手绘科普视频

要解决的问题

做一支手绘白板科普视频，传统路径要把人按在桌前好几天：先写分镜脚本，再逐帧描线稿，然后让线条"被画出来"，最后压上旁白并把时间轴逐条对齐。任何一个环节改动，都要重来一遍。结果是这类视频要么不做，要么做成模板化。

另一类常见需求更具体：手里已经有一份 SRT 字幕，内容没问题，只是想换成白板手绘的观感，而不是重新写文案。

这个技能做了什么

输入只有一个主题（如"空城计""光合作用"），其余参数全部有默认值，可以逐项覆盖：

• 文案：默认由模型撰写 200–250 字，对应 40–50 秒，首尾相接无空挡
• 时长 / 分幕：默认 47 秒、3 幕，每幕一张线稿配一段旁白
• 尺寸：1280×720 横版，线稿生图固定 1216×832
• 音色：默认 zh-CN-YunjianNeural 男声叙事
• 版式：暖纸张 + 左侧标题要点 + 右侧插画，另有纯白底简版

关键设计是生成前的确认门：参数收集完会复述一遍并等待肯定答复，未确认不生图、不渲染，避免返工。

确认后走八步管线：写 SRT → 串行生成三幕线稿 → 写每幕 annotation.json → render_stream_whiteboard.py 逐幕渲染笔迹与上色 → merge_scenes.py 逐帧合并 → composite.py 叠纸张背景与文字栏 → add_voiceover.py 配音 → mux.py 封装。配音对不上时，--rewrite-srt 可按实测 TTS 时长自动重排时间码。

边界与踩过的坑

• 只有横版。竖屏需改 composite.py 布局，当前不支持。
• ImageGen 必须逐条串行，同一条消息并行发多个会互相覆盖，只剩最后一个。
• annotation.json 的 region 用画布像素坐标，写成归一化值会退化成 0×0 区域，上色段不写帧、成片时长缩水。
• 合并多幕用 merge_scenes.py 逐帧拼接，不要用 PyAV packet 拷贝；Windows 上别用 OpenCV mp4v 写长视频，会产出 moov atom 缺失的文件且不报错。
• 多主体场景里扩散模型对配角的空间控制弱，配角容易被压成装饰；提示词只能部分缓解，根治要配角单独生图再合成。
• 配音总时长取 SRT 末条 + 0.5s，不要硬编码固定秒数。

该技能由 AI杜老师基于 geeklee/srt-whiteboard-animation 渲染引擎改造封装（MIT 许可）。