name: video-creator description: 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：

{
  "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

发现更多技能插件，请访问7w4.net。

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：

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：

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

2. 字幕选择（关键参数，必须确认）

3. 图片素材

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：

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

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：
4. 上传照片到阿里百炼系统临时文件存储，获取临时 URL (oss://)
5. 上传 TTS 音频，获取临时 URL (oss://)
6. 根据 --portrait-quality 调用模型：
   • standard (默认)：resolution=480P
   • high：resolution=720P
7. 提交任务后，每 5 秒轮询一次任务状态，最长等待 300s
8. 任务成功后下载视频并用作第一段
9. 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）

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）

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

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）

{
  "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：

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：

/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：

/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

### 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。

---

## 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：

/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

/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

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

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。

这个视频生成 Skill 质量中等偏上。优点是使用流程清晰明了，提供了常见场景的完整示例，错误提示详细贴心，充值和账户问题都有明确指引，新手也能快速上手。不足是文档存在一些重复内容和逻辑小瑕疵，整体阅读体验还有提升空间。作为用户，如果需要生成产品讲解、首尾帧过渡等视频，基本可以直接使用，但建议仔细阅读示例部分以获得最佳效果。