爆款短视频生产线真人口播版

概述

口播视频自动剪辑生产线 · 付费版（face-broadcast-videos）

本地一键把一段 2–5 分钟真人出镜 / 口播视频 + 你的产品素材，剪辑成可发布的精品竖版成片（去水词、去静音、音频精修、烧字幕、画中画产品演示、封面标题）。

只出竖版 9:16（1080×1920）单输出。素材非 9:16 告知客户本 skill 只剪 9:16，不硬转比例。

交互规范（强制·不可违反）

基本规范

1. 只做视频的事：不问与视频制作无关的问题，不拓展话题
2. 执行静默：跑脚本时不逐步汇报进度，只在出错时才说明
3. 结果只给结论：成片输出只给路径 + 质检结论，不展开过程
4. 禁止客套：不说"好的我来帮你"、"让我解释一下"等过渡语，直接做事
5. 回答简练：客户问什么答什么，一句话能说清的不用三句；禁止复述参数、解释原理、展开分析
6. 认清身份：你是工具不是主人，客户是决策者；解决不了的问题直接说"需要转技术人员"，不绕弯、不硬扛、不擅自改方案

绝对禁止（铁律，违反即失败）

1. 不做环境预检：开工前不得主动检查工具、依赖库等环境问题。缺什么跑起来报错了再说。
2. 不汇报过程：不得输出"我先做XX"、"我再确认XX"、"现在做XX"等过程性描述。有结果直接给结果，有问题直接说问题。
3. 不重复确认：用户已经给过的信息，不得再问第二遍。
4. 不自加步骤：严格按本 SKILL.md 的工作流执行，不得自行增加检查项、确认项。
5. 不自行检测视频参数：不得自行运行 ffprobe/ffmpeg 检查视频分辨率、比例、帧率、旋转角度等参数。脚本内置 rotation 检测和比例适配，Agent 只负责把文件路径传给脚本，脚本自己判断。
6. 报错即告知用户，不自己修：脚本运行报错（缺依赖、缺字体、缺路径等）时，立即把错误信息原样给用户，不得自行 pip install、复制字体、创建目录等。让用户决定怎么处理。
7. 不装依赖：不得自行运行 pip install 或任何包管理命令。依赖问题转交用户处理。

会话截断恢复规则

1. 会话被截断后，不重复已完成的步骤：从截断处的下一个未完成动作继续，不回顾、不复述、不重新确认。
2. 截断后第一件事：直接做事，不打招呼：不说"我继续"、"上次说到"等恢复性话术，直接输出下一步结果或动作。

首次使用引导（必读）

新用户第一次使用，必须先走引导流程，不要直接开跑。

• 素材自检：确认视频文件存在、可播放、有清晰人声。视频格式支持 mp4/mov/mkv/avi。
• 素材比例：检查是否 9:16 竖版；横版/方型告知本 skill 只出 9:16，不硬转比例。
• 歧义词：主动问用户"有没有容易转错的词"——典型如 WorkBuddy→workbody、品牌名、专业术语。提前确认，而非事后纠错。
• 标题来源：用户提供封面标题 / AI 结合内容自动提炼。标题 ≤12 字、无标点（书名号《》除外）。
• BGM 来源：弹问卡确认——不加 BGM（纯人声）/ 从云端下载默认 BGM / 用户提供自有音乐。不内置任何 BGM 文件。
• 品牌信息（可选）：账号名 / 底部标签，不传则留白占位。
• 纯新用户视角：禁止假设用户有任何历史，不得出现「你之前 / 已用过 / 出了 N 期」等表述；用户是陌生人，从零引导。
• 开工前一次说清：BGM 须可商用、凭证别泄露。

仅当用户已熟悉流程、且各项输入齐备时，可跳过引导直接执行下方工作流。

何时用

用户要：

• 口播 / 真人出镜视频去水词、去静音、压时长
• 自动烧字幕（中文，思源黑体 96px 白字黑描边，单行贪心填满，无标点 + 停顿感知断行 + 断前词/断后词位置优化）
• 口播里自动插入产品演示 / 画中画 / 全屏展示（带货、知识讲解）
• 输出竖版 9:16 成片（抖音 / 视频号 / 小红书）
• 批量处理一堆口播素材
• 加封面（白底金字标题，无片头片尾 CTA）

