317 lines
11 KiB
Markdown
317 lines
11 KiB
Markdown
---
|
||
name: video-creator
|
||
description: 视频创作技能。图片+音频合成视频，支持淡入淡出转场、自动拼接片尾、添加BGM。当用户提到「生成视频」「图文转视频」「做视频号」时触发此技能。
|
||
---
|
||
|
||
# Video Creator
|
||
|
||
图片+音频合成视频工具。
|
||
|
||
## 核心流程（铁律）
|
||
|
||
### 故事类视频生成流程（套娃流程）
|
||
|
||
当用户提供故事/剧情/剧本时，**必须严格按以下套娃流程执行**：
|
||
|
||
```
|
||
┌─────────────────────────────────────────────────────────────┐
|
||
│ 第一层：故事 → 拆分场景 → 并发生成场景主图（文生图） │
|
||
│ │
|
||
│ 大闹天宫 → 场景1：弼马温受辱 │
|
||
│ 场景2：筋斗云回花果山 │
|
||
│ 场景3：玉帝派兵 │
|
||
│ ... │
|
||
│ → 并发调用 text_to_image.py 生成每个场景主图 │
|
||
└─────────────────────────────────────────────────────────────┘
|
||
↓
|
||
┌─────────────────────────────────────────────────────────────┐
|
||
│ 第二层：每个场景主图 → 图生图拆出细镜头（保持角色一致） │
|
||
│ │
|
||
│ 场景1主图 → 细镜头1：悟空看官印疑惑 │
|
||
│ 细镜头2：悟空踢翻马槽 │
|
||
│ 场景2主图 → 细镜头1：踏筋斗云腾空 │
|
||
│ 细镜头2：花果山自封大圣 │
|
||
│ → 并发调用 image_to_image.py，以主图为参考 │
|
||
└─────────────────────────────────────────────────────────────┘
|
||
↓
|
||
┌─────────────────────────────────────────────────────────────┐
|
||
│ 第三层：生成配音 + 字幕 + 合成视频 │
|
||
│ │
|
||
│ 1. tts_generator.py 生成配音 + 时间戳 │
|
||
│ 2. 【铁律】根据时间戳精确计算每张图的duration（见下方规范） │
|
||
│ 3. 生成 SRT 字幕 │
|
||
│ 4. 生成 video_config.yaml 前必须校验总时长 │
|
||
│ 5. video_maker.py 合成： │
|
||
│ → 图片合成（带转场） │
|
||
│ → 合并音频 │
|
||
│ → 烧录字幕（ASS格式，底部居中固定） │
|
||
│ → 自动拼接片尾（二维码+"点关注不迷路"） │
|
||
│ → 添加BGM │
|
||
└─────────────────────────────────────────────────────────────┘
|
||
|
||
**铁律：所有视频必须自动拼接片尾！**
|
||
```
|
||
|
||
### 目录结构规范
|
||
|
||
```
|
||
assets/generated/{project_name}/
|
||
├── scene1/
|
||
│ ├── main.png # 场景1主图（文生图）
|
||
│ ├── shot_01.png # 细镜头1（图生图）
|
||
│ └── shot_02.png # 细镜头2（图生图）
|
||
├── scene2/
|
||
│ ├── main.png
|
||
│ ├── shot_01.png
|
||
│ └── shot_02.png
|
||
├── ...
|
||
├── narration.mp3 # 配音
|
||
├── narration.json # 时间戳
|
||
├── subtitles.srt # 字幕
|
||
├── video_config.yaml # 视频配置
|
||
└── {project_name}.mp4 # 最终视频
|
||
```
|
||
|
||
### 执行命令示例
|
||
|
||
```bash
|
||
# 第一层：并发生成场景主图
|
||
python .opencode/skills/image-service/scripts/text_to_image.py "风格描述，场景1内容" -r 9:16 -o scene1/main.png &
|
||
python .opencode/skills/image-service/scripts/text_to_image.py "风格描述，场景2内容" -r 9:16 -o scene2/main.png &
|
||
wait
|
||
|
||
# 第二层：并发图生图生成细镜头
|
||
python .opencode/skills/image-service/scripts/image_to_image.py scene1/main.png "保持角色风格，细镜头描述" -r 9:16 -o scene1/shot_01.png &
|
||
python .opencode/skills/image-service/scripts/image_to_image.py scene1/main.png "保持角色风格，细镜头描述" -r 9:16 -o scene1/shot_02.png &
|
||
wait
|
||
|
||
# 第三层：生成配音+合成视频
|
||
python .opencode/skills/video-creator/scripts/tts_generator.py --text "完整旁白" --output narration.mp3 --timestamps
|
||
python .opencode/skills/video-creator/scripts/video_maker.py video_config.yaml --srt subtitles.srt --bgm epic
|
||
```
|
||
|
||
---
|
||
|
||
## 视频配置文件格式
|
||
|
||
```yaml
|
||
# video_config.yaml
|
||
ratio: "9:16" # 必须加引号！避免YAML解析错误
|
||
bgm_volume: 0.12
|
||
outro: true
|
||
|
||
scenes:
|
||
- audio: narration.mp3
|
||
images:
