视频解说脚本

对已完成分析的视频进行导演与剪辑策划，再写带时间戳的中文解说并校验；也处理已有短片的 宣发标题、花字修订和外部文案回填。普通策划输入 work_dir 的 agent_narration_brief.md 与 vlm_analysis.json；文案返修输入当前成片的工程与内容证据。策划输出 recap_story_plan.json、visual_audio_board.json、 可选 style_card.json、cut 模式需要的 clip_plan.json，以及通过校验的 narration.json；仅宣发文案任务交付提案或回填既有包装计划。 触发词：解说词、写解说、视频旁白、宣发标题、花字修订、文案回填、 narration script、写稿、解说文案、剪辑思路、导演思路。

1. 定位

只改宣发标题、封面、花字或回填外部文案时，直接读 references/promotional-copy.md， 按当前短片的观看理由和兑现位置处理指定文字层，不重做下述策划/旁白链。 普通解说写作不因此增加平台调研或包装任务。

本技能负责：创作方向、画面/声音计划、旁白写作与校验。Agent 不是 JSON 填写器，而要依次扮演：

1. 导演
2. 故事编辑
3. 画面剪辑师
4. 声音/旁白编辑
5. 第一次观看的观众

Agent 先记录简洁决定，再写时间线产物。validate.py 负责对理解索引做机械校验，从不改写 Agent 的稿子：段落顺序、数量、时间、文本、停顿和扩展元数据原样保留，只依据现有声音证据回写实测的 overlaps_speech。文本装不下时间窗、段落未按时间排序等问题以 error 退回给 Agent 修改。

下面的 scripts/... 均相对于本技能目录。若执行器从仓库根目录启动，请给脚本路径加上本技能的绝对目录。

1.1 创作控制模式

先根据用户要求和 work_dir 判断本轮模式；它不是 full|cut|dub 渲染模式：

• CREATE：首次创作。比较至少两个真正可行的故事/剪辑假设后再选择。
• DIRECTED：用户已指定结构、镜头、台词或表达。忠实落实，不为满足“创作流程”虚构替代方案。
• REVISION：用户针对已有版本看片修改。最新反馈是当前事实来源；未点名部分默认冻结。

REVISION 先明确本轮修改项与冻结项，再编辑对应层：表达、口语节奏、字幕反馈更新 style_card.json；镜头、入出点、表演和声音分工更新 visual_audio_board.json；只有观众承诺、POV、主线或 beat 改变时才更新 recap_story_plan.json。被删除的镜头、原声或文案也要从相关计划中删除，不能保留过期锚点。不要把看片修改重新做成一次 CREATE。

2. 读取素材并确认状态

首先阅读：

• work_dir/agent_narration_brief.md：场景、时长、安静窗口与字数预算。
• asr_writing_chunks.json：长对白的写作分块。
• timeline_fusion.json：判断某段是否有对白或静音槽。
• vlm_analysis.json / asr_result.json：核对具体画面与原声证据；有 asr_clean.json 时以它的文本为准（lint、评审、剪辑和合成都读它）。
• brief 顶部列出的 contact sheet：不要只依赖场景摘要；反应、走位、静止和台词前后的具体时刻常常更重要。
• production_reference.json（仅当 work_dir 里有）：另一部成片拆出的可迁移方法与节奏数值，用法见 §3。

full 模式使用原片时间。cut 模式第一阶段只写 clip_plan.json；edited_source.mp4 产生后，第二阶段才按输出时间写 narration.json。

写任何创作产物前，直接读取 work_dir 判断当前阶段：

• recap_run_manifest.json：确认 edit_mode、源视频和本轮设置。
• full 模式：没有 narration.json 时进入写稿；存在时先复核再校验。
• cut 第一阶段：尚无 clip_plan_validated.json / edited_source.mp4，只写 clip_plan.json。
• cut 第二阶段：两者都存在，按 clip_plan_validated.json.clips[] 中的 source_start/end 与 output_start/end 核对映射，再写输出时间的旁白。

必须确认旁白没有跨越错误剪辑边界，也没有落进已删除区间。整个判断只依赖 work_dir 产物。

3. 制定创作方案

先阅读 references/creative-editing-playbook.md，再按创作控制模式写或更新工作产物：

1. recap_story_plan.json：导演意图、CREATE 中至少两个剪辑假设、选定的 POV / 主线，以及由“变化”定义的 beats。DIRECTED / REVISION 不强行新增假设。
2. visual_audio_board.json：每拍的画面任务、具体表演/反应、入点/出点、audio_owner、原声锚点与 narration_job。
3. style_card.json（适用时）：用户当前认可的声音、口语节奏、字幕阅读姿态和明确禁忌。收到表达或字幕反馈后更新原文件，而不是只改最终文案。

