竖屏科普动效视频生成器（含过程文件沉淀）

要解决什么问题

科普内容往往先有「选题、分镜、口播」的草稿，但真正要发到抖音或视频号，还要对齐竖屏版式、配音时长、字幕与时间轴，并留一份能复核、能二次剪辑的交付物。手工在剪辑软件里对齐每一幕的旁白与动效，成本高，且版式一旦定稿，批量产出时很容易各集风格漂移。

技能如何工作

本技能把输入整理成 scenes spec（JSON）（也可由 references/spec_format.md 的 markdown 变体转换），再按固定 5 步 pipeline 跑通：

• Step 1 配音：用本机 IndexTTS2（Hai 预设）逐幕生成音频，产出 narration.wav、timeline.json、audio_manifest.json；文本与音频不出本机。
• Step 2 视频源：用 HyperFrames（HTML + CSS + GSAP）按既定设计规格生成 index.html 与 hyperframes.json；不依赖 TTS 是否已跑，只改版式时可单独重跑。
• Step 3 过程文件：生成 script.txt（逐幕时间轴 + 卡片 + 旁白）与 douyin-copy.md（标题、正文、话题标签）。
• Step 4 渲染、Step 5 QC：经 render.sh 串联；仅当 publish_ready: true 才视为可发布。

成片规格在 SKILL 里是硬约束：1080×1920、30fps、顶部进度条、固定排版层级（kicker / 主标题 / 玻璃拟态卡片与 3D 翻转入场、底部单行字幕等），场景配色按序号轮询 5 套；切换为干净切幕（display 切换），明确禁止遮罩擦除、右上角页码和预览控件。

适用边界与注意点

• 单幕旁白建议 ≤ 70 字（约 15s），整条 5～7 幕体验最佳；中文 TTS 约 4.5 字/秒，过长会导致节奏拖沓。
• 依赖本机 IndexTTS2 实例与 Node 22 + hyperframes、ffmpeg；首次拉起 WebUI 可能需 1～2 分钟。
• 实现里有两个已验证坑：标题居中需用 GSAP xPercent:-50 配合 left:50%，避免 transform 覆盖 translateX(-50%)；场景切换必须在每幕 start 时显式 display:flex/none，不能只删遮罩转场逻辑。