一庭草木自愈视频流水线

解决什么实际问题

植物科普短视频的批量生产常卡在两个环节：多模态生成的不稳定性与后期对齐的脆弱性。直接调用图像模型生成 8 张配图时，一次网络抖动或提示词失效就可能让整期任务归零；atempo 变速计算方向写反、TTS 服务返回 500，或宿主环境中途断电，都会让几十分钟的流水线功亏一篑。此外，LLM 转录字幕与音频时长错位、拼接后帧率偏移导致音画不同步，也是后期处理的高频痛点。

流水线如何工作

这套技能将复杂任务拆解为状态机驱动的 11 个步骤，核心策略是不假设任何环节必定成功，每个阶段都预设了兜底或断点续传机制。

• 图像生成安全网：通过 scripts/gen_images.sh 替代直调模型。脚本内置单图 3 次重试与 >10KB 跳过逻辑，单张失败不会波及整批，同时以明确退出码告知上层错误类型。
• 状态与续传：任务进度记录在 references/_state.json 中。执行 make_video.py --resume 时，脚本会扫描产物与状态记录，自动从首个未完成的步骤恢复。
• 视频合成约束：合成阶段强制使用 filter_complex concat 而非 concat demuxer，避免因容器级拼接引入的帧率漂移，确保 8 个镜头切换时音画严格对齐。
• 产物验证闭环：流程末尾生成 verify_report.json，自动校验必需文件是否齐全、视频与音频时长差值是否在 1s 容差内，以及字幕总字数是否与 voice.txt 吻合。

适用边界与注意点

该流水线是一套面向确定性产出的工程方案，不适合需要即兴发挥的随机创作场景。

• 文案约束严格：口播稿须控制在 125-145 字，必须以固定句式结尾，且禁止携带 SSML 标签或镜头指示。
• 字幕对齐成本：零缝隙拼接要求字幕切分极其精确，若 LLM 返回的字幕结构与音频边界对不上，需人工介入修正。
• 兜底逻辑的取舍：面对时长超限时，系统优先采用强行 atempo 链式变速（±30% 容差）而非重新生成，极端场景下可能导致语速失真，需要留意最终听感。