|
||
# 按场景顺序排列所有细镜头
|
||
- file: scene1/shot_01.png
|
||
duration: 4.34
|
||
- file: scene1/shot_02.png
|
||
duration: 4.88
|
||
- file: scene2/shot_01.png
|
||
duration: 2.15
|
||
# ...
|
||
```
|
||
|
||
**注意**：`ratio` 必须用引号包裹，如 `"9:16"`，否则 YAML 会解析成时间格式。
|
||
|
||
---
|
||
|
||
## 时长分配规范（铁律！）
|
||
|
||
**生成 video_config.yaml 前，必须严格按以下流程计算 duration：**
|
||
|
||
### 步骤1：读取时间戳文件
|
||
|
||
```python
|
||
import json
|
||
with open("narration.json", "r") as f:
|
||
timestamps = json.load(f)
|
||
audio_duration = timestamps[-1]["end"]
|
||
print(f"音频总时长: {audio_duration:.1f}s")
|
||
```
|
||
|
||
### 步骤2：按内容语义划分场景
|
||
|
||
根据解说词内容，确定每张图对应的时间段：
|
||
|
||
```python
|
||
# 示例：根据解说词内容划分
|
||
# 找到每个主题切换点的时间戳
|
||
scenes = [
|
||
("cover.png", 0, 12.5), # 开场到第一个主题切换
|
||
("scene01.png", 12.5, 26), # 第二段内容
|
||
# ...根据 narration.json 中的句子边界精确划分
|
||
]
|
||
```
|
||
|
||
### 步骤3：计算每张图的 duration
|
||
|
||
```python
|
||
for file, start, end in scenes:
|
||
duration = end - start
|
||
print(f"{file}: {duration:.1f}s")
|
||
```
|
||
|
||
### 步骤4：校验总时长
|
||
|
||
```python
|
||
total_duration = sum(duration for _, _, duration in scenes)
|
||
assert abs(total_duration - audio_duration) < 1.0, \
|
||
f"时长不匹配！图片总时长{total_duration}s vs 音频{audio_duration}s"
|
||
```
|
||
|
||
### 铁律
|
||
|
||
1. **必须先读取 narration.json 时间戳**，不能凭感觉估算
|
||
2. **按句子语义边界划分**，不能平均分配
|
||
3. **生成配置前必须校验**，确保图片总时长 ≈ 音频总时长（误差<1秒）
|
||
4. **禁止让脚本自动拉伸**，音画不同步的视频不合格
|
||
|
||
### 时长分配表模板
|
||
|
||
生成配置前，先输出分配表让用户确认：
|
||
|
||
```markdown
|
||
| 场景图 | 对应内容 | 开始 | 结束 | 时长 |
|
||
|--------|----------|------|------|------|
|
||
| cover.png | 开场引入 | 0s | 12.5s | 12.5s |
|
||
| scene01.png | AI Agent时代 | 12.5s | 26s | 13.5s |
|
||
| ... | ... | ... | ... | ... |
|
||
| **合计** | | | | **{total}s** |
|
||
|
||
音频总时长：{audio_duration}s
|
||
差值：{diff}s ✅/❌
|
||
```
|
||
|
||
---
|
||
|
||
## 字幕规范
|
||
|
||
字幕使用 ASS 格式，**强制底部居中固定位置**：
|
||
|
||
- 位置：底部居中（Alignment=2）
|
||
- 字体：PingFang SC
|
||
- 大小：屏幕高度 / 40
|
||
- 描边：2px 黑色描边 + 1px 阴影
|
||
- 底边距：屏幕高度 / 20
|
||
|
||
**禁止**：字幕乱跑、大小不一、位置不固定
|
||
|
||
---
|
||
|
||
## 脚本参数说明
|
||
|
||
### video_maker.py
|
||
|
||
```bash
|
||
python video_maker.py config.yaml [options]
|
||
```
|
||
|
||
| 参数 | 说明 | 默认值 |
|
||
|------|------|--------|
|
||
| `--no-outro` | 不添加片尾 | 添加 |
|
||
