Video Creator

产品介绍视频自动生成技能。当用户需要生成产品介绍视频、宣传视频、演示视频时、复刻声音时触发。支持：(1) 声音合成——若用户明确指定"我的"声音，则复刻声音并用于下次合成；否则自动使用edge-tts合成语音（支持男声/女声选择）；(2) 基于用户提供的图片素材生成静态幻灯片视频（无需大模型生成视频）；(3) 自动生成对应语言的SRT字幕（软字幕/硬字幕/无字幕可选）并与音频同步。（4）复刻声音。（5）口播引导视频：当脚本首段以"口播："开头时，使用真人照片+TTS音频 并生成真人口播片段。适用场景：用户说"帮我生成产品视频"、"制作一个XX的介绍视频"、"用我的声音或男声或女声生成视频"、"把这些图片做成视频"、"生成一段口播视频"时，务必使用此技能。

产品介绍视频自动生成

将文案、图片素材自动合成为带字幕和配音的产品介绍视频，不依赖大模型生成视频，以控制成本。

API Key

用户需要提供平台 API Key，用于鉴权。配置示例：

json

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

⚠️ 未配置 API Key 时，不得执行检索，必须先提示用户： "config.json 中的 api_key 尚未配置。请前往 https://open.delilegal.com/personal/keys 创建 API Key，并填入技能目录下的 config.json 文件中。"

快速开始

1. 阅读 references/dependencies.md 了解环境依赖
2. 运行 scripts/generate_video.py 执行完整流程

---

输入规范

用户需要提供：

输入	说明	是否必须
文案脚本	每段对应一张图片的旁白文本；首段可加"口播："前缀触发真人口播模式	必须
图片素材	JPG/PNG，建议16:9或9:16比例	口播模式下仅非口播段需要
真人照片	JPG/PNG，主持人正面照，用于口播视频	口播模式必须
口播质量	high（高质量720P）或 standard（标准质量480P），统一使用 wan2.7-i2v 模型	可选（默认standard）
口播提示词	wan2.7 高质量模式下的 prompt，用于控制生成画面质感	可选（默认带美颜+高清提示词）
声音偏好	"我的"复刻声音 或 edge-tts（男声/女声）	可选（默认edge-tts女声）
配图风格	--image-style 参数。例如："动漫"、"卡通"、"自然风景"、"赛博朋克"等	可选（默认专业严肃风格）
字幕类型	soft（软字幕）/ hard（硬字幕）/ none（无字幕）	可选（默认soft）
目标语言	zh-CN / en-US / ja-JP 等	可选（默认自动检测）
输出分辨率	默认1920×1080	可选

用户只提供了生成视频，但不包含文案脚本，需提示用户提供更多信息，脚本格式示例：

text

生成视频，竖屏，男声，硬字幕：
口播：大家好，我是得理科技的我的。今天很高兴为大家介绍我们的新产品。
第1段：欢迎使用我们的产品，这是全球领先的解决方案。
第2段：我们的技术创新已获得超过200项专利认证。
第3段：现在就加入我们，开启智能化新时代。

参数收集

当用户请求生成视频但参数不明确时，系统必须按以下优先级主动询问，收集确认后再执行生成。

1. 声音选择

场景	询问内容	选项
用户未提及声音	"视频配音使用什么声音？"	① 我的复刻声音；② edge-tts 默认女声；③ edge-tts 男声
用户提到"默认""自动"	同上	同上
用户指定"我的"	无需询问，直接使用	—
用户指定"男声"或"女声"	无需询问，直接使用对应性别edge-tts	—

2. 字幕选择（关键参数，必须确认）

场景	询问内容	选项
用户未提及字幕	必须主动询问："需要生成字幕吗？如果需要，要软字幕还是硬字幕？"	① 软字幕：播放器内可开关；② 硬字幕：烧录进画面，始终显示；③ 无字幕
用户只说"要字幕"	追问软/硬选择	同上
用户说"不要字幕"	无需询问，使用 none	—
用户明确指定 soft/hard	无需询问，直接使用	—

3. 图片素材

场景	处理
用户未提供图片或没找到任何产品图片	基于段落文案自动使用 wan2.7-image 模型生成统一风格的图片。若无 DASHSCOPE_API_KEY，会自动降级使用 Python Pillow 生成包含专业法律风格（深蓝底+金字）的配图
图片数 ≠ 文案段落数且提供了图片	报错提示不匹配详情，要求用户调整

参数 → CLI 映射表

收集到的参数通过以下命令行参数传递给 generate_video.py：

用户选择	命令行参数	示例
我的声音	--voice myvoice	--voice myvoice
自动复刻（公网音频）	--clone-audio-url	--clone-audio-url https://yourAudioFileUrl
自动复刻（本地音频）	--clone-audio-file	--clone-audio-file /path/to/voice.wav
生成配图风格	--image-style	--image-style 动漫
edge-tts 女声	--voice edge_tts --edge-tts-gender female（默认）	—
edge-tts 男声	--voice edge_tts --edge-tts-gender male	--edge-tts-gender male
真人口播照片	--portrait	--portrait /path/to/host.jpg
软字幕	--subtitle soft（默认）	—
硬字幕	--subtitle hard	--subtitle hard
无字幕	--subtitle none	--subtitle none