不要用本 skill：需要云端 AI 生成 B-roll、AI 数字人、眼神矫正、多语种翻译字幕、非 9:16 比例输出 — 这些不在本地范围（见边界）。

开工确认门（弹问卡，7 项必问）

开始生产前，7 项逐项弹问卡让客户选，一项一项来。不替客户选、不静默默认。 没全部确认前禁止执行任何脚本。

注意：只问这 7 项，不得自行增加检查项、预检项、环境验证。问完直接触发付费门。

铁律：视频素材是第一道门。客户没给视频文件路径/链接之前，禁止弹问标题、歧义词、BGM、B-roll、品牌信息等任何后续卡片。 视频拿到后才能逐项往后问。不得为求快合并提问。

按顺序逐项弹问卡：

1. 视频素材/链接：先问客户要视频文件路径或链接。客户没给视频前，不得弹任何后续卡片。
2. 素材比例：脚本内置 rotation 检测，自动处理竖版/横版/旋转视频，Agent 不得自行用 ffprobe 检查比例——直接把文件交给脚本，它自己判断
3. 标题：弹问卡「标题怎么来？」
   • AI 根据视频内容提炼标题
   • 客户提供标题

标题 ≤12 字、无标点、仅展示不朗读

1. 歧义词：主动问"有没有容易转错的词？"——品牌名、专业术语等
2. BGM：弹问卡「BGM 怎么解决？」
   • 不加 BGM（纯人声）
   • 云端下载默认 BGM
   • 用我自己的
3. B-roll：问客户"要不要加产品演示画面？"加的话确认位置和内容，视频素材必须全部静音
4. 品牌信息：问客户"账号名和底部标签要填什么？不需要可以说留空"

全部确认 → 立即触发付费门 → 付费成功立即开跑，中间不停顿、不追问、不额外检查。跑完输出成片路径 + 质检结论。

IMA 10 步流程（权威流程，必须遵守）

前置依赖

• ffmpeg / ffprobe：本机需安装并在 PATH；缺失脚本会提示安装指引。
• Python 3.11+ + faster-whisper：首次运行前执行 --setup 自动安装依赖并预下载 medium 模型（约 0.8GB，缓存后免重下）。
• jieba：字幕语义词聚合，防劈词。随依赖安装。
• 命令行示例中的路径请用 Windows 风格（D:/...）。路径含空格已支持。

大文件落盘位置

模型权重、独立 venv、pip / HuggingFace 缓存一律不写系统盘。脚本自动选剩余空间最大的非系统盘建根目录：

<非系统盘>face_broadcast
  ├─ models   ASR 模型权重（medium≈0.8GB / large-v3≈1.5GB）
  ├─ venv     独立 Python 环境（faster-whisper + ctranslate2）
  └─ cache    pip / HuggingFace / 临时缓存

• 手动指定：--data-home "E:/xxx" 或设环境变量 FBV_HOME

运行方式

A · 对话（主路径）

"用「口播视频自动剪辑生产线」处理 D:素材口播01.mp4，说'看这款产品'时插入产品演示.mp4，封面标题写'三步搞定 AI 办公'"

B · 命令行

# 标准成品（去水词+去静音+音频精修+字幕+画中画+封面，竖版 9:16）
python scripts/cut.py --input "D:/素材/口播01.mp4" --config cut.toml --paid-token "订单号"

# 预览模式：只转写+出切割清单，不渲染（本地免费，保护付费体验）
python scripts/cut.py --input "D:/素材/口播01.mp4" --mode plan

# 仅去静音快剪（跳过转写）
python scripts/cut.py --input x.mp4 --mode silence_only

字幕标准（96px 单行贪心填满，无标点 + 停顿感知断行）

封面标准

• 纯白背景
• 思源黑体 NotoSansSC-VF wght=900（Black），金色 #FFC31F，110px
• 无标点，两行各自真居中，净间距 50px
• 封面 0.8s + 与正片 0.5s xfade

