、要求提取字幕/文案/逐字稿/视频转文字，或在字幕完成后希望下载原视频时使用。字幕成功后必须询问用户是否下载原视频；小宇宙对应下载原音频。

日本語の概要は準備中です。原文の説明を表示しています。

视频选题与文案前端。做四件事——(1) 下载抖音/YouTube/B站参考视频并去水印、(2) 提取逐字稿、(3) 生成视频选题与钩子、(4) 撰写标题和口播正文/文案。当用户说「帮我想视频选题」「这条爆款拆一下」「下载这个视频」「提取文案/逐字稿」「起视频标题」「写口播正文」「video 选题」时触发。是整条视频流水线的入口。

日本語の概要は準備中です。原文の説明を表示しています。

视频口播脚本撰写，两大特色——(1) 去 AI 味，把书面/AI 腔改成能念出口的真人口语；(2) 把模糊想法逼成一份精确到秒的分镜脚本（每个镜头讲什么、怎么呈现、停多久、怎么切）。当用户说「写口播脚本」「这段太 AI 了改成人话」「口播稿」「分镜脚本」「精确到秒」「script」「改成能念的」时触发。输入可以是选题正文、一段草稿，或一句模糊描述。

日本語の概要は準備中です。原文の説明を表示しています。

视频封面/缩略图设计。为口播视频、B站/视频号/小红书/YouTube 生成高点击封面，保持同一账号的「家族气质」（统一版式基因，但每条重新设计不套死模板）。当用户说「做封面」「视频缩略图」「首图」「B站封面」「小红书封面」「cover」「起个封面」时触发。输入是标题/主题/一张截图，输出对应平台比例的封面图。

日本語の概要は準備中です。原文の説明を表示しています。

口播视频剪辑，两阶段——(1) 剪口播：转写→识别口误/语气词/静音/重复/卡顿/残句→生成审核页→用户确认后剪出干净视频→重转写并 AI 校对字幕；(2) 成片：把剪后视频+字幕+素材串成分镜、时间轴预览、导出最终 MP4。当用户说「剪这条口播」「删掉口误」「处理录屏素材」「口播成片」「做时间轴」「导出竖屏视频」「videocut」时触发。

日本語の概要は準備中です。原文の説明を表示しています。

动效导演 + B-roll 生成器。从一段文字/脚本/视频，一次性产出 30 秒以上的动效 B-roll 视频（HTML→确定性 MP4）。不做 PPT 式翻页，从「视觉隐喻 + 运动」出发；内置多种设计风格（暗色 SaaS 魔术、黑白打字机、暖色编辑、极简白、蓝图网格）；产出一律不用 emoji，用排版/几何/SVG 线性图标。当用户说「做 B-roll」「做个动效视频」「motion 开场」「文字动画」「概念动画」「HTML 转视频」「这段配个画面」「30秒 broll」时触发。

日本語の概要は準備中です。原文の説明を表示しています。

视频配音与配乐。三件事——(1) 配音：把口播稿用 TTS 生成旁白音频；(2) 配乐：根据视频内容/节奏匹配合适的 BGM，从免版权曲库找到并下载；(3) 混音：把 BGM + 旁白 + 视频用 ffmpeg 合成，自动压音(BGM 在人声下自动变小)、响度归一、淡入淡出、对齐视频长度。当用户说「配音」「配乐」「加 BGM」「背景音乐」「找音乐」「给视频配旁白」「TTS 口播」「混音」「audio」时触发。

日本語の概要は準備中です。原文の説明を表示しています。