帧锁定视频重制引擎（多智能体工作流）

任务：为[产品]同步重制REF=[path/to/reference.mp4] = [一行：卖什么+优惠+价格]。与REF并排播放时明显帧锁定；单独播放时无人能看出它源自REF。保持完全一致（测量而非目测）：每个剪辑帧、镜头长度、布局槽位、每帧元素大小+位置、入场/出场帧、缓动曲线、摄像机运动、打字节奏（每帧字符数）、光标路径、每帧过渡覆盖率%、每镜头亮度（REF暗处同样暗）、每次运动的模糊开关、音频命中时间、音乐跌落帧。替换其他一切：每张图片、物体、文字、颜色、纹理、UI镀铬、标志、字体。外观 = [外观，例如“页面#FDFDFB + 天空linear-gradient(180deg,#263F72,#769CC2)，细白线稿20–35%，磨砂玻璃（白色30%→14%，背景模糊24px饱和度1.3，1px白边，阴影0 18px 50px rgba(10,22,50,.18)），Inter 600，一个强调色#2F6BFF”]。图片 = [我的真实作品帧/片段 | CC0/公有领域照片 | 代码绘制的原创角色]。禁止：3D建模道具、库存/生成人物、受版权保护的梗/角色/标志、紫色/品红/橙色作为品牌色、蓝底蓝配扫描线、假相机HUD、六边形散景、代码合成音频。 验收（全部数值化，全部报告；无表格不交付）： 剪辑：与REF相差0帧。 每镜头：运动能量曲线（192x108灰度平均绝对帧差）与REF在镜头内互相关 → 峰值在滞后0 ±1帧且相关系数≥ 0.80。 每镜头：10张REF叠加在我们的帧上；关键元素边缘在帧的1%以内（x方向19px，y方向11px）。 美观：一位全新评审只看REF与我们的全分辨率画面，回答“在这一帧，我们的画面是否至少与REF一样美观精致？” → 每个分镜帧都回答“是”。 不可识别：同一位评审只看我们的画面，无法从任何帧中说出REF的品牌或产品。 流畅度（我们的完整影片）：场景中无连续3帧冻结（差异< 0.03）的片段；少于5次抖动步进（连续运动帧的差异比> 2.2）；除REF硬切外无差异> 25。 语音：每行在首词出现的帧±40 ms内开始；没有词在其上屏前150 ms以上被说出；每行一次连续录制（最长内部静音< 120 ms，除非REF如此）；速度0.95–1.05。 声音：每个REF命中在±15 ms内；每个小提示在其频段内此刻≥ 3 dB；每行语音p10比音乐+音效高≥ 9 dB；-14 LUFS ±0.5，真实峰值≤ -1.0 dBTP（4倍过采样），限制器活跃< 2%样本；每个音乐拼接交叉淡化（拼接处跳变比≤曲目自身节拍跳变）。 阶段0 - 分析（暂不构建） ffprobe fps/分辨率/时长。提取所有帧（0基）：ref/full/fNNNN.jpg（原始分辨率）+ ref/audio.wav 48 kHz。1 fps和2 fps联系表。 剪辑：每帧平均绝对帧差峰值> 6倍局部中位数，每个通过查看f-1/f/f+1确认。 步进：在运动中找出与前一帧相同的帧（REF可能在30内以20 fps动画）。记录模式；我们的渲染为流畅60 fps，绝不复制步进。 SPEC.md，每类一个表格：镜头：id | f0 | f1 | 内容 | 亮度均值 | 过渡入 | 过渡出 | 摄像机 文字：文本 | 镜头 | 出现帧 | 稳定帧 | 基线左端x,y | 大写高度px | 字重 | 颜色 对象：槽位id | 镜头 | 入帧 | 稳定帧 | 出帧 | 每帧bbox（数组文件） | 缩放曲线 | 旋转 | 阴影 过渡：id | f0 | f1 | 每帧覆盖率%（数组） | 方向 | 边缘样式 打字：字段 | 首字符帧 | 每帧字符数（数组） | 光标闪烁周期 光标：每帧尖端xy（数组） | 按下帧 | 按下缩放曲线 摄像机：每帧scale/tx/ty（数组） | 每帧模糊 用numpy/OpenCV测量：对每个运动元素逐帧做模板匹配或墨迹bbox跟踪；每条轨迹保存为measure/<id>.json（帧 → x,y,w,h,opacity）。SPEC中的文字只是指南；ref/full + measure/ 才是真相。 音频：带词时间戳的STT → VO表：行 | 开始 | 结束 | 每个词的时间。音乐：BPM + 节拍相位（起始自相关）、跌落时间、跌落前近静音（长度）、每段响度（LUFS）、结束命中。