✍️
把一篇文章，做成"边画边讲"的手绘视频
sweety-handdraw-video：从主题/文章/故事制作完整手绘口播视频——AI 写口播、设计分镜、生成插画，本地逐笔描线、填色、配音对齐、字幕，可定位修改
MIT
21 种画风
局部重渲
📖 它是什么
sweety-handdraw-video（仓库 threerocks/sweety-handdraw-video，作者 @leo_xiaolei）是一个手绘口播视频制作 Skill：给一个主题、一篇文章或一个完整故事，就能做成一段"边画边讲"的有声视频。AI Agent 负责理解内容、写口播稿、设计分镜、生成插画；本地工具负责逐笔描线、填色、手写文字、配音对齐与导出。画什么、用什么画风、讲多久，完全由内容决定。
它的核心工作流是：确定讲什么 → 确定画什么 → 先把声音做完整 → 用声音安排画面 → 检查代表场景再导出全片。默认简体中文、1920×1080、30fps，时长由实际口播决定。交付物包含 MP4、封面 PNG、SRT 字幕、口播稿与检查记录，制作目录保留素材、配置与时间戳，方便追溯和修订。
最有特色的是可定位修改：因为保留了脚本、素材、声音、时间戳和检查记录，想改字幕、笔杆文字、水印或画面布局时，只重新渲染受影响的那一段即可，不必重渲全片、也不必重新生图。主渲染实现是 Python / Pillow / SciPy / FFmpeg，成片不使用外部"图生视频"模型。采用 MIT 协议，当前版本 v1.2.3，2026-10-12 建仓、目前 GitHub 已 664 Star。
📎 GitHub：github.com/threerocks/sweety-handdraw-video ｜ 作者：x.com/leo_xiaolei
✨ 核心亮点
✍️
按部位画出来
先按语义部位描轮廓，再按相同顺序填色；文字逐字绘制、笔画间抬笔
🎙️
整篇声音先行
完整旁白先生成，保留句间停顿，再安排画面和字幕，避免拼出固定空白
🎨
画风跟随内容
21 个库内画风入口，也可让模型独立设计或自定义描述
✂️
可定位修改
保留脚本/素材/声音/时间戳，改字幕只重渲该段，不重渲全片
🖥️ 环境要求
| Agent + 生图 | 能读 Skill、执行本地命令、且具备图像生成能力（当前完整制作实测用 Codex） |
| Python | 3.9 或更新（建议独立虚拟环境） |
| Python 依赖 | Pillow ≥10,<12 · NumPy ≥1.24,<3 · SciPy ≥1.10,<2 · requests |
| FFmpeg / ffprobe | 合成、编码、解码与音视频检查 |
| 中文字体 | 手写字与常规字幕分开配置 |
| 配音路径 | VoxCPM2 本地 / VoiceStudio 本机服务 / 已核对整篇旁白 |
🚀 上手步骤
① 安装 Skill
npx skills add threerocks/sweety-handdraw-video --skill sweety-handdraw-video也可手动安装：把包内 sweety-handdraw-video 整个文件夹放进宿主的个人 Skills 目录（Codex 示例：~/.codex/skills/sweety-handdraw-video）。只复制 SKILL.md 会缺少脚本、素材和内置依赖。
② 安装本地渲染依赖
python3 -m venv .venv
source .venv/bin/activate
python -m pip install -r skills/sweety-handdraw-video/scripts/requirements.txt
python skills/sweety-handdraw-video/scripts/validate_package.pymacOS / Linux 命令（Windows 用 py -3 建 venv）。还需单独备好 FFmpeg、ffprobe、中文字体与配音路径。
③ 选择配音路径
三选一：VoxCPM2 本地适配器（Apple Silicon Mac + MLX）、VoiceStudio 本机服务（默认 http://127.0.0.1:3900）、或现成整篇旁白（已检查的音频+时间戳，可离线编排）。
④ 给 Agent 下发制作请求
使用 $sweety-handdraw-video，把这篇文章做成手绘讲解视频。
保留数字、来源和适用条件。画面用风格 17，手部用仅画笔。
笔杆文字：@yourhandle。水印：@yourhandle。
先检查一个代表场景，确认文字可读后完成整片。
【粘贴文章】
