AI Video Producer skill

AI 视频制作流水线（中文优先）

触发条件

当用户出现以下意图时启用：

• 「帮我把这个话题做成视频」「写个脚本，我要拍/生成一条视频」
• 「这条口播稿帮我改成分镜」「把文章改成视频」
• 「做一条 60 秒的抖音 / B 站 / 小红书视频」
• 「我有一堆素材，剪成一条片子」
• 「这个视频的风格不错，用同样的风格做一集」

不适用：纯剪辑软件操作教学、纯字幕翻译、单张图片生成。

核心原则

1. 先定提案再动素材。 视频的成本几乎都在「生成/拍摄」阶段，脚本没定就开跑，最后大概率整条重做。
2. 反盲盒抽卡。 不要靠「多生成几版挑一条」，而是把可控变量（分镜、首尾帧、时长、镜头运动）先锁定，再逐段生成、逐段验收。
3. 中文节奏优先。 中文字幕、中文配音、中文断句的规则和英文完全不同，不能直接套用英文模板。
4. 每阶段有门禁。 上一阶段没通过验收标准，不进入下一阶段。

第一步：先判断档位

不要一上来就问一堆参数。先按用户手上有什么，判断档位：

档位	用户特征	你的做法
A. 零基础	「我就想做个视频」	只问 3 件事：讲什么、多长、发哪个平台。其余由你给默认值并说明理由
B. 有素材	已有一堆图/视频/录音	先做素材盘点与分类，再倒推能讲什么故事
C. 专业	给了分镜表、风格参考、时间线	按对方的表格走，你补全缺失字段并做技术校验

必问三件事（A 档只需这三项）：

1. 主题：一句话说清「给谁看、看完记住什么」。
2. 时长与平台：抖音/视频号 15–60 秒（9:16）、B 站 3–10 分钟（16:9）、小红书 30–90 秒（3:4 或 9:16）。
3. 预算上限：是否使用付费模型/TTS/素材库；没有预算就走本地或免费方案。

第二步：八阶段流水线

每个阶段都产出可检查的中间产物，而不是直接跳到成片。

阶段 1｜调研（Research）

产出：research_brief

• 至少做 5 次检索，覆盖：主题事实、同类视频的常见结构、可用素材来源、版权限制、目标平台的规则。
• 记录具体来源 URL，不要写「据研究」。
• 明确写出「哪些说法没有可靠来源」——这些内容要么删掉，要么在成片里避免下断言。

门禁：调研简报里的每个关键结论都能指到具体来源；找不到来源的结论已标注。

阶段 2｜提案（Proposal）

产出：proposal_packet + decision_log

给 2–3 个方向，每个方向写清：

• 一句话立意（这条片子想让观众记住什么）
• 结构（开头 3 秒钩子 → 中段推进 → 结尾落点）
• 视觉风格（实拍 / 生成 / 图文动画 / 混合）
• 成本估算（调用次数、付费 API、素材授权）
• 风险（哪里可能做不出来）

门禁：用户明确选定一个方向后才继续。不要替用户默认选择后再回头问。

阶段 3｜脚本（Script）

产出：script

中文口播稿的硬规则：

• 语速：中文口播约 每秒 4–5 字。60 秒 ≈ 240–300 字，超了就要砍。
• 断句：一句话不超过 25 字，长句拆成短句，便于配音和字幕。
• 开头 3 秒：第一句必须是钩子（冲突、反常识、具体数字），不要「大家好，今天我们来聊聊」。
• 口语化：写完朗读一遍，拗口的地方就是字幕会断得难看的地方。
• 数字与专名：阿拉伯数字与英文专名单独标注读法，避免 TTS 读错。

门禁：整稿朗读时长与目标时长误差 ≤ 10%。

阶段 4｜分镜（Storyboard）

产出：storyboard（表格）

镜号	时长	画面描述	景别/运镜	口播/字幕	素材来源	备注

要点：

• 每个镜头 ≤ 8 秒。超过就拆，长镜头是 AI 生成最容易崩的地方。
• 首尾帧先行：生成类镜头先把首帧和尾帧定下来，再让模型补中间，能大幅降低「人物转头穿帮」。
• 跨段一致性：同一角色的镜头，提前准备统一的定妆描述（发型、服装、光线），每段都带上。
• 标注可替代方案：某镜头如果生成失败，用什么素材顶上。

门禁：分镜总时长 = 脚本总时长；每个镜头都有素材来源；没有「待定」的镜头。

阶段 5｜素材（Assets）

产出：asset_manifest

按来源分三类处理：

• 生成素材：先出低分辨率/低步数预览确认构图，确认后再出成品。不要一上来就出高清全片。
• 采集素材：记录来源、许可、作者；商用前逐一核对授权。
• 自制素材：图表、字幕条、片头片尾，优先用可复现的模板生成，避免每次手调。

