企业官网建设流程全解析

OpenMontage music-to-video 技能 Step 3 深度解析：从骨架到完整 STORYBOARD 的规划（planning）实战

【免费下载链接】OpenMontageWorld's first open-source, agentic video production system. 12 production pipelines, 100+ tools, 700+ agent skill and production-knowledge files. Turn your AI coding assistant into a full video production studio.项目地址: https://gitcode.com/GitHub_Trending/op/OpenMontage

本篇基于 OpenMontage 仓库中music-to-video技能的 planning.md 文档展开，讲解该技能工作流第 3 步（Step 3）的核心规划过程：如何为一条节拍同步音乐视频选定统一的品牌基调（font + palette）、如何把 Step 2 产出的帧骨架逐帧填充为「组（groups）+ 处理方案 + 真实锚点秒数 + 文案」，并通过validate-plan.mjs完成机器校验。读完本文，你将掌握一份可被 Step 4 帧构建子代理直接消费的STORYBOARD.md完整计划应满足的全部约束与操作细节。

Step 3 在整个 music-to-video 流程中的位置

在 SKILL.md 定义的 7 步工作流中，music-to-video 把「一首音乐」变成「节拍同步的 HyperFrames 视频」：

Step 0 setup → hyperframes.json + assets/bgm.mp3 Step 1 analyze → audiomap.json Step 2 skeleton → STORYBOARD.md（帧骨架，groups 为 TBD） Step 3 plan → 完整 STORYBOARD.md + frame.md ← 本文主角（需用户批准） Step 4 build → compositions/frames/NN-*.html（每帧一个子代理） Step 5 assemble → index.html Step 6 render → renders/video.mp4

Step 3 的定位由 planning.md 开宗明义：编排者（orchestrator，即执行技能的 Agent 本身）把 Step 2 的骨架原地编辑为一份完整、已批准的STORYBOARD.md—— 选定品牌主线（brand spine），然后为每一帧决定其组结构、给每个组分配一种处理方案（treatment）、绑定真实的节拍锚点秒数、并写出文案。文档给出的心法（mantra）是：

音乐是脊柱（the spine）；模板是起点而非笼子（a head start, not a cage）；排版是底线（the floor），素材（assets）只是同一节拍网格上的一种可选配料。

同时文档划定了清晰的责任边界：规划者负责 WHAT（定模板/原语、内容、品牌、锚点秒数与意图），不负责 HOW—— 微时序（micro-timing）、具体实现、帧内切分由 Step 4 的 frame-worker 决定。文档特别强调：永远不要把毫秒级 tween 写进分镜稿（storyboard）。这条边界在 storyboard-format.md 中再次被申明：STORYBOARD.md是构建规格（build spec），不是代码。

输入物（Inputs）

进入 Step 3 前，规划者手上应有以下五类输入：

其中audiomap.json的可信度边界值得注意：从 frame-skeleton.md 的「trust boundary」表格看，energy_phases[]、events[]、rolls[]、silences[]、hard_stops[]、key_moments[]、phrases[]、audio.duration_sec等字段对任何音乐都可靠；而tempo.bpm与grid.beats_sec/downbeats_sec的精度只在音乐真正有节奏感时可靠——对平缓音乐，节拍网格只是追踪器强加的节拍器。这个判断（记为每帧的pacing）在 Step 2 已定，Step 3 只需遵守。

Step A — 选定品牌主线：一个未修改的预设

整条视频共享一套字体系列 + 一套色板。Step A 的要求是：

1. 从 hyperframes-creative/frame-presets/ 目录里选一个现成预设，选择依据是 design-spec.md 中的预设对照表（Pick when 列）+ 曲目情绪 + brief；
2. 预设中只有 fonts 和 colors 重要——模板（template）拥有构图（composition）与运动（motion），预设只负责「看起来的样子（look）」；
3. 原样复制，不做任何修改：

cp ../hyperframes-creative/frame-presets/<preset>/FRAME.md "$PROJECT_DIR/frame.md"

（该相对路径以 music-to-video 技能目录为基准；$PROJECT_DIR即videos/<project>/。）

然后从预设中回填STORYBOARD.mdfrontmatter 的style：font取自预设的typography:段，palette取 ≤4–6 个色板来自预设的colors:段。hex 与字体族名必须逐字引用（verbatim），绝不能杜撰或取整。每一个组的 palette 参数都只能从这唯一的一套色板里取——正是这种统一性，让不同模板拼接的多个组读起来像同一个作品。

仓库中的预设共有 14 个，每个都带FRAME.md（YAML frontmatter 是规范层：colors/typography/spacing/components为机器可读的精确值）+caption-skin.html+frame-showcase.html（预览用，不得带入项目）。举两个对照示例（摘自 design-spec.md 的表格）：