询问模板

当多个参数都不明确时，一次性询问（避免多次来回）：

在生成视频前，需要确认以下参数：

1. 声音：使用"我的"复刻声音，还是 edge-tts 默认女声 / 男声？
2. 字幕：需要生成字幕吗？软字幕（可开关）还是硬字幕（烧录进画面）？
3. 图片：请提供图片素材，数量应与文案段落数一致（口播模式下首段无需图片）。
4. 口播：若脚本第一段以"口播："开头，请提供主持人真人照片（JPG/PNG），否则任务无法继续。

---

工作流程

text

用户输入（文案 + 图片）
        │
        ▼
  ① 参数收集确认（声音 / 字幕 / 图片 / 口播照片）
        │
        ▼
  ② 解析文案脚本（按段落切分）
        │
        ├── 首段含"口播："前缀 → 验证 --portrait 照片存在，否则立即退出
        │
        ├── 检查图片素材，若未提供或没找到，则使用 wan2.7-image 依据每段内容自动生成统一风格的对应图片
        │
        ▼
  ③ 声音合成（TTS）
      ├── 指定 --voice myvoice → 需提供 --clone-audio-url/file 复刻声音后合成
      └── edge-tts      → 根据 --edge-tts-gender 选择男/女声（免费）
        │
        ▼
  ④ 获取每段音频时长，生成时间轴
        │
        ├── --subtitle soft/hard ↓
        │
  ⑤a  生成SRT字幕文件（与音频时间对齐）
        │
        ▼
  ⑥  生成视频片段
        ├── 首段（口播模式）
        │     ├── 音频 ≤ 15s → 上传照片+音频 → 调用 wan2.7-i2v 模型 → 轮询 → 下载口播视频
        │     └── 音频 > 15s 或 API 失败 → 降级：真人照片+音频 → ffmpeg 图片视频
        └── 其余段落 → 普通图片视频（ffmpeg）
        │
        ├── soft →  ⑦a 软字幕嵌入（mov_text轨道）
        └── hard →  ⑦b 硬字幕烧录（libass → drawtext → Python fallback）
        │
        ▼
  ⑦  输出MP4（含字幕版本）
  
        ├── --subtitle none → 直接跳过 ⑤⑥
        │
  ⑤b  静态图片视频合成（ffmpeg，无字幕）
        │
        ▼
  ⑥b  输出MP4（无字幕版本）

---

口播视频生成模块

当脚本首段文案以以下任意前缀开头时，自动进入口播模式：

• 口播：（全角冒号）
• 口播:（半角冒号）
• 【口播】
• [口播]

生成流程

1. 验证 --portrait 照片路径存在，否则立即报错退出
2. 合成该段 TTS 音频，检查时长
3. 若音频时长 ≤ 15s 且 DASHSCOPE_API_KEY 可用：
   • 上传照片到阿里百炼系统临时文件存储，获取临时 URL (oss://)
   • 上传 TTS 音频，获取临时 URL (oss://)
   • 根据 --portrait-quality 调用模型：
     • standard (默认)：resolution=480P
     • high：resolution=720P
   • 提交任务后，每 5 秒轮询一次任务状态，最长等待 300s
   • 任务成功后下载视频并用作第一段
4. 若音频时长 > 15s 或生成失败：降级为 ffmpeg 图片视频（使用真人照片）

API 规格（通过自有平台 SkillController 代理）

text

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://...",     // 驱动音频 OSS URL
  "quality": "standard",         // standard(480P) 或 high(720P)
  "duration": 5,                 // 2-15 整数
  "prompt": "..."                // high 质量时的 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": "..." } }

文件上传（三步上传到 OSS）

text

步骤一: POST https://platform.delilegal.com/api/v1/skill/video/prepareUpload
        获取 OSS 上传地址和临时 URL

步骤二: PUT {ossUploadUrl}（直接上传文件内容到 OSS）

步骤三: POST https://platform.delilegal.com/api/v1/skill/video/saveFile
        确认保存，获取最终文件访问 URL

---

声音合成模块

策略选择逻辑

python

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

保存平台 API Key，用于鉴权， voice_id 用于保存我的声音（myvoice）

json

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

我的声音复刻（自有平台 SkillController）

将符合声音复刻要求的音频上传到公网可访问地址（例如 OSS）后，调用自有平台接口：

bash

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"
      }'