只记录决定、证据锚点、被放弃的备选方案和简短理由，不写冗长思维过程。

若 work_dir 有 production_reference.json，制定方案前先读它。它来自另一部成片，只含可迁移的方法和测得的节奏，不含本片事实，不能作为本片画面、剧情或台词的证据。优先级：用户指令 > 本片证据 > 参考。CREATE 可把它的 structure 当作一个候选假设，与素材自生的假设比较；DIRECTED / REVISION 默认不套用。targets 是参考值，不是配额：与本片的 audio_owner、完整台词或表演冲突时以素材为准。可在 recap_story_plan.json 写可选字段 reference_methods: [{"id": "m1", "decision": "adopt|adapt|skip", "note": "…"}]。没有这个文件就跳过本段。

3.1 导演判断

锁定：

• 观众承诺
• POV
• 戏剧问题
• 起始与结束情绪
• 隐瞒与揭示
• 结尾余味

3.2 故事编辑

CREATE 比较两个真正可行的结构后选择一个；DIRECTED / REVISION 沿用用户指定或已确认的结构，除非最新反馈明确改变故事方向。每个 beat 至少改变一项：知识、权力、目标、关系、情绪或风险。若删除后因果、人物和情绪都没有损失，该 beat 通常不应保留。

3.3 画面剪辑

选择具体时刻，而不是只选择事件。比较：

• 说话者与倾听者
• 动作与反应
• 早进与晚进
• 早出与多停半秒

在不破坏理解的前提下晚进早出，同时保留不可替代的表演、停顿、失误、动作声和完整台词。

3.4 声音与旁白分工

先指定 audio_owner，再写字。旁白只允许承担以下 narration_job：

• context
• causal_link
• foreshadow
• interpretation
• transition
• none

画面、原声或沉默已经足够时使用 none，不要默认铺旁白。

3.5 cut 模式第一阶段

cut 模式先根据 recap_story_plan.json 与 visual_audio_board.json 写原片时间的 clip_plan.json，此时不要写 narration.json：

json

{
  "target_duration": "10m",
  "clips": [
    {
      "start": 12.0,
      "end": 38.0,
      "reason": "b01 | hook | knowledge: unknown→threat | POV=主角 | 保留倾听反应 | 入点=问题已问出 | 出点=沉默落地"
    }
  ]
}

reason 统一使用：

text

beat_id | function | change | POV | preferred moment | 入点 | 出点

片段顺序必须构成一条完整故事线，而不是无序高光。可使用 0–1 个 cold open，随后回到因果清楚的 setup → turn → escalation → payoff。片段长度服从具体时刻，不使用统一秒数模板；片尾必须保留完整台词或动作。密集 scene-change 候选的来源判断与处理规则由剪辑阶段定义，写计划时遵循同一规则，不制造人工闪切。

4. 撰写旁白

full 模式直接按原片时间写；cut 第二阶段先查看 edited_source.mp4 与剪后故事板，补充 visual_audio_board.json 的输出时间并重新确认 audio_owner / narration_job，再按输出时间写：

json

[
  {
    "start": 5.0,
    "end": 12.0,
    "narration": "解说文本。",
    "pause_after_ms": 250,
    "overlaps_speech": true,
    "emotion": "紧张"
  }
]

字段说明：

字段	含义
start / end	full 模式为原片时间；cut 第二阶段为输出时间。与上一块间隔不超过 1.6 秒的块属于同一段落，assemble 会让它紧接上一块的实际结尾（间隔 0.35 秒）播放，最多比 start 提前 1.2 秒，且提前的那一段不会进入原声对白；段落首块从 start 开始，上一块超时则顺延到上一块结尾加停顿之后
narration	解说文本
pause_after_ms	段后停顿，默认 250ms
overlaps_speech	是否与原对白重叠；连续铺底窗口通常为 true，真正静音槽才为 false
emotion	整个解说块的 MiMo TTS 情绪/语气标签

4.1 写作规则

1. 先有 narration_job，后有句子：没有明确任务就不写；旁白不是默认音轨。
2. 按连续思路写：旁白拥有一个 beat 时，用一个或少量完整句子完成“前提 → 触发动作 → 变化/意义”，并在一次 TTS 中合成。句号服从口语思路和呼吸，不服从字幕换行；不要固定句数，也不要“一句一停”。
3. 7:3 不是配额：只在素材判断不足时作为避免墙到墙旁白的粗略首稿参考。实际比例服从 audio_owner；强对白、动作声或沉默可以完整拥有一个 beat。
4. 视听接力：旁白若引出原声，块尾要让观众想听；原声结束后的下一块要承接它造成的变化。
5. 按有效语速控量：用 字数 / brief 头部 speech budget 估算朗读秒数，每块再加约 0.45 秒 TTS 首尾静音。brief 里每个窗口标的字数没扣这段静音，2–3 秒的短窗口要比它少写一两个字；装不下时删减或拆分叙事任务，不用加速堆字。
6. 不看图说话：旁白只增加上下文、因果、预期、证据支持的解释或跨越。
7. 人物与证据优先：优先使用已知角色名；关系、动机、潜台词和结果必须指向 visual / ASR / research / user context，且不能把背景资料伪装成当前画面事实。
8. 写给耳朵听：使用具体名词和动词，句子完整、口语可听；避免字幕腔、半句、空泛拔高和破折号。TTS 文本先保证听感连续，字幕再按阅读宽度拆分，不能反过来把朗读稿切碎。
9. 避免模板化纠偏：“不是 A，而是 B”只在确实存在一个观众可能相信、而素材又要纠正的判断时使用。它不是禁句，但不能靠先否定再肯定制造假洞察；优先直接写人物的动作、因果和后果。