• claude：暖米色纸底 + 稀缺的陶土珊瑚色（#CC785C）作点缀，EB Garamond 衬线展示字 + Inter 正文 + JetBrains Mono 索引/代码字，适用「深思熟虑 / 文学感 / 面向开发者」的场景；
• broadside：抗议海报系统，双平面（墨黑 / 火橙），超大小写 Barlow 900 当图形基元用，适用「bold / 排版驱动 / 宣言式」。

按 design-spec.md 的规则，frame.md恒为小写文件名（预设里发货的大写FRAME.md是模板，落地后采用小写frame.md）。

Step B — 逐帧决定其组结构（groups）

核心原则：一帧通常就是一个组（一个模板或一次自由组合横跨整帧）。仅当单一处理方式无法覆盖整帧时才细分为 2 个及以上组——典型如「繁忙的开场 + 收尾的 lockup」。

分组的三条硬约束：

1. 切分点必须落在帧跨度内的真实 audiomap 锚点上——key_moment（SURGE/DROP）、phrase边缘、或 onset 簇间隙（onset-cluster gap），绝不能在rolls[]（滚奏/填充段）运行内部下刀；
2. 每个组 ≥ 约 1 小节（~1 bar）；
3. 密度不强迫增加组数——密集帧通常就是一个内部自行消化密度的组（如poster-tile-mosaic这类元模板）。组数跟随的是不同处理方案的数量（distinct treatments），而不是节拍数量。

最后一条与 SKILL.md 的整体设计呼应：帧数（也就是一帧一个子代理的构建成本）跟随的是「不同处理的帧数」，快歌不会把子代理数量炸开。

Step C — 逐组选定处理方案（三者取其一，且只能其一）

方案 A：匹配一个模板

读 template-catalog.md，把该组的feel+mood+pacing与目录中每个模板的「Reach for it when」匹配，取最接近者（closest fit），然后绑定（bind）：

• 填params（键来自目录条目）——文案进文本槽位、色板来自品牌主线、duration= 组的跨度长度；
• 填role_bindings——用从audiomap.json该组跨度内读出的真实锚点秒数（不是示例时间）；
• 若模板的自然停止点与组跨度末端不一致，向最近的锚点对齐（snap）。

catalog 中 8 个模板及其参数（可直接照抄的键名清单）：

catalog 还给了组时长纪律（duration discipline）：Best span 指模板系统在做有效运动的「活跃处理跨度」，结尾短而可读的持握可以，长而空洞的尾巴说明该换组；超过 ~6s 的帧通常需要 2+ 组；roll 类模板是「一次 roll 一个工具」，一帧两次 roll 或 roll 之间有 drop 就要拆成两组；不得靠整体放慢 tween 来延长——保留模板的运动手感，用 hold / 调色 / 新组补足时间。

品牌同样来自frame.md而非模板：模板自带演示调色（theme/palette/颜色参数），规划时用项目预设的颜色与字体去填这些参数，模板出「运动 + 布局」，预设出「样子」。

方案 B：自由组合（free-compose）

没有合适模板时，写一个free_design：从 motion-primitive-catalog.md 取一个视觉论点（visual thesis）——一个主导系统（dominant system）+ 若干命名的 L0 原语 + 一个密度拓扑（density topology）——外加anchors（动作骑乘的真实 beat/onset 秒数）。文档强调：自由组合是一等公民（first-class）选择，须与匹配模板的组写得一样仔细——它绝不是失败态。

原语目录提供约 40 个 L0 配方（如hypercut-whip、braam-punch、binary-decrypt、dolly-zoom、content-swap、bg-flow-field、freeze-hold、negative-space-hold等），每个标注锚点类型（beat/drop/roll/silence…）与 best span，并附全套时序纪律：硬击 0ms（tl.set无时长）；需要「落在」节拍上的动作提前 40–190ms 启动以便在锚点上完成；缓动入场 300–500ms；宏观构建 800–2000ms；每小节上限（每击至多一个累积元素、镜头运动每短语至多一次、密集翻转/闪烁系统 ≤2–3s）；张力构建必须在 downbeat/hard_stop 上收束，不许拖在半拍里。组合原则：一组一个主导系统，至多叠一层纹理原语；结构动作落在强拍、纹理动作落在弱拍；drop≠downbeat（前者是制度切换，可用system-replace；后者只是制度内的切分）。

方案 C：素材处理（asset treatment，仅限用户提供了素材且素材合适时）

把该组写成asset组（规则详见 montage.md），必须遵守pacing：

• beat_cut帧：用beat_cut（每个锚点切一个 clip）或bg_under_text；
• phrase_flow帧：用ken_burns（慢推）或慢交叉淡化——绝不做 per-onset 硬切；
• 素材是加成的：若没有任何素材适合某组，回退到模板/自由组合（排版是底线——零素材也能出完整视频）。

montage.md 补充的实现侧约束：clip 必须静音（muted，v1 中 BGM 是唯一音频）；<video class="clip">必须是帧根的直接子元素（嵌套会被渲染器冻结）；交叉淡化只动画opacity/autoAlpha，不动visibility/display；背景 clip 压暗 ~30–50% 保证前景文字可读；素材仅限本地 staged 资产，禁止远程 URL。

