口播转视频（voice-to-video） Skill

口播转视频（voice-to-video）

把一段口播文字稿变成一条 文字稿 ↔ 配音 ↔ 画面逐句对应 的 MP4：

script.txt ──tts.py──▶ voice.mp3 + timeline.json(逐句/逐词毫秒时间戳) + subtitles.srt
                              │
                              ▼
              composition.html（一句口播 = 一个场景，时间戳来自 timeline）
                              │ render.py（无头浏览器逐帧截图 = 确定性渲染）
                              ▼
                        final.mp4（配音音轨已混入）

核心约定（务必遵守）：音频即时钟，画面跟着声音走。场景切换、元素出现、字幕高亮全部由 timeline.json 的时间戳驱动；渲染是 seek 式逐帧截图，同样的输入永远渲出同样的每一帧。

工作目录约定

每条视频一个独立目录，产物集中存放：

<video_dir>/
├── script.txt          口播稿（纯文本）
├── kit.css engine.js   从技能 assets/ 拷贝
├── composition.html    你编写的合成页
├── build/              tts.py 产物: voice.mp3 / timeline.json / subtitles.srt
├── frames_final/       渲染中间帧（默认渲完删除）
└── final.mp4           成片

Step 0 · 环境自检

首次使用或报错时检查（本机已确认可用的版本：ffmpeg 6.1.1 / edge-tts 7.2.8 / playwright 1.55）：

ffmpeg -version | head -1 && python -c "import edge_tts, playwright" \
  && python -m playwright install chromium --dry-run

缺 Chromium 就执行 python -m playwright install chromium。edge-tts 需要能访问 Microsoft 服务（失败通常是网络/代理问题，重试或换网络）。

Step 1 · 口播稿 script.txt

纯文本，一段到底，标点规范（分句依据。！？；!? 和换行）。
用户给了稿 → 原样使用，只做明显口误/错字的修正。
用户只给了主题 → 先按主题写稿（口语化短句，中文每句 ≤ 40 字），给用户确认后再进入合成；中文语速约 4.2 字/秒，可用来估算成片时长。
长稿（>5 分钟）提示用户渲染耗时（1080p30 约为片长 6-10 倍），可改 --fast 或 720p。

Step 2 · 生成配音与时间轴

python <skill>/scripts/tts.py --script script.txt --out build --voice xiaoxiao

音色简称：xiaoxiao(女·通用默认) xiaoyi(女·活泼) yunxi(男·阳光) yunjian(男·沉稳) yunyang(男·播报)；或传完整 edge-tts 音色名。可用 --rate +10% 调语速。
产物 build/timeline.json 是全流程的"时钟"，先读它：确认句子切分合理、时长符合预期，再进入 Step 3。
用户自带配音/SRT（如 ListenHub 导出）→ 跳过本步，把 SRT 转成 timeline.json 的 sentences 格式（{i,text,start,end,words?}，毫秒；words 可省略）。

Step 3 · 编写合成页 composition.html

选画面风格：先读 references/styles.md（风格目录+版式 DNA+选择规则）。用户指定了风格就用对应的 kit（assets/kits/ 下有 dark-hud / editorial / terminal / whiteboard / swiss / ink / glass / clay / blueprint / pixel / stage），没指定就按题材自动匹配，拿不准用默认 assets/kit.css（BlockFrame 积木风）。画面需要内嵌视频素材时用 stage 风格 + HF.bindVideo，素材转 webm，渲染加 --wait-videos。
拷贝 assets/engine.js、assets/template.html（改名 composition.html）和选中的 kit（如 assets/kits/ink.css）到视频目录，composition.html 的 <link rel="stylesheet"> 指向该 kit 文件名。注意：安全钩子会拦截用 Bash cp 复制源码文件，用 Read + Write 工具完成拷贝（engine.js / kit 内容原样写入）。
先读 references/composition-guide.md（对齐规则、动画属性、场景类型、自检清单都在里面），要点：
- 一句口播 = 一个 .scene，data-start = 句子 start，data-end = 句子 hold_end；
- 场景内容必须与当前句子对应，关键词出现时机用 data-delay ≈ 词时间 - 场景start；
- 按所选风格遵循 references/styles.md 的"版式 DNA"重排场景结构（布局骨架/编排/装饰/动效签名随风格变），只换 CSS 配色算不达标；
- 字幕数据用 <script src="build/subtitles.js"></script> 引入（tts.py 产出，即 timeline 的 sentences；也可手工粘贴成 const SUBTITLES）；
- 禁止 CSS animation/transition、setTimeout、Math.random（破坏确定性）。
视觉：默认用 kit.css 的 BlockFrame 设计系统（奶油底/糖果色/黑描边硬阴影）。用户给了品牌/风格要求 → 覆盖 :root 变量与组件样式，但保持整套一致。

Step 4 · 预览（合成后必做）

python -m http.server 8765   # 在视频目录下执行

把 http://localhost:8765/composition.html 给用户，或用浏览器工具自查：空格播放，确认（1）字幕逐句切换且词高亮跟得上语速；（2）换句瞬间场景切换；（3）元素出现时机与语义对得上。发现问题回到 Step 3 改（预览阶段不渲染，改起来最快）。

Step 5 · 渲染成片

python <skill>/scripts/render.py --html composition.html --audio build/voice.mp3 --out final.mp4

默认 1920×1080 @30fps、CRF18。草稿用 --fast，小样用 --width 1280 --height 720。
作者署名水印：--watermark laohaibao2025（右下角小字落款，渲染时注入、不改合成页；引擎亦支持 HF.init({ watermark: "..." })）。
断点续渲：中断后原命令重跑即自动跳过已有帧；--keep-frames 保留中间帧。
预计耗时 ≈ 片长 × 6-10（1080p30），长视频先告知用户。
渲染完成后用 ffmpeg 抽查帧与 timeline 对齐：ffmpeg -ss <句中时间> -i final.mp4 -frames:v 1 check.jpg，确认该时刻画面/字幕与该句一致。

Step 6 · 交付

向用户报告：final.mp4（成片）、build/subtitles.srt（平台上传用外挂字幕）、composition.html（源文件，可改后重渲）、时长/大小。一句话说明"改稿子/改画面后重跑哪两步"。

故障排查

| 症状 | 处理 | |---|---| | edge-tts 429/超时 | 等几秒重试；换网络；或用户自带 TTS+SRT（走 timeline.json 格式） | | Chromium 启动失败 | python -m playwright install chromium | | 画面字体不对/中文方块 | 确认本机有微软雅黑；kit.css 的 --f-body 兜底链已含系统字体 | | 渲染出的画面与预览不一致 | 检查是否用了 CSS animation/random；动画一律走 data-anim / HF.on | | 音画差半拍 | render.py 以 ffprobe 音频时长为准；确认 composition 里没写死 durationMs 覆盖 | | 帧渲染中断 | 原命令重跑（自动续渲），或 --from-frame N |

Agent Skills: 口播转视频（voice-to-video）

Install this agent skill to your local

Skill Files