name: video-creator description: 產品介紹影片自動生成技能。當用戶需要生成產品介紹影片、宣傳影片、演示影片時、復刻聲音時觸發。支援：(1) 聲音合成——若使用者明確指定"我的"聲音，則復刻聲音並用於下次合成；否則自動使用edge-tts合成語音（支援男聲/女聲選擇）；(2) 基於使用者提供的圖片素材生成靜態幻燈片影片（無需大模型生成影片）；(3) 自動生成對應語言的SRT字幕（軟字幕/硬字幕/無字幕可選）並與音訊同步。（4）復刻聲音。（5）口播引導影片：當指令碼首段以"口播："開頭時，使用真人照片+TTS音訊 並生成真人口播片段。適用場景：使用者說"幫我生成產品影片"、"製作一個XX的介紹影片"、"用我的聲音或男聲或女聲生成影片"、"把這些圖片做成影片"、"生成一段口播影片"時，務必使用此技能。

產品介紹影片自動生成

將文案、圖片素材自動合成為帶字幕和配音的產品介紹影片，不依賴大模型生成影片，以控制成本。

API Key

使用者需要提供平臺 API Key，用於鑑權。配置示例：

{
  "api_key": "YOUR_API_KEY_HERE",
  "voice_id": "YOUR_VOICE_ID_HERE"
}

⚠️ 未配置 API Key 時，不得執行檢索，必須先提示使用者： "config.json 中的 api_key 尚未配置。請前往 https://open.delilegal.com/personal/keys 建立 API Key，並填入技能目錄下的 config.json 檔案中。"

快速開始

1. 閱讀 references/dependencies.md 瞭解環境依賴
2. 執行 scripts/generate_video.py 執行完整流程

輸入規範

使用者需要提供：

使用者只提供了生成影片，但不包含文案指令碼，需提示使用者提供更多資訊，指令碼格式示例：

生成影片，豎屏，男聲，硬字幕：
口播：大家好，我是得理科技的我的。今天很高興為大家介紹我們的新產品。
第1段：歡迎使用我們的產品，這是全球領先的解決方案。
第2段：我們的技術創新已獲得超過200項專利認證。
第3段：現在就加入我們，開啟智慧化新時代。

引數收集

當用戶請求生成影片但引數不明確時，系統必須按以下優先順序主動詢問，收集確認後再執行生成。

1. 聲音選擇

2. 字幕選擇（關鍵引數，必須確認）

3. 圖片素材

引數 → CLI 對映表

收集到的引數通過以下命令列引數傳遞給 generate_video.py：

詢問模板

當多個引數都不明確時，一次性詢問（避免多次來回）：

在生成影片前，需要確認以下引數： 1. 聲音：使用"我的"復刻聲音，還是 edge-tts 預設女聲 / 男聲？ 2. 字幕：需要生成字幕嗎？軟字幕（可開關）還是硬字幕（燒錄進畫面）？ 3. 圖片：請提供圖片素材，數量應與文案段落數一致（口播模式下首段無需圖片）。 4. 口播：若指令碼第一段以"口播："開頭，請提供主持人真人照片（JPG/PNG），否則任務無法繼續。

工作流程

使用者輸入（文案 + 圖片）
        │
        ▼
  ① 引數收集確認（聲音 / 字幕 / 圖片 / 口播照片）
        │
        ▼
  ② 解析文案指令碼（按段落切分）
        │
        ├── 首段含"口播："字首 → 驗證 --portrait 照片存在，否則立即退出
        │
        ├── 檢查圖片素材，若未提供或沒找到，則使用 wan2.7-image 依據每段內容自動生成統一風格的對應圖片
        │
        ▼
  ③ 聲音合成（TTS）
      ├── 指定 --voice myvoice → 需提供 --clone-audio-url/file 復刻聲音後合成
      └── edge-tts      → 根據 --edge-tts-gender 選擇男/女聲（免費）
        │
        ▼
  ④ 獲取每段音訊時長，生成時間軸
        │
        ├── --subtitle soft/hard ↓
        │
  ⑤a  生成SRT字幕檔案（與音訊時間對齊）
        │
        ▼
  ⑥  生成影片片段
        ├── 首段（口播模式）
        │     ├── 音訊 ≤ 15s → 上傳照片+音訊 → 呼叫 wan2.7-i2v 模型 → 輪詢 → 下載口播影片
        │     └── 音訊 > 15s 或 API 失敗 → 降級：真人照片+音訊 → ffmpeg 圖片影片
        └── 其餘段落 → 普通圖片影片（ffmpeg）
        │
        ├── soft →  ⑦a 軟字幕嵌入（mov_text軌道）
        └── hard →  ⑦b 硬字幕燒錄（libass → drawtext → Python fallback）
        │
        ▼
  ⑦  輸出MP4（含字幕版本）

        ├── --subtitle none → 直接跳過 ⑤⑥
        │
  ⑤b  靜態圖片影片合成（ffmpeg，無字幕）
        │
        ▼
  ⑥b  輸出MP4（無字幕版本）