门禁：每个素材都有来源与许可记录；成品素材的分辨率、帧率、色彩空间与时间线一致。

阶段 6｜剪辑（Edit）

产出：timeline

• 先粗剪（按分镜顺序拼接），再精剪（节奏、转场、留白）。
• 中文视频的节奏：信息密度高的段落每 3–5 秒要有一个视觉变化，否则观众会划走。
• 转场克制：默认硬切；花式转场只在段落切换时用一次。
• 留气口：口播之间留 0.2–0.3 秒静音，观众才听得清。

门禁：粗剪版本连续看一遍不打瞌睡；没有明显黑帧、跳帧、音画不同步。

阶段 7｜合成（Compose）

产出：compose_report

• 配音：中文 TTS 优先选自然度高的音色；同一角色全片用同一个 voice id，绝不中途更换（否则跨段变声）。
• 去播音腔：给 TTS 加标点停顿、轻微语速变化；能本地克隆音色时优先用真人样本。
• 字幕：
  • 每行 ≤ 14 个汉字，最多 2 行；
  • 按语义断句，不要按字数机械切分；
  • 数字用阿拉伯数字，专名保留原文；
  • 逐字对齐（卡拉 OK 式）时，字幕提前音频 0.05–0.1 秒出现。
• 音乐与音效：人声 -6dB 左右，音乐再低 12–18dB；不要用有版权风险的商用曲。
• 混音检查：手机外放听一遍，这是大多数观众的收听环境。

门禁：字幕无错别字、无溢出、无遮挡人脸；人声清晰可辨；无爆音。

阶段 8｜导出（Publish）

产出：deliverables

按平台导出：

平台	比例	分辨率	备注
抖音 / 视频号 / TikTok	9:16	1080×1920	前 3 秒最关键
B 站 / YouTube	16:9	1920×1080	可 4K，时长容忍度高
小红书	3:4 或 9:16	1080×1440 / 1080×1920	封面单独做
视频号	9:16	1080×1920	封面字要大

同时交付：

• 封面图（按平台单独出，不要从视频里截一张了事）
• 标题与简介（中文，不超过平台限制）
• 字幕文件（.srt 或 .ass）
• 素材清单与授权记录

门禁：每个平台的文件都能正常播放；封面在手机小屏上能看清主标题。

第三步：常见坑与处理

现象	原因	处理
跨段人物变声	每段用了不同 TTS 音色	全片锁定同一 voice id，重新生成异常段
后段画面发雾发灰	多段续接时潜空间漂移	用上一段尾帧作为下一段首帧，或降低续接段数
人物向镜头错误转头	首尾帧未锁定	用首尾帧夹具固定构图，镜头运动写进描述
口型对不上	先出画面后配音	先定配音，再按音频时长生成画面
字幕挡住人脸	未做安全区检查	字幕放在底部 15% 安全区内，避开主体
生成 20 版挑不出	盲盒式抽卡	回到阶段 4 锁分镜与首尾帧，问题不在「版数」
单段要改却重跑全片	没有分段渲染	按镜号分段输出，改哪段只重跑哪段

第四步：成本控制

• 先定预算上限，写进提案，超过就停下来问用户。
• 分阶段付费：调研与脚本阶段几乎零成本，不要把预算烧在还没定稿的素材上。
• 预览优先：生成类素材先出低清预览，确认后再出成品。
• 复用：片头、片尾、字幕条、转场模板做成可复用组件，第二条视频起成本会大幅下降。
• 记录每次调用的实际消耗，交付时给用户一份成本账。

输出格式

每次交付给用户时，按这个结构：

## 视频方案

**主题**：
**平台与时长**：
**档位**：A 零基础 / B 有素材 / C 专业

### 1. 调研要点（含来源）
### 2. 选定方向与理由
### 3. 脚本（含预计时长）
### 4. 分镜表
### 5. 素材清单与授权
### 6. 剪辑与字幕说明
### 7. 导出文件清单
### 8. 成本账与风险说明

注意事项

• 版权：生成素材同样可能有版权与平台规则限制；使用他人视频做「风格参考」时，不要复制其画面、旁白、logo 与主播形象。
• 肖像与声音：克隆他人声音或形象必须取得授权；不确定时改用中性配音与原创画面。
• 事实核查：视频一旦发布传播成本很高，脚本阶段的每个数字与结论都要有来源。
• 平台规则：医疗、金融、教育等敏感领域的内容，发布前提示用户自行核对平台与监管要求。
• 不承诺效果：不写「 guaranteed 上热门」「保证涨粉」这类话。

参考来源

本技能的流水线结构参考了以下开源项目的公开设计思路（均为英文项目，已做中文化与场景化改造）：

• OpenMontage（AGPL-3.0）：阶段化 video pipeline 与质量门禁设计。
• HyperFrames（Apache-2.0）：以编码 Agent 为中心的视频生产契约与「视频逆向 / 风格采样」思路。

本技能为独立的中文原创实现，不依赖上述项目的代码；如需它们的完整能力，请直接安装原项目。