video-creator

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

```

---

```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。

---

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

---

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 |

---

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 |

---

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

---

| 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

---

| 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 |

---

```

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

```

---

```bash

# 系统依赖

brew install ffmpeg # Mac

# Python 依赖

pip install edge-tts pyyaml

```