古籍成片

为什么需要它

把《菜根谭》《论语》这类古文做成视频，麻烦通常集中在两件事：怎么拆和怎么对齐。

古文没有现代标点，段落长短不一；像《三字经》《千字文》是韵文，按行硬切会把意思切碎。另一边，画面、旁白、字幕若分头制作，很容易出现镜头换了、字幕还没走的错位。

古籍视频化 把这套流程固定下来：按文意切分片段，逐段产出画面与语音，最后用统一的配置驱动合成，减少手工拼接。

它如何工作

文本解析与切分
技能不搞一刀切：格言类按独立句读切，对话体按完整问答切，韵文按联或四句一组聚合。每段通常控制在 10-50 字，保证一个片段表达完整意思。

产出四份数据：original（原文）、translation（白话翻译）、visual_prompt（画面提示词）、narration_text（旁白文案），供后续步骤直接消费。

视觉与音频生成
画面统一走中国水墨画风格：低饱和配色、大量留白、16:9 构图。多段提示词并行生成，再按 scene_01.png、scene_02.png 这类序列命名落盘。

旁白默认使用 zh-CN-YunxiNeural，语气偏沉稳；也可以在 zh-CN-YunyangNeural 间切换增加层次感。音频与图片尽量并行生成，名称与场景一一对应。

合成与输出
scripts/video_composer.py 读取一份 JSON 配置，自动从音频时长推算每幕长度，套用缓慢的 Ken Burns 推拉镜头，叠加双层字幕（原文在上、译文在下），加入淡入淡出转场和片头卡片，最后输出 MP4。前提是系统里装了 ffmpeg。

适用边界与注意点

• 它不是万能字幕机：单幕建议控制在 5-15 秒，太长就要回头检查切分是否合理。
• 配音走的是 edge-tts，首次使用需要确认依赖已就绪。
• 文风可定制（如工笔、剪纸、现代插画），但要接受整片视觉统一，不能每幕风格跳变。
• 背景音乐为可选需求；不提出就不强加。
• 遇到不识别的文本，技能会先请求补充原文，而不是强行生成。