火15 AI 带货视频生成 Skill v2

产品图 + 剧本 → 带配音、背景音乐、字幕的第一人称带货短视频。 内置 8 套人设模板，一句话指定品类即可自动选模板。

⚠️ 安全规则

1. 每次生成前必须告知用户预估费用（Seedance 视频部分；TTS edge-tts 免费、火山 TTS 单字 ≤¥0.0006）
2. 用户确认后才可提交任务
3. 单次最大时长 15 秒，默认按配音时长自动决定
4. 优先使用最省 Token 的配置

一、能力总览

二、文件结构

huo15-influencer-video-skill/
├── SKILL.md                           # 本文档
├── _meta.json
├── scripts/
│   ├── templates.py                   # 8 套人设模板配置
│   ├── tts.py                         # 配音引擎（edge-tts + 火山）
│   ├── bgm.py                         # BGM 库 + 混音 + 视频/音频合并
│   └── pipeline.py                    # 端到端 pipeline（推荐入口）
└── examples/
    ├── script_traditional_lady.json
    ├── script_fashion_host.json
    └── script_auto_template.json

三、依赖与凭证

# 必需
brew install ffmpeg
pip install edge-tts requests

# 视频生成
export ARK_API_KEY=ak-xxxxx                # 方舟控制台获取

# 可选：火山 TTS（不设则降级到 edge-tts，免费但音质稍弱）
export VOLC_TTS_APP_ID=xxxxx
export VOLC_TTS_TOKEN=xxxxx
export VOLC_TTS_CLUSTER=volcano_tts

# 可选：BGM 库目录（默认 ~/Music/huo15-bgm/）
export HUO15_BGM_DIR=~/Music/huo15-bgm

BGM 文件准备（一次性）

把 5 个免版税音乐放到 ~/Music/huo15-bgm/（缺哪个跳过哪个，不影响视频生成）：

下载渠道：Pixabay Music（CC0）、Freesound、Incompetech（注明出处）。

四、8 套预设模板

自动选模板

{ "template": "auto", "category": "蛋白粉", ... }

→ 命中 fitness_coach。无匹配回退 traditional_lady。

五、剧本格式

{
  "template": "traditional_lady",
  "image": "/path/to/product.jpg",
  "lines": [
    {"text": "姐妹们，今天给大家推一款好东西", "action": "举起产品给镜头"},
    {"text": "古法配方，纯手工制作",            "action": "微笑展示产品细节"},
    {"text": "用过的姐妹都说好",                "action": "点头肯定"}
  ],
  "bgm": "warm",
  "bgm_volume": 0.18,
  "subtitle": true,
  "voice_override": null,
  "rate_override": null,
  "output": "/tmp/huo15/final.mp4"
}

台词长度上限

整段配音必须 ≤ 14.5 秒（Seedance 单次最长 15s）。中文约 50~70 字。 超长会抛错并提示精简，不强行截断。

六、调用方式

6.1 命令行（最直接）

cd huo15-influencer-video-skill

# 自检 — 第一次跑先做这一步
python3 scripts/pipeline.py preflight

# 列出 8 套人设模板 / 8 个推荐音色
python3 scripts/pipeline.py templates
python3 scripts/pipeline.py voices

# dry-run — 只跑 TTS + 字幕，不调 Seedance（省 ¥）
# 用于先验证剧本节奏、TTS 音色、字幕断句
python3 scripts/pipeline.py dry-run examples/script_traditional_lady.json

# 完整端到端
python3 scripts/pipeline.py render examples/script_traditional_lady.json

6.2 Python 调用

import sys, json
sys.path.insert(0, "scripts")
from pipeline import render

result = render({
    "template": "auto",
    "category": "蛋白粉",
    "image": "/path/to/protein.jpg",
    "lines": [
        {"text": "兄弟们练完这一组",   "action": "拿起产品"},
        {"text": "蛋白吸收率高得离谱", "action": "展示成分"},
    ],
    "subtitle": True,
})
print(result)
# {'output': '/tmp/huo15_video/final.mp4', 'template': 'fitness_coach',
#  'voice_duration': 6.2, 'video_duration': 8, 'tokens': 172800,
#  'cost_yuan': 7.95, 'size_mb': 3.1}