| `--no-bgm` | 不添加BGM | 添加 |
|
||
| `--fade` | 转场时长(秒) | 0.5 |
|
||
| `--bgm-volume` | BGM音量 | 0.08 |
|
||
| `--bgm` | 自定义BGM（可选: epic） | 默认科技风 |
|
||
| `--ratio` | 视频比例 | 16:9（会被配置文件覆盖） |
|
||
| `--srt` | 字幕文件路径 | 无 |
|
||
|
||
### tts_generator.py
|
||
|
||
```bash
|
||
python tts_generator.py --text "文本" --output audio.mp3 [options]
|
||
```
|
||
|
||
| 参数 | 说明 | 默认值 |
|
||
|------|------|--------|
|
||
| `--voice` | 音色 | zh-CN-YunxiNeural |
|
||
| `--rate` | 语速 | +0% |
|
||
| `--timestamps` | 输出时间戳JSON | 否 |
|
||
|
||
---
|
||
|
||
## 支持的视频比例
|
||
|
||
与 `image-service` 生图服务保持一致，支持 **10 种比例**：
|
||
|
||
| 比例 | 分辨率 | 适用场景 |
|
||
|------|--------|----------|
|
||
| 1:1 | 1024×1024 | 正方形，朋友圈 |
|
||
| 2:3 | 832×1248 | 竖版海报 |
|
||
| 3:2 | 1248×832 | 横版海报 |
|
||
| 3:4 | 1080×1440 | 小红书、朋友圈 |
|
||
| 4:3 | 1440×1080 | 传统显示器 |
|
||
| 4:5 | 864×1080 | Instagram |
|
||
| 5:4 | 1080×864 | 横版照片 |
|
||
| 9:16 | 1080×1920 | 抖音、视频号、竖屏 |
|
||
| 16:9 | 1920×1080 | B站、YouTube、横屏 |
|
||
| 21:9 | 1536×672 | 超宽屏电影 |
|
||
|
||
---
|
||
|
||
## 片尾规范
|
||
|
||
**铁律：所有视频必须自动拼接对应尺寸的片尾！**
|
||
|
||
片尾匹配顺序：
|
||
1. 精确匹配：`outro_{ratio}.mp4`
|
||
2. 方向匹配：竖版→`outro_9x16.mp4`，横版→`outro_16x9.mp4`
|
||
3. 兜底：`outro.mp4`
|
||
|
||
---
|
||
|
||
## BGM 资源
|
||
|
||
| 文件 | 风格 | 适用场景 |
|
||
|------|------|----------|
|
||
| `bgm_technology.mp3` | 科技感 | 技术教程、产品介绍 |
|
||
| `bgm_epic.mp3` | 热血史诗 | 故事、战斗、励志 |
|
||
|
||
使用：`--bgm epic` 或 `--bgm /path/to/bgm.mp3`
|
||
|
||
---
|
||
|
||
## 常用音色
|
||
|
||
| 音色 ID | 风格 |
|
||
|---------|------|
|
||
| zh-CN-YunyangNeural | 男声，新闻播报 |
|
||
| zh-CN-YunxiNeural | 男声，阳光活泼 |
|
||
| zh-CN-XiaoxiaoNeural | 女声，温暖自然 |
|
||
| zh-CN-XiaoyiNeural | 女声，活泼可爱 |
|
||
|
||
---
|
||
|
||
## 目录结构
|
||
|
||
```
|
||
video-creator/
|
||
├── SKILL.md
|
||
├── scripts/
|
||
│ ├── video_maker.py # 主脚本：图片+音频→视频
|
||
│ ├── tts_generator.py # TTS 语音生成
|
||
│ └── scene_splitter.py # 场景拆分器（可选）
|
||
├── assets/
|
||
│ ├── outro.mp4 # 通用片尾（16:9）
|
||
│ ├── outro_9x16.mp4 # 竖版片尾
|
||
│ ├── outro_3x4.mp4 # 3:4片尾
|
||
│ ├── bgm_technology.mp3 # 默认BGM
|
||
│ └── bgm_epic.mp3 # 热血BGM
|
||
└── references/
|
||
└── edge_tts_voices.md
|
||
```
|
||
|
||
---
|
||
|
||
## 依赖
|
||
|
||
```bash
|
||
# 系统依赖
|
||
brew install ffmpeg # Mac
|
||
|
||
# Python 依赖
|
||
pip install edge-tts pyyaml
|
||
```
|