4.2 解说结构

• 钩子：提出正文会真实兑现的问题或利害，不用无关留存话术。
• 主线：围绕选定 POV 与主线推进，不在每个场景重新开篇。
• 递进：后续 beat 必须提高风险、改变关系或提供新信息。
• 悬念缺口：只预告之后真的会回收的后果。
• 收尾：回答或有意转化开头问题，留下明确余味。
• 衔接：旁白块与相邻原声属于同一个 beat，前者铺垫、后者呈现、下一块承接。

4.3 原声留白字幕

可选写 original_subtitles.json，使用成片输出时间：

json

[{"start": 15.0, "end": 17.0, "text": "原声台词"}]

只写留白中实际听得到的台词，订正 ASR 错字与人名，每条尽量控制在一行；被旁白盖住或已经剪掉的句子不要写。省略时，合成阶段会使用保守的 ASR 映射兜底，并在成片中用 「」 区分原声对白与旁白。

5. 创作自审

在调用 LLM 评审前做以下反事实检查：

1. 删除每个 beat：若因果、人物、情绪或承诺没有损失，就删除。
2. 比较说话者/动作与倾听者/反应：保留更符合 POV 和情绪的时刻。
3. 静音旁白：画面与原声仍应承载可见行动、人物行为和关键情绪。
4. 只听声音：旁白应形成可听懂的主线，而不是画面字幕。
5. 把旁白换成原声或沉默：若场景自身更有力量，就让出声音所有权。
6. 检查开头问题是否真实，结尾是否回答或转化它。
7. 检查相邻短句能否合成一个连续思路；字幕分行不得成为 TTS 断句理由。

只记录并优先修复 1–3 个回报最高的问题；先改结构，再润色句子。

REVISION 还要逐项确认：用户点名的问题已经改变，未点名的冻结项没有意外变化，相关 style_card.json / visual_audio_board.json 中不存在旧镜头或旧表达。除非用户要求备选版本，不额外扩展新方向。

6. 评审与校验

6.1 建议型语义评审

bash

python3 scripts/review.py --work-dir <work_dir>

评审会自动识别 cut 模式，并在存在已校验剪辑计划时按输出时间线核对；--timeline source 可强制使用原片时间。打开 narration_review.md，逐项处理 error，尤其是 category=hallucination。

重复修改并评审，直到：

• verdict 为 PASS 且没有 error；或
• 对仍保留的问题做明确 override。

覆盖决定追加到 work_dir/narration_review_override.md：

markdown

### 覆盖记录 — <date>
- 问题：segment 4 / category=hallucination
- 评审意见：“他早已知情”缺少画面/对白依据
- 决定：KEEP — 该事实来自用户提供的当前集背景，而非未来剧情
- 签署：<agent/human>

review.py 本身只写报告，默认调用策略为建议型、失败开放；若调用方显式开启严格评审，事实矛盾、残句、解析失败或评审不可用可在 TTS 前阻断。覆盖记录只用于审计，review.py / validate.py 不读取它。

6.2 确定性硬校验

bash

python3 scripts/validate.py --work-dir <work_dir> --mode full
# cut 输出时间线由编排器使用 --mode cut_output

命令写出 narration_lint.json。full 与 cut_output 用同一套声音归属算法（原声对白区间减去安静窗口）回写 overlaps_speech，其余字段原样保留，不截短、不合并、不补标点、不重排。推荐字数按时间窗先扣 0.45 秒 TTS 首尾静音再计算；full 模式下某段字数超过推荐字数的 1.25 倍即报 over_budget error，报告里写明时间窗、budget_chars、limit_chars、actual_chars 和 over_chars：缩短文字或放宽/挪动时间窗，不要指望 TTS 替你缩稿。有 error 时命令以非零退出，逐块列出「段 N」（narration.json 里第 N 块，从 1 数；narration_lint.json 的 index 仍从 0 数）、错误码、关键数字和改法。修复所有 error 后重复运行，直到校验干净，再继续 TTS 与合成。

片名或题材明确但缺少剧情上下文时，先按本技能的 references/research-guide.md 写 background_research.json。若理解素材偏薄，brief 中的数量只能当上限：宁可少写、写实，也不要为凑数复述画面。

7. 能力边界

• 不运行 ASR / VLM，不合成 TTS，不渲染视频；只消费视频理解索引。
• 平台研究仅用于明确的宣发任务；不替代当前片内事实，也不默认改变解说和剪辑。