建议直接使用脚本：

bash

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

如果只有本地音频文件：

bash

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

voice_id 仅在当次有效，不会写入配置文件。在 generate_video.py 中通过 --clone-audio-url 或 --clone-audio-file 参数自动复刻并使用。 --audio-file "/path/to/voice.wav"
--prefix "myvoice"
--language zh

text

### edge-tts 声音映射

| 语言 | 女声（默认） | 男声 |
|------|-------------|------|
| 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 |

---

## 字幕生成规范

- 格式：SRT（SubRip Text）
- 编码：UTF-8
- 每条字幕时长：与对应音频段完全对齐
- 每行字符数：中文≤20字，英文≤42字，超出自动换行
- 时间戳精度：毫秒级

SRT示例：

1 00:00:00,000 --> 00:00:04,230 欢迎使用我们的产品， 这是全球领先的解决方案。

2 00:00:04,500 --> 00:00:08,100 我们的技术创新已获得 超过200项专利认证。

text

---

## 视频合成规范

- 工具：**ffmpeg**（不使用大模型，成本为零）
- 每张图片持续时长 = 对应音频时长（含0.3秒过渡缓冲）
- 图片缩放策略：`scale=1920:1080:force_original_aspect_ratio=decrease,pad=1920:1080`
- 音频：AAC 128kbps
- 视频：H.264，CRF 23
- 字幕：`--subtitle soft`（软字幕，独立轨道，用户可关闭）/ `--subtitle hard`（硬字幕，烧录进视频）/ `--subtitle none`（无字幕）

---

## 执行步骤

### Step 1：环境检查

```bash
# 建议使用系统 Python（托管 Python 可能存在 Pillow 签名冲突）
/usr/local/bin/python3 scripts/check_env.py

检查 ffmpeg、edge-tts、pillow、pydub 等依赖是否就绪。

Step 2：复刻我的声音（可选）

voice_id 不在配置文件中存储。如需使用复刻声音，在 generate_video.py 中通过 --clone-audio-url 或 --clone-audio-file 参数自动复刻。

也可单独执行复刻脚本获取 voice_id：

bash

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

voice_id 仅在当次有效，不会写入配置文件。

Step 3：准备输入

将图片素材放入 input/images/，文案写入 input/script.txt（每行一段）。

如果不想提供图片素材，WorkBuddy 会自动根据文案生成场景描述，写入 input/scene_descriptions.txt（每行一条），然后在运行脚本时通过 --scene-descriptions input/scene_descriptions.txt 传入即可。

Step 4：运行生成

bash

/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

# 无素材模式（使用 WorkBuddy 生成的场景描述替代图片）
/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："开头）：
/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

参数说明： -- --voice：myvoice 或 edge_tts（默认 edge_tts） -- --clone-audio-url：使用 --voice myvoice 时，通过公网音频URL自动复刻声音 -- --clone-audio-file：使用 --voice myvoice 时，通过本地音频文件自动复刻声音 -- --clone-prefix：声音复刻时的前缀，默认 myvoice

• --clone-language：声音复刻时语言提示，默认 zh
• --edge-tts-gender：female（女声，默认）或 male（男声），仅在 --voice edge_tts 时生效
• --scene-descriptions：场景描述文件路径（由 WorkBuddy 生成），每行一条，与文案段落一一对应；用于文生图 prompt
• --subtitle：soft（软字幕，默认）/ hard（硬字幕烧录）/ none（无字幕）
• --resolution：1920x1080（默认）或 1280x720 / 1080x1920

Step 5：查看输出

text

output/
├── product_video.mp4       # 最终视频（含软字幕）
├── product_video.srt       # 独立字幕文件
└── audio/
    ├── segment_001.mp3
    ├── segment_002.mp3
    └── ...

---

错误处理

错误情况	处理方式
voice_config.json 不存在	使用 edge-tts（无需 API Key 即可运行）
指定 --voice myvoice 但未提供复刻音频	降级使用 edge-tts，提示用户提供 --clone-audio-url/file
声音API调用失败	降级使用 edge-tts，记录警告
图片数量 ≠ 文案段落数且已提供部分图片	报错提示，显示不匹配详情
未提供图片且未提供 --scene-descriptions	使用原始文案作为文生图 prompt
未提供图片/场景描述且未配置 API Key	自动降级使用 Pillow 生成包含专业法律风格（深蓝底金字）的本地配图
ffmpeg 未安装	报错并给出安装指引
图片格式不支持	自动转换为PNG后继续
口播模式未提供 --portrait	立即报错退出，提示用户提供真人照片
口播视频生成超时/失败	自动降级为真人照片图片视频，记录警告
口播音频时长 > 15s	自动降级为图片视频，无需用户干预
余额不足	提示用户去 https://open.delilegal.com/personal/keys 充值

---

参考文档

• 依赖安装：references/dependencies.md
• 阿里百炼 TTS 文档：https://help.aliyun.com/zh/model-studio/text-to-speech

---

主执行脚本入口

核心逻辑在 scripts/generate_video.py，详见脚本内注释。