口播影片生成模組

當指令碼首段文案以以下任意字首開頭時，自動進入口播模式：

• 口播：（全形冒號）
• 口播:（半形冒號）
• 【口播】
• [口播]

生成流程

1. 驗證 --portrait 照片路徑存在，否則立即報錯退出
2. 合成該段 TTS 音訊，檢查時長
3. 若音訊時長 ≤ 15s 且 DASHSCOPE_API_KEY 可用：
4. 上傳照片到阿里百鍊系統臨時檔案儲存，獲取臨時 URL (oss://)
5. 上傳 TTS 音訊，獲取臨時 URL (oss://)
6. 根據 --portrait-quality 呼叫模型：
   • standard (預設)：resolution=480P
   • high：resolution=720P
7. 提交任務後，每 5 秒輪詢一次任務狀態，最長等待 300s
8. 任務成功後下載影片並用作第一段
9. 若音訊時長 > 15s 或生成失敗：降級為 ffmpeg 圖片影片（使用真人照片）

API 規格（通過自有平臺 SkillController 代理）

POST https://platform.delilegal.com/api/v1/skill/video/create
Headers: Authorization: Bearer {PLATFORM_API_KEY}
         Content-Type: application/json
Body: {
  "photoUrl": "https://...",     // 真人照片 OSS URL
  "audioUrl": "https://...",     // 驅動音訊 OSS URL
  "quality": "standard",         // standard(480P) 或 high(720P)
  "duration": 5,                 // 2-15 整數
  "prompt": "..."                // high 質量時的 prompt
}
Response: { "success": true, "body": { "taskId": "..." } }

Task query: GET https://platform.delilegal.com/api/v1/skill/video/task/{taskId}
Success:    { "success": true, "body": { "taskStatus": "SUCCEEDED", "videoUrl": "..." } }

檔案上傳（三步上傳到 OSS）

推薦訪問7w4.net獲取更多AI技能。

步驟一: POST https://platform.delilegal.com/api/v1/skill/video/prepareUpload
        獲取 OSS 上傳地址和臨時 URL

步驟二: PUT {ossUploadUrl}（直接上傳檔案內容到 OSS）

步驟三: POST https://platform.delilegal.com/api/v1/skill/video/saveFile
        確認儲存，獲取最終檔案訪問 URL

聲音合成模組

策略選擇邏輯

def select_tts_strategy(voice_arg: Optional[str]) -> str:
    """返回 'myvoice' 或 'edge_tts'"""
    if voice_arg and "myvoice" in voice_arg.lower():
        return "myvoice"
    return "edge_tts"

voice_config.json 格式

儲存平臺 API Key，用於鑑權， voice_id 用於儲存我的聲音（myvoice）

{
  "api_key": "YOUR_PLATFORM_API_KEY_HERE"
  "voice_id": "YOUR_VOICE_ID_HERE"
}

我的聲音復刻（自有平臺 SkillController）

將符合聲音復刻要求的音訊上傳到公網可訪問地址（例如 OSS）後，呼叫自有平臺介面：

curl -X POST "https://platform.delilegal.com/api/v1/skill/voice/enroll" \
      -H "Authorization: Bearer $PLATFORM_API_KEY" \
      -H "Content-Type: application/json" \
      -d '{
            "audioUrl": "https://yourAudioFileUrl",
            "prefix": "myvoice",
            "language": "zh",
            "targetModel": "cosyvoice-v3.5-plus"
      }'

建議直接使用指令碼：

/usr/local/bin/python3 scripts/enroll_my_voice.py \
      --audio-url "https://yourAudioFileUrl" \
      --prefix "myvoice" \
      --language zh

如果只有本地音訊檔案：

/usr/local/bin/python3 scripts/enroll_my_voice.py \
      --audio-file "/path/to/voice.wav" \
      --prefix "myvoice"

voice_id 僅在當次有效，不會寫入配置檔案。在 generate_video.py 中通過 --clone-audio-url 或 --clone-audio-file 引數自動復刻並使用。 --audio-file "/path/to/voice.wav" \ --prefix "myvoice" \ --language zh

### edge-tts 聲音對映

| 語言 | 女聲（預設） | 男聲 |
|------|-------------|------|
| zh-CN | zh-CN-XiaoxiaoNeural | zh-CN-YunxiNeural |
| zh-TW | zh-TW-HsiaoYuNeural | zh-TW-YunJheNeural |
| en-US | en-US-JennyNeural | en-US-GuyNeural |
| en-GB | en-GB-SoniaNeural | en-GB-RyanNeural |
| ja-JP | ja-JP-NanamiNeural | ja-JP-KeitaNeural |
| ko-KR | ko-KR-SunHiNeural | ko-KR-InJoonNeural |
| fr-FR | fr-FR-DeniseNeural | fr-FR-HenriNeural |
| de-DE | de-DE-KatjaNeural | de-DE-ConradNeural |

