技能介绍

把一本书做成「开口说话」的短视频，难点不在创意，而在风格一致性。扣子里的《假如书籍会说话》工作流依赖图像生成、TTS、抠图、画板等平台插件，换一个运行环境就很难复现。这个技能把这条链路改成可本地执行的流程：用 ffmpeg 做合成，用平台图像 API 出图，TTS 默认走 edge-tts、可选火山引擎，抠图用 rembg（失败时回退 PIL），画板背景由 generate_background.py 生成，整体对齐原工作流的 7 项视觉与听觉规格。

核心能力与工作流

阶段 1-3 产出文案与分镜：先联网搜索书名和作者的真实信息，再生成第一人称自述稿（开篇为「你好，我是《书名》」，约 700-1000 字），拆成 8-50 个分镜，并切出 4 个情感板块标题给顶部进度条。
阶段 4 并行生成素材：封面图（活力橙 #FF7F72 + 深蓝主题，1920x1080）、扁平卡通分镜插图（1024x768，主角上衣 #FF7F72、裤子 #243139）、每个分镜的 TTS 配音与词级时间戳，再用 cutout.py 得到透明前景。
阶段 5 合成：compose_video.py 用 ffmpeg 把图片和音频拼成片段，画板背景叠加抠图前景并加 Ken Burns 与进度条，生成 ASS 字幕（入场飞入/放大/淡入交替、出场淡出、关键词橙色高亮），混合 BGM（20% 音量）、每 3 个分镜边界插入翻页音效，响度归一化到 -16 LUFS，输出 output/{book_name}_假如书籍会说话.mp4。

适用边界与注意点

适合故事性强、有明确主角与情感起伏的书；教材、工具书或信息密度过高的资料，第一人称自述反而显得牵强。文案准确性依赖阶段 1 的搜索结果，搜不到可靠信息时需要人工补充。

字幕同步上，edge-tts 的 WordBoundary 更精确；火山引擎 TTS 2.0 不做词级时间戳，脚本按音频时长均匀估算，误差可用但不完美。rembg 首次运行要下载约 170MB 的 U2Net 模型，装不上时会自动退回 PIL 亮度阈值法，更适合浅色背景的扁平卡通图。合成链路需要系统有中文字体（微软雅黑 / PingFang SC / Noto Sans CJK）。assets/ 里的 BGM 与转场音效不随包分发，不下载也能出片，只是没有背景音；也可以在 segments.json 里换成自己的 mp3。整个流程跑的是 Python 脚本加 ffmpeg，不再是扣子节点，因此在 WorkBuddy、OpenClaw、Codex CLI、TRAE Work 上都可执行。