音效：频谱通量起始点，按类型标注（嗖声：记录峰值时间而非开始；咔嗒；砰；轰；渐强；打字）。 SWAPS.md：REF槽位 → 我们的，同音节数/同宽度等级每词。规则：如果替换行比REF长，则时间调整以适配文字：将该镜头延长整数个音乐节拍（INS），其后所有内容平移INS，并在并排对比中在相同位置保持REF（轻微2%推近，绝不死帧）INS时长。绝不把更长的行塞进REF的槽位。将INS决策写入insert.json。 阶段1 - 引擎（先于任何代理，由你完成） 一个HTML页面，1920x1080。window.seekFrame(F)渲染任意帧，允许小数F，作为F的纯函数。禁止：定时器、Date、Math.random（使用种子哈希）、CSS过渡/动画、requestAnimationFrame。镜头注册SHOT({id, f0, f1, render(lf, F)})返回HTML。window.ready = true仅在document.fonts.ready且每个image decode()解析后。 core.js：缓动集（ease-out-cubic、ease-in-out-cubic、过冲≤ 8%的弹簧）；kf(F, [[f, v]...], ease)使用单调三次样条穿过关键点（绝不分段线性：拐点会读作抖动）；samples(F, track)读取measure/*.json并做样条插值；camera(inner, scale, tx, ty, origin, blur)；方向模糊（SVG feGaussianBlur stdDeviation x,y来自速度）；glass()、tile()、chip()、window()、card()、cursor()、textReveal()、glint(age, radius)（落地时12帧镜面扫掠）；logo作为CSS遮罩以便任意填充；palette对象 - 所有颜色集中一处。 定位：每个运动元素使用transform: translate3d(x.xxpx, y.yypx, 0)带小数值。浏览器在缩放容器内的像素吸附会造成每两帧3px步进。 无死帧：每个保持都带摄像机推近/漂移≥ 0.25%/帧；光晕呼吸；结尾卡片推近直到淡出。 render.mjs（Playwright Chromium，deviceScaleFactor 1，在OS沙箱外运行）：模式stills <frames> | compare <frames>（REF左 | 我们右，带标签表） | sub <F0> <F1> <workers>。每个worker一个浏览器进程（单浏览器内页面会串行化捕获：约65 vs 约450子帧/分钟）。用CDP Page.captureScreenshot捕获。打印页面错误。 运动模糊：每帧N个子帧，由页面自身速度估计决定（低于8px/帧时N=1，最高16；甩动时32），90°快门（展开0.25帧，居中）。在numpy中平均。硬切只在整帧上。 脚本：https://t.co/6oEK6pCkxx（冻结运行+抖动步进+大跳变）、https://t.co/mMZ99TvBh3（每镜头滞后/相关表）、https://t.co/ekkkOF28Sg（REF叠加在我们上，帧锁定）、https://t.co/8BkrahuZiR（平均子帧 → libx264 60 fps CRF 15 yuv420p bt709 + 混流；以及REF|我们3840x1080并排，REF音频静音）、https://t.co/nHE46DMJRg（不重渲染交换音频）。 阶段2 - 构建（按顺序的门禁；不跳过，不重排）门禁1 分镜：每镜头在其最重要帧的一张全分辨率静帧，REF|我们。生成一位全新评审（只看REF帧、我们的帧和任务+验收；绝不见构建者笔记）。它返回每帧：与REF一样美观（是/否）、可识别为REF（是/否）、空洞/平淡/廉价（是/否），并给出确切修复。一次性修复所有问题。记录在LEDGER.md（发现 | 帧 | 状态已修复/部分/未解决）。门禁2 组件实验室：4–6个最难的部分（主窗口/设备、大发光元素、聊天UI、卡片、结尾标记）各在独立测试页；3种尺寸静帧；评审通过；然后才集成。