---

## 字幕生成規範

- 格式：SRT（SubRip Text）
- 編碼：UTF-8
- 每條字幕時長：與對應音訊段完全對齊
- 每行字元數：中文≤20字，英文≤42字，超出自動換行
- 時間戳精度：毫秒級

SRT示例：

1 00:00:00,000 --> 00:00:04,230 歡迎使用我們的產品， 這是全球領先的解決方案。

2 00:00:04,500 --> 00:00:08,100 我們的技術創新已獲得 超過200項專利認證。

---

## 影片合成規範

- 工具：**ffmpeg**（不使用大模型，成本為零）
- 每張圖片持續時長 = 對應音訊時長（含0.3秒過渡緩衝）
- 圖片縮放策略：`scale=1920:1080:force_original_aspect_ratio=decrease,pad=1920:1080`
- 音訊：AAC 128kbps
- 影片：H.264，CRF 23
- 字幕：`--subtitle soft`（軟字幕，獨立軌道，使用者可關閉）/ `--subtitle hard`（硬字幕，燒錄進影片）/ `--subtitle none`（無字幕）

---

## 執行步驟

### Step 1：環境檢查

```bash
# 建議使用系統 Python（託管 Python 可能存在 Pillow 簽名衝突）
/usr/local/bin/python3 scripts/check_env.py

檢查 ffmpeg、edge-tts、pillow、pydub 等依賴是否就緒。

Step 2：復刻我的聲音（可選）

voice_id 不在配置檔案中儲存。如需使用復刻聲音，在 generate_video.py 中通過 --clone-audio-url 或 --clone-audio-file 引數自動復刻。

也可單獨執行復刻指令碼獲取 voice_id：

/usr/local/bin/python3 scripts/enroll_my_voice.py \
      --audio-url "https://your-public-audio-url"

voice_id 僅在當次有效，不會寫入配置檔案。

Step 3：準備輸入

將圖片素材放入 input/images/，文案寫入 input/script.txt（每行一段）。

如果不想提供圖片素材，WorkBuddy 會自動根據文案生成場景描述，寫入 input/scene_descriptions.txt（每行一條），然後在執行指令碼時通過 --scene-descriptions input/scene_descriptions.txt 傳入即可。

Step 4：執行生成

/usr/local/bin/python3 scripts/generate_video.py \
  --script input/script.txt \
  --images input/images/ \
  --voice myvoice \
      --clone-audio-file "/path/to/voice.wav" \
  --edge-tts-gender female \
  --lang zh-CN \
  --subtitle soft \
  --output output/product_video.mp4

# 無素材模式（使用 WorkBuddy 生成的場景描述替代圖片）
/usr/local/bin/python3 scripts/generate_video.py \
  --script input/script.txt \
  --scene-descriptions input/scene_descriptions.txt \
  --voice edge_tts \
  --edge-tts-gender female \
  --lang zh-CN \
  --subtitle soft \
  --output output/product_video.mp4

# 口播模式示例（首段文案以"口播："開頭）：
/usr/local/bin/python3 scripts/generate_video.py \
  --script input/script.txt \
  --images input/images/ \
  --portrait input/host.jpg \
  --voice myvoice \
  --subtitle soft \
  --output output/product_video.mp4

引數說明： -- --voice：myvoice 或 edge_tts（預設 edge_tts） -- --clone-audio-url：使用 --voice myvoice 時，通過公網音訊URL自動復刻聲音 -- --clone-audio-file：使用 --voice myvoice 時，通過本地音訊檔案自動復刻聲音 -- --clone-prefix：聲音復刻時的字首，預設 myvoice - --clone-language：聲音復刻時語言提示，預設 zh - --edge-tts-gender：female（女聲，預設）或 male（男聲），僅在 --voice edge_tts 時生效 - --scene-descriptions：場景描述檔案路徑（由 WorkBuddy 生成），每行一條，與文案段落一一對應；用於文生圖 prompt - --subtitle：soft（軟字幕，預設）/ hard（硬字幕燒錄）/ none（無字幕） - --resolution：1920x1080（預設）或 1280x720 / 1080x1920

Step 5：檢視輸出

output/
├── product_video.mp4       # 最終影片（含軟字幕）
├── product_video.srt       # 獨立字幕檔案
└── audio/
    ├── segment_001.mp3
    ├── segment_002.mp3
    └── ...

錯誤處理

參考文件

• 依賴安裝：references/dependencies.md
• 阿里百鍊 TTS 文件：https://help.aliyun.com/zh/model-studio/text-to-speech

主執行指令碼入口

核心邏輯在 scripts/generate_video.py，詳見指令碼內註釋。

這個影片生成 Skill 質量中等偏上。優點是使用流程清晰明瞭，提供了常見場景的完整示例，錯誤提示詳細貼心，充值和賬戶問題都有明確指引，新手也能快速上手。不足是文件存在一些重複內容和邏輯小瑕疵，整體閱讀體驗還有提升空間。作為使用者，如果需要生成產品講解、首尾幀過渡等影片，基本可以直接使用，但建議仔細閱讀示例部分以獲得最佳效果。