文案（Copy）—— 规划者拥有文字

• 保留用户的原话；否则基于 brief 的情绪、有品味地创作；
• 消息（message）vs 纹理（texture）的判据是可读时长：可读词须持握 ≥1 拍（标题 3–8 拍、句子 4–10 拍），且位置稳定、处于视觉焦点；持握 <1 拍的词是纹理（strobe / grid / ticks）。永远不要把消息硬塞进亚拍（sub-beat）——降格为纹理；
• 文案放进模板的文本参数、自由组的锚点上、或 asset 组的overlay_copy；声明锚点与 accumulate / stagger 意图，微时序留给 worker；
• 收尾 logo / CTA 落在最后一次重击（final hit）/ hard stop 上，并持握过尾部静默。

转场（Transitions）—— 规划者不发射转场

当前版本一切都是 0ms 硬切：

• frame → frame的切分由装配器（assembler）负责（帧文件首尾相接，无间隙），相邻的span_sec本身已隐含切点；
• 帧内 group → group由 worker 在其帧时间轴上负责；规划者只设定每个组的span_sec。

这与 assemble-index.mjs 的确定性装配逻辑一致：帧无缝平铺整条音轨，所以不存在转场注入器。

写回并校验（Write + validate）

按 storyboard-format.md 补全STORYBOARD.md，然后运行计划校验器并修掉所有✗：

node scripts/validate-plan.mjs --storyboard "$PROJECT_DIR/STORYBOARD.md" \ --audiomap "$PROJECT_DIR/audiomap.json" --templates <SKILL_DIR>/references/templates

从 validate-plan.mjs 源码可以直接确认校验的两级结构——这正是 planning.md 中「fix every ✗（hard errors）」与「warnings are best-effort」的机器定义：

硬性错误（任一命中即 exit 1）：

• frontmatterduration_s缺失/不可解析，或与audiomap.audio.duration_sec偏差 > 0.05s；
• 未找到任何## Frame N — <id>帧；
• 帧缺- src:，或- duration:缺失/非正数；
• 各帧duration之和与音轨总长偏差 > 0.1s（帧必须无缝平铺音轨）；
• 某个帧没有任何已填充的组——即### Groups仍是TBD (Step 3)/空的 Step-2 骨架。源码注释说明这是刻意设计：让「被跳过的 Step 3 永远到不了构建步骤」。

告警（exit 0，best-effort）：

• 组头声明为 template 但行内没写模板 id；
• 模板 id 在templates/<id>/index.html下不存在（即不在 references/templates/ 目录里）；
• phrase_flow帧上出现beat_cut素材处理（应改用ken_burns/crossfade）。

校验通过后，向用户逐帧展示摘要（frame-by-frame summary），迭代直至用户批准——Step 3 是两个人工门禁之一（另一个是 Step 6 渲染批准）。

Self-check 清单（可直接抄用为验收标准）

planning.md 结尾的自检清单，逐项对应上述规则：

• frame.md是某个预设的逐字拷贝；frontmatterstyle.font/style.palette取自它（精确值，未杜撰未取整）；
• 每帧都变成了 ≥1 个组；各组按序平铺帧跨度；无组 < ~1 小节；无组边界落在rolls[]运行内部；
• 每个组恰好是 template / free_design / asset 三者之一（never two, never none）；
• 模板params的键与该模板的 catalog 条目一致；role_bindings/anchors使用的是 audiomap 的真实秒数；
• 素材处理遵守pacing（phrase_flow帧无beat_cut）；
• 每个组的 palette 都取自唯一一套品牌色板；
• duration_s == audiomap.audio.duration_sec；validate-plan.mjs通过。

小结

music-to-video 技能的 Step 3 是一份「WHAT 层」的规划契约：品牌只选一次且逐字继承（Step A），分组跟着处理方案数量走而不是节拍数量走（Step B），每组三选一且必须绑定 audiomap 真实秒数（Step C），文案按「可读写 ≥1 拍」区分消息与纹理，转场全部 0ms 交给装配器与 worker，最终以validate-plan.mjs的硬性校验 + 用户批准作为进入 Step 4 帧构建的前置门禁。配合 storyboard-format.md 的帧/组字段表、template-catalog.md 的选择菜单与 frame-skeleton.md 的可信度边界，这套规划纪律保证了 Step 4 的每个 frame-worker 拿到的都是无歧义、可机器验证的构建规格。

【免费下载链接】OpenMontageWorld's first open-source, agentic video production system. 12 production pipelines, 100+ tools, 700+ agent skill and production-knowledge files. Turn your AI coding assistant into a full video production studio.项目地址: https://gitcode.com/GitHub_Trending/op/OpenMontage