门禁3 镜头：拆分为连续组，每组一个代理，每个只写shots/<G>.js（IIFE，辅助函数前缀<G>_），绝不编辑core.js（向你请求）。每个代理获得BRIEF.md（任务、验收、替换规则、文件规则）、其SPEC章节、其measure/轨迹、核心API。每镜头循环：从measure/轨迹驱动每个运动元素 → 比较首/末帧、每个关键帧、每个过渡后2帧 → 对镜头做xcorr → 迭代直到滞后0 ±1且相关≥ 0.80。每次渲染调用≤ 15帧。报告表：镜头 | 帧 | 滞后 | 相关 | 冻结 | 抖动 | 最大边缘误差px | 备注。门禁4 音频（独立代理，从阶段0数据并行）： 音乐：测量REF能量曲线；试听≥ 6首商业可用曲目（Mixkit/Pixabay；记录URL+许可）先看情绪（调性、亮度、流派），再看能量匹配。时间拉伸≤ 4%到REF BPM。剪辑使跌落落在REF跌落帧上，之前有REF的近静音，最终乐句在结尾标记结束。每次编辑/循环：同一节拍相位上15 ms等功率交叉淡化；验证无咔嗒。 音效：录音库或ElevenLabs声音生成，绝不用numpy。每个REF事件一个，按自身峰值/瞬态放置。擦除时嗖声、瓷砖玻璃般啪声、每打一个词按键声、发送/接收声、跌落前渐强、跌落和结尾标记的次低音轰声。 空间：在每个小提示的频率带内雕刻音乐（侧链/动态EQ），不只是提高提示。语音下平滑闪避音乐（-6至-12 dB，慢释放）。 语音：ElevenLabs（商业使用付费计划）。按音高/音色匹配REF行选声。每行一次连续自然录制；在首词帧开始；绝不剪切，绝不拉伸超出0.95–1.05，行内绝无“...”。若不合适：改写或重排画面时间（阶段0规则）。仅轻度处理（2:1压缩、温和去齿音、+1.5 dB临场感）。 母带达到验收数值；导出mix.wav、music_only.wav、stems/、LICENCES.md、cues.json（提示 | 画面帧 | 放置时间 | 峰值时间）。 阶段3 - 集成+验证 统一各组共享组件（一个光标、一个玻璃配方、一个标志）。2–3个并行块完整渲染，https://t.co/8BkrahuZiR，然后仅在最终混音写入后混流（编码器在开始时读一次wav；若混音改变则重新混流）。 运行https://t.co/6oEK6pCkxx、https://t.co/mMZ99TvBh3、https://t.co/ekkkOF28Sg。构建1 fps REF|我们联系表，以及每个组接缝处（最后2/最前2帧）的表。仔细看。修复漂移。仅重渲染改变的帧范围并拼接。 一位全新最终评审：完整影片只看我们（可识别？廉价？冻结？刺眼？）+ 并排（不同步？）+ 音频报告。一轮修复。若两位评审矛盾，停止迭代并向用户展示双方意见。 交付后：画面变更 → 仅重渲染改变范围并拼接；音频变更 → https://t.co/nHE46DMJRg，不重渲染。 陷阱（每一条都发生过） 只问“同步+不同”的评审让丑陋作品通过了12轮。始终问“在这一帧全分辨率下是否与REF一样美观”。 代码建模的3D对象 = 塑料CGI。蓝底蓝+扫描线+假REC HUD+六边形散景 = 垃圾。 手调运动即使静帧匹配也感觉像AI垃圾。测量每个元素。 960 px预览隐藏质量问题。以1920判断。 脚本更改后保持REF时间 → 语音仓促、文字滞后于语音、一行在1秒内闪过。 移动语音而不移动画面 → 语音盖过前一镜头。 逐词拆分语音追文字 → 句子破碎。TTS文本中“...” → 行中空隙。 硬音乐拼接 → 咔嗒。保护语音的闪避埋没小提示。 混音仍在写入时混流 → 视频中音频过期。 字体加载前measureText → 文字碰撞。像素吸附 → 抖动。 随机粒子无法匹配叠加；可见粒子由轨迹驱动。 绝不在未查看该镜头的REF|我们并打印其数值时声称匹配。 交付：remake.mp4（1920x1080 60 fps，带音频）、side-by-side.mp4（REF左，我们右，帧锁定）、SPEC.md、SWAPS.md、measure/、LEDGER.md、源码+脚本、audio/（mix、music_only、stems、cues.json、LICENCES.md），以及一份报告：验收表含每个数值（每镜头滞后/相关/边缘误差、冻结运行、抖动步进、语音偏移、提示偏移、响度、真实峰值、限制器%），外加与REF的每项剩余差异。