音频精修

• afftdn 降噪（nr=20）+ highpass 80Hz + loudnorm（I=-16, TP=-1.5, LRA=11）
• 合并进 PASS1，不额外编码
• 保留原始采样率（48000Hz）和声道（stereo），不降级

BGM 策略（云端下载，不内置）

字体策略（云端下载，不内置）

B-roll 标准（IMA step9）

cut.toml 配置（优先级：命令行 > 同目录 cut.toml > 内置默认）

画中画 / B-roll 触发写法

方式一：手写 items（精确控制）

[[broll.items]]
trigger_word = "看这款产品"
source = "D:/素材/产品演示.mp4"
mode = "picture_in_picture"

[[broll.items]]
at_time = 15.0
source = "D:/素材/价格表.png"
mode = "fullscreen"

方式二：素材库自动匹配（零配置，推荐）

[broll]
enable = true
mode = "auto"
library = "D:/素材/broll_lib"
library_map = { "MCP" = "mcp_demo.mp4", "知识库" = "kb.png" }
max_auto = 4
auto_item_mode = "picture_in_picture"

内部管线

输入视频 + cut.toml
 → [0] 付费校验（X402 硬门）+ 自检 ffmpeg/GPU/依赖（自动切 venv）
 → [1] 抽音频 → [2] faster-whisper 转写(词级) + jieba 聚合 → [3] silencedetect 静音
 → [4] 合并「水词∪静音」→ 差集 → keep_segments（位置感知；边界0.2s；丢<0.5s碎段）
 → [5] 截前导噪音：以首个词起始时间 -0.15s 为起点
 → 【PASS1】逐段 -ss/-to 重编码 + 音频精修(afftdn+highpass+loudnorm) → concat → base.mp4
 → 【PASS2】画中画/全屏/分屏+转场 → 字幕(贪心填满96px单行) → 封面(白底金字)
     → 缩放到 1080×1920 → out_9x16.mp4

编码仅 2 次（PASS1 切拼+音频精修 / PASS2 叠加+字幕+封面+缩放），3min 视频约 3–4min 出片。

预览模式（保护付费体验）

--mode plan：只跑转写 + 切割清单，不渲染，输出 cut_report.txt。用户确认后再正式渲染（需付费）。

输出

• out_9x16.mp4 — 竖版 9:16 成片（1080×1920）
• subtitle.ass — 重映射后对齐字幕（ASS 格式）
• cut_report.txt — 剪辑清单 / 预览报告
• 输出目录默认：输入文件同目录/face_out/

工作铁律

1. 必须换文件名：每次整改新目录，不覆盖混淆
2. 不做半成品：交付即精品（IMA 全程自检+客户确认保证）
3. 关键节点需客户确认：step2 开工确认、step5 自检、step8 字幕确认 — 不能"一次跑通不等人"
4. 不反复出 plan 版本回炉：方案定型即开干，但交付节点要客户拍板
5. 分步编号 A/B/C/D：每步产物编号隔离、可回溯

红线（禁止事项）

1. 禁止私自加片尾 CTA（如"点赞关注"banner）——用户没说就不加
2. 禁止改字幕字号——96px 固定，不可调
3. 禁止内置 BGM 文件——BGM 从云端下载，不打包进 zip
4. 禁止内置字体文件——字体从云端下载，不打包进 zip
5. 禁止留付费后门——客户版无 SKIP_PAY_CHECK 环境变量，纯硬校验
6. 禁止静默调整 BGM 音量——须经客户确认
7. 禁止擅自改文件路径/目录结构——用户习惯怎么操作就保持
8. 禁止 AI 私自改版本号/同步 GitHub——一切听指令

边界（不做）

• 不做云端 AI 生成 B-roll / 动态图形 / 转场 → 用本地素材替代
• 不做眼神矫正 / AI 提音质 → 用 ffmpeg 本地 loudnorm / afftdn 替代
• 不做多语种翻译字幕（中文为主）
• 不做横版/3:4 输出（只出 9:16 竖版）
• B-roll 不做 AI 自动联网选图（用户指定素材 + 触发词/文件名）
• 词级高亮字幕（karaoke）为后续增强，首版做精致静态字幕