6.3 仅生成无声视频（兼容 v1 用法）

需要老接口的话，从 pipeline._generate_silent_video 直接调，跳过 TTS/BGM。

6.4 Dry-run（强烈建议先跑）

result = render(script, dry_run=True)
# 返回：voice_path / srt_path / tokens 预估 / cost_yuan / prompt
# 不调 Seedance，不计费；TTS 是免费的

用途：调剧本节奏、试音色、看字幕断行 —— 全部确认满意再跑 render(dry_run=False)。 Agent 应该在用户首次给剧本时默认先做 dry-run，把生成的 voice.mp3 路径告诉用户试听。

七、Agent 工作流

当用户说"用这张图按这个剧本拍带货视频"时，按下面的步骤走：

1. 收集要素
   • 产品图路径
   • 剧本（多句台词）；如未给可主动起草
   • 品类关键词（用于自动选模板）
2. 选模板
   • 用户没明说就调 templates.suggest_template(category)
   • 给用户看一眼"我准备用 XX 模板（XX 角色 + XX 音色 + XX BGM）"
3. 预算确认
   • 算配音预估时长（80字 ≈ 9~10s）
   • 算视频费用（estimate_cost），告知用户
4. 执行
   • render(script) 端到端
5. 交付
   • 文件路径、实际时长、Seedance tokens、¥ 费用

对话示例

用户: 用 product.jpg 拍个卖蛋白粉的，3 句台词，自己想词
Agent: 我帮您起草剧本，按健身教练模板（云皓男声 + energetic BGM）：
        1) 兄弟们，练完这一组
        2) 蛋白吸收率高得离谱
        3) 练大一年，从这罐开始
       预估视频时长 8s ≈ ¥7.95，配音免费。确认生成？
用户: 行
Agent: [render] → /tmp/huo15/protein.mp4 (3.1MB)，实际 ¥7.95

八、Seedance API 速查（保留 v1）

content 中的 role：

九、混音参数（bgm.py）

voice 主轨 ──┐
              ├─ amix(duration=first) ─ afade(out, 0.5s) ─→ mixed.mp3
BGM 副轨 ────┘    （BGM aloop 到与 voice 等长，volume=bgm_volume）

• bgm_volume 默认 0.18~0.25。模板已按角色调过，一般不用改。
• voice_volume 默认 1.0；想突出 BGM 可降到 0.85。
• 末尾统一 0.5 秒淡出，避免硬切。

成片合成：mux_video_audio(silent.mp4, mixed.mp3, final.mp4) — -c:v copy -c:a aac -shortest，无视频重编码，秒出。

十、字幕（pipeline._build_srt + _burn_subtitles）

• 按每行台词字数比例切时间轴生成 SRT
• 用 ffmpeg subtitles 滤镜烧录到视频
• 默认字体 PingFang SC、字号 14、白字黑边、底部 80px
• 想关字幕：剧本里 "subtitle": false

字体不可用时报 Fontconfig error，换 font: "Heiti SC" 或装 brew install --cask font-noto-sans-cjk-sc。

十一、降级策略（哪步失败也别全废）

十二、常见问题

Q: 配音不准 / 多音字读错怎么办？

A: 在 lines.text 里用谐音字。edge-tts 不支持 SSML phoneme tag。

Q: BGM 太响盖过人声？

A: 剧本里 "bgm_volume": 0.12 进一步压低，或换 soft.mp3。

Q: 想纯人声没 BGM？

A: 剧本里 "bgm": null。

Q: 想要长视频（>15 秒）？

A: 当前版本不支持。建议拆段：每段 ≤15s 单独生成，再用 ffmpeg concat 拼接。

Q: 视频画面和剧本对不上？

A: 把第一句的 action 写得更具体（"举起产品贴近镜头"比"展示"准）。 剧本中段的 action 仅用于字幕节奏参考，不会写进 Seedance prompt。

Q: 想保留 v1 的纯视频生成？

A: 直接调 pipeline._generate_silent_video(image, prompt, duration, output)。

十三、版本历史

• v2.0.0（2026-04-27）— 剧本驱动 + 配音 + BGM + 字幕 + 8 套模板 + dry-run + preflight
• v1.2.x — 单一传统女模板 + 无声视频