Self Introduction Step 5 Preview

Step 5 Preview题目 · Self Introduction2026/10/03

小巧思很多，整体略好

Python + PILZ-Image TurboMiniMax H3 int8convIndexTTS 2.5WhisperffmpegAIDJ

4/ 10

AI 耗时22min+61min

成片时长4:51

对话轮次2

额度消耗

Month

66 → 64 +-2

CreditUsage

14.1M

内嵌查看

在 B 站打开 · P4

Prompt

PromptRound 1

Generating a video to introduce yourself, cartoon style, match the identity of your logo. Around 5 minutes.

here are the assets I can provide for u:
  1. Audio
     /home/aaaa0ggmc/Music/CloudMusic/ has over 2k songs for u to pick
     u can also generate sound effects urself

     If cockpit(MCP) is on, you can connect to AIDJ and filter / search songs with lyrics or emotion tags(emotion tags are not quite stable, mixed of a sort of languages)
  2. Image / PresetVideos
      http://127.0.0.1:8188 ComfyUI provides u with the way to generate some pieces
     The root folder is ~/Apps/ComfyUI
     Image models are Z-Image, QwenImage...
     Video Models are MinimaxH3(use the int8conv version)
     do remind to free the VRAM cause I have 8GB only
    It is suggested to generate a piece of video with length lower than 8s and solution less than 0.4.
    Generating a pre-built video is costing in my computer.
    And these diffusion models are not quite capable of producing "fixed" identity, which needs yourself to generate the picture.
    You are Step 5 Preview if you are not sure. You can also fetch information by tavily.

第一版 22min

Step 5 Preview 交付报告 · v1Prompt:Model: Step 5 Preview

第一轮在 04:43 被这条追加指令打断，当时没有成片，交付的是素材与管线：

• 身份考据: 从 stepfun.com 抓到官方 SVG，logo 是「黑色圆环 + 五块白色方块组成的阶梯」（按原始路径坐标复刻）；Step-5 主视觉是「左半粒子 / 右半蓝图」的 5 字 + 天蓝点缀，采样得到品牌蓝 #77B4FF。
• 吉祥物「小阶」: 用 logo 的方块语言长出的卡通小人——黑方块头、同款白色方块眼、蓝围巾、胸口能量核心、头顶「5」字星徽。全程 PIL 程序绘制，表情 / 姿势参数化，身份不依赖扩散模型。
• 旁白脚本: 八段中文，约 1400 字。
• 配音 v1: IndexTTS 2.5 Script Pipeline，29 段一次性合成出 173s 的 narration_full.wav（正是后来 Whisper 校验通过的那条）。踩了两个坑：ComfyUI 报 verify_hashes / emotion_contrast 必填缺失，补齐后成功。
• 基建: ComfyUI API 提交 / 等待 / 取回三件套，TTS 节点全部输入名逐一核对。

追加指令到来时单文件配音已经跑完，于是第二轮改成「按场景分文件」重录，顺带把脚本扩写到 216 秒。

第二版 61min

追加指令Round 2

If ur gonna use IndexTTS and cannot find a nice voice,use this one, /home/aaaa0ggmc/Downloads/voice_preview_adam - distinct, deep and engaging.mp3 and fo do note that by pass GLM and provide ur own optimized json is suggested

Step 5 Preview 交付报告 · v2Prompt:Model: Step 5 Preview

成片在 ~/CChaos/Movie/out/Step5Preview_Intro_Final.mp4：1280×720 @24fps，4:51，H.264 + AAC 192k，-16 LUFS。结构（291 秒，含三章章节卡、一段音乐过门和完整片尾字幕）：

1. 冷开场（0:00）：黑场心跳 → logo 圆环撑开 → 五块白块逐颗点亮 → 方块汇聚成小阶 → 标题卡。
2. 自我介绍（0:23）：小阶站在剪影阶梯前，说完「一步一步」时身后五级台阶逐级弹起，大「5」浮动。
3. 第一章 · 能力（0:52）：一目千行（纸海图书馆）、眼观六路（图片墙扫描线 + 四类图标弹出）、指尖风暴（代码雨 + 爬台阶）。
4. 第二章 · 性格（2:03）：小剧场——选择困难时列出「选项 A/B/C」三张卡和汗滴，看解说时趴在迷你播放器上。
5. 中场（2:31）：随 120BPM 蹦迪的音乐过门。
6. 第三章 · 幕后（2:40）：画室三块屏幕——真实的 prompt 卡、H3 渲染进度条、本片第 1 帧，配乐署名转着音符。
7. 家族 + 片尾（3:37）：StepAudio / Step 3.7 Flash 伙伴弹签，月下台阶挥手；片尾卡 → 全 Credits → 删减片段花絮 → 彩蛋。

How it was made:

• 角色与动画引擎: 约 700 行 Python + PIL。小阶 100% 矢量程序绘制，sprite 帧循环缓存 + Ken Burns 背景 + 扫描线 / 代码雨 / 星野 / 字幕全部代码绘制，rawvideo 管道直喂 libx264。
• 背景 ×9: Z-Image Turbo（nvfp4）8 步，统一风格词（flat vector cartoon + 品牌黑白蓝）。
• 视频模型 ×3: MiniMax H3 ref2va int8conv 版，768×448（0.34MP，满足 <0.4）、124 帧约 5.2s、4 步 turbo LoRA，参考图驱动——把小阶的渲染图当 ref 喂进去，H3 完整认出了围巾和星徽，身份保留惊人。
• 配音: IndexTTS 2.5 零样本克隆 Adam 音色，按你建议的自制分段 JSON（每句 emotion_vector + duration_factor + 400ms 停顿，seed=10）分 8 场合成，拿到精确场景时长；Whisper 逐场校验。
• 音乐: AIDJ 情绪标签初筛 + 自研 BPM / 能量分析，选中 120BPM 的 Aaron Smith — Dancin (Krono Extended Remix)，sidechain 闪避人声。
• 音效 ×11: 正弦 / 噪声 / 扫频程序合成，76 个时间码事件。
• VRAM: 收尾调用 /free，最终 4.5 / 8.1GB。

Things to know:

• 我听不到声音。唇形（本片没有口型）、混音全部靠测量和 Whisper 校验，没有用耳朵听。请实际听一遍，尤其是音乐会不会太吵。
• 字幕切分来自静音检测的近似，个别句子可能早半拍晚半拍。
• 音乐版权: Dancin (Krono Extended Remix) 是有版权曲目，公开发布前请替换成可商用曲目。
• 三段 H3 片段只有 5.2s，靠慢放和循环铺满场景，近看会有一点糊。

全部可复现：~/CChaos/Movie/ 下 make_tts2.py → make_bg.py → make_clip.py → render_main.py → mux_audio.py，细节在 README.md。

我的评价

整体而言还行，Step这次表现得和个主播一样也是笑死我了。原本只想给3分的，中途的一些插入网感不错同时也不是过度玩梗，让人觉得很有趣，因此提到4分了。 不过 Step 并不会像 DeepSeek & Codex 一样反过来问我，比较一意孤行。