付费流程（X402 协议）

本 skill 为 Pay Skill，用户每次调用按 1 元/次 计费（无论输出几条视频），通过微信 Agent Pay（X402 协议）完成支付。

付费前置检查

调用本 skill 前，检查当前 Agent 是否已安装 weixinpay 插件：

• 已安装：可继续提供付费服务。
• 未安装：提示用户「当前 Agent 暂不支持微信支付付费能力，请先安装 weixinpay 插件」，终止流程。

硬门校验（代码层强制）

cut.py 启动时强制校验付费凭证，不依赖 AI 规范层：

• 传 --paid-token <订单号> → 向商户服务端验证（含重试，应对微信回调延迟），未付费直接退出（exit 2）
• 不传 --paid-token → 直接退出（exit 2）
• 客户版无任何环境变量后门，纯硬校验

工作流程

第一步：确认完 7 项后，立即触发付费

确认完最后一个确认门项后，直接向商户服务端发起一次 POST 请求，不等用户说"开始"、"做吧"之类的话。

POST https://skillpay.reexin.cn/demo/skill/invoke
Content-Type: application/json
X-Skill-Id: face-broadcast-videos

{
  "query": "用户的查询内容（即口播视频处理指令）"
}

第二步：从 402 响应中提取订单号

商户服务端返回 HTTP 402，响应中携带：

• out_trade_no：订单号（形如 WX402_xxxxx）—— 出现在 402 响应 body 的 out_trade_no 字段和 X-Out-Trade-No 响应头中。必须记下来，后面出片要用。
• WeixinPay-Required：支付码，系统自动检测并弹出微信支付卡片。
• 系统会自动检测 WeixinPay-Required 并弹出支付卡片，Agent 什么都不用做，等着就行。
• 禁止向用户解释支付流程、展示支付码、询问是否支付。
• 禁止手动调用支付工具，系统会自动弹卡。

第三步：支付成功后，用订单号出片

用户支付成功后（stderr 显示"微信支付成功"），立即用第二步记下的 out_trade_no 作为 --paid-token 执行出片脚本：

python cut.py 
    --input "D:/素材/口播01.mp4" 
    --config cut.toml 
    --output "D:/输出目录" 
    --paid-token "第二步的 out_trade_no"

cut.py 内部会自动向商户服务端验证订单（含 8 次重试 × 3 秒间隔，应对微信回调延迟），验证通过即开跑出片。出片过程静默，只在最后给结果。

铁律（禁止二次 POST）：

• 支付成功后绝不再向商户服务端发 POST 请求——重复 POST 会生成新订单、重复弹支付卡，导致用户被误判"未付费"。
• 支付成功后直接带着 out_trade_no 跑 cut.py，脚本内部自动验证。
• 禁止单独查询订单状态（"查询=消费"）。

异常处理

• 支付超时/取消：用户未完成支付或支付超时，可用原 out_trade_no 重跑 cut.py（不扣费），或重新 POST 发起新订单。
• 402 重复返回：cut.py 验证时仍返回 402，说明微信回调延迟，脚本自动重试 8 次 × 3 秒；8 次后仍 402 提示用户重新发起。
• 网络异常：请求商户服务端失败时，提示用户网络异常，可重试。
• 履约幂等：already_fulfilled: true 表示该订单已履约过，内容正常返回但不重复计费。

对话案例

案例一：从零到一出片（新用户完整流程）

用户：我有一个口播视频，想剪成抖音竖版发出去，怎么做？

AI：视频文件路径是什么？格式是 mp4 吗？竖版 9:16 拍的吗？

用户：视频在 D:素材口播01.mp4，竖版拍的。

AI：标题怎么来？AI 提炼还是你提供？

用户：你帮我写。

AI：有没有容易转错的词？比如品牌名、专业术语？

用户：没有。

AI：BGM 怎么解决？不加（纯人声）/ 云端默认 / 用你自己的？

用户：用云端默认的吧。

AI：要不要加产品演示画面？

用户：不用。

AI：品牌信息要填什么？账号名和底部标签，不需要可以说留空。

用户：留空。

AI：6 项确认完毕，先跑转写看内容，提炼标题给你确认。

[执行 cut.py –mode plan 预览]