开始时提供六项选择：画风、手部、声音、笔杆广告、水印、字幕；已明确的跳过，说"全部自动选择"直接继续。未指定时默认简体中文、1920×1080、30fps。
⑤ 收到成片
交付包含 MP4、封面 PNG、SRT、口播稿与检查记录；想改字幕或局部画面时，直接指出要改的那一段即可，工具会定位并只重新渲染受影响部分。
关键信息速查
| 安装 | npx skills add threerocks/sweety-handdraw-video --skill sweety-handdraw-video |
| 画风 | 库内 1–20 编号 + 3.1 稳定变体，共 21 入口；可模型自设计/自定义 |
| 手部预设 | navy / diamond-woman / child-pencil / waner-brush / teacher-pen / cardigan-fountain / pen-only |
| 声音 | 逼真男声 / 逼真女声 / 甜美学姐 / Iapetus / 知性女讲师 / 故事解说 |
| 默认画布 | 1920×1080、30fps、1 秒封面、简体中文 |
| 交付物 | MP4 + 封面 PNG + SRT + 口播稿 + 检查记录 |
🖼️ 效果图与样片
以下为作者公开样片的封面图与手部预设效果（1920×1080、30fps，成片保留预告水印）。
《那条死于愤怒的蛇》· 49 秒（淡彩叙事插画）：
《快乐囚禁你的方式》· 1分52秒（冷色棱角插画）：
《墨菲定律》· 约2分05秒（8 画面 24 段口播）：
六款手部预设（含毛笔/马克笔/彩铅/钢笔）：
想看动态效果：README 里附有《蛇》《狼》的实际描绘过程 GIF 与完整 MP4 样片，能直接看到"逐笔描线→填色→成片"的节奏，以及旁白和落笔的配合。
🎯 典型玩法
📚 知识讲解：把教程/科普文章改成边画边讲的口播视频
📖 故事寓言：完整故事按原文制作，保留结尾与因果
💡 观点表达：从一个主题整理讲解路线与行动建议
🛠️ 产品原理：讲清机制、对照、变化或操作过程
🧑🏫 教学内容：按老师讲题顺序做对照，突出关键步骤
✂️ 局部修订：改字幕/水印/布局只重渲该段，不重渲全片
📊 和同类做法比
| 传统手绘视频制作 | 人工逐帧描线/配音/字幕，成本高、周期长 |
| AI 文生视频（图生视频模型） | 一段 clip 出一段，难精确控制旁白与画面节奏，通常按秒计费 |
| sweety-handdraw-video | AI 规划 + 本地逐笔描线/填色/配音对齐，可定位修改，不用图生视频模型 |
原理一句话：AI 负责"想"（理解内容、写口播、做分镜、生成插画），本地工具负责"画"（按语义部位逐笔描线、填色、逐字书写、按时间戳对齐配音和字幕）；因为把脚本、素材、声音、时间戳都保留下来，改某段时能定位只重渲那一段，而不是整片重来。
❓ 常见问题
Q：一条视频要多久、多少钱？
作者自述：一条约两分半的样片"差不多 10 分钟"，在自己 200 美元订阅环境中额度使用"不到 1%"——这是特定作品的自述，不能换算成固定单价。首次装环境、模型下载、出图重试、配音修复都会改变耗时。
Q：改一句话，要全部重做吗？
只改字幕、笔杆文字、水印或画面布局，可复用未变化的图和声音，只重新渲染该段。修改口播正文会影响连续旁白，通常需重新生成整篇母带、重做对齐。
Q：一定要用 Codex 吗？
当前完整流程实测使用 Apple Silicon Mac + Codex。Windows / Linux / Gemini / Claude 等尚未完成整流程验证，先确认执行、生图、字体与配音能力再迁移。
Q：必须配 API Key / 云端 TTS 吗？
配音走本地 VoxCPM2 或 VoiceStudio 本机服务，不接云端 TTS 账号；生图能力通常由你的 Agent 宿主提供（可能收费）。开源不等于全链路免费，本地渲染仍消耗硬件、电力和时间。
Q：会按规范汉字笔顺写吗？
当前按字形轮廓逐字绘制，不保证规范书法笔顺；橡皮擦转场目前无交付证据，不列为现成功能。
Q：能稳定做系列、批量出片吗？
同一系列可固定画风、生图端、角色锚点、手部与声音参考并复用素材，但仍可能出现角色/剧情/音色漂移，每条都要检查，不是无人审核的批量系统。
Q：是免费开源的吗？
主项目代码与文档 MIT 协议；内置 5 项依赖（美术指导/画风库/导演方法/动效/隐私清理）各自保留版权与许可证，AI 生成素材不因此获得真人身份授权。
📎 GitHub 搜索 threerocks/sweety-handdraw-video ｜ 作者 x.com/leo_xiaolei
关注「AI工具匠」，获取更多 AI 工具实操教程