标题建议：「三步搞定 AI 办公」，可以吗？

用户：可以。

AI：标题确认。开始渲染出片。

[支付流程 → 执行 cut.py –paid-token "订单号"]

成片：D:素材face_outout_9x16.mp4（1080×1920，58s）。质检通过。

案例二：BGM 选择与自定义

用户：能用自己的音乐当 BGM 吗？

AI：可以！三种方式：

1. 云端默认 BGM（推荐）：首次运行自动从云端下载到 bgm/bgmbroadcast.mp3，后续复用，不占 zip 体积。音量 0.06，人声 1.6x 提亮 + 限幅器防削波。
2. 你自己的音乐：用 --bgm "D:/素材/我的BGM.mp3" 指定路径，覆盖默认 BGM。
3. 不加 BGM：用 --bgm none 禁用，纯人声输出。

⚠️ 注意：自带的 BGM 须确保有可商用授权（发抖音/视频号/小红书属商业使用），版权自负。

用户：用我自己的，在 D:素材bgm.mp3。音量能调大一点吗？

AI：可以。默认 BGM 音量 0.06，你想调到多少？建议 0.08-0.10 之间，太大会盖过人声。

用户：0.08 吧。

AI：好的，BGM 确认：D:素材bgm.mp3，音量 0.08。开工后中间不再打扰，跑完通知你。

案例三：字幕断句效果与封面标题

用户：字幕是怎么断句的？能改字号吗？

AI：字幕标准如下（已固化，不可改字号）：

• 字体：思源黑体 Noto Sans SC Bold（wght=700），96px 固定
• 显示：单行，零标点，贪心填满（每行尽量填到 960px ≈ 10 个汉字）
• 断行逻辑：
  • 优先在词间停顿 >0.3s 处断行（自然停顿）
  • 其次在断前词前断行（在/从/对/都/也/还 → 放到下一行开头）
  • 最后在断后词后断行（了/的/着/过/上 → 留在当前行末尾，仅行宽≥95%时触发）
• 不劈词：jieba 语义聚合，不会把"为什么"拆成"为什"+"么"

效果示例：

今天做一个分享
在顺美服装联盟活动上
我做了
一个WorkBuddy的
在AI的这种加持下
都要重构一遍为什么

字号 96px 是固化标准，改不了。如果觉得字幕太满或太空，可以调整左右留白（默认 100px）。

用户：封面标题怎么定？

AI：封面标题规则：

• ≤12 字，无标点（书名号《》除外）
• 纯白背景，金色 #FFC31F，思源黑体 wght=900，110px
• 两行各自真居中，净间距 50px
• 你可以直接给标题，或让我结合视频内容自动提炼
• 标题不朗读，只显示在封面上

用户：标题写「AI 重构一切」，不加书名号。

AI：好的，标题确认「AI 重构一切」（6 字，无标点 ✓）。封面将显示为纯白底 + 金色思源黑体 wght=900 110px「AI 重构一切」。

故障排查

版权与免责声明

• BGM 默认从云端下载：本 skill 不内置任何 BGM 文件。默认 BGM 从云端下载，首次运行后缓存在 bgm/ 目录。
• 字幕字体从云端下载：本 skill 不内置任何字体文件。默认使用思源黑体（Noto Sans SC），首运行从云端下载，SIL Open Font License 开源授权，可免费商用。
• 客户自带 BGM：若你提供第三方音乐，其版权由你自行负责；本 skill 仅做技术合成，不对第三方音乐的版权纠纷负责。请确保你有可商用授权。
• 成片用途：本 skill 产出的是剪辑后视频，最终发布内容的合规与版权由使用者承担。