视频自动生成专家

解决什么问题

把静态文稿转成视频时，排版、配音、字幕和音画同步是四道独立工序，手工拼接极易在画面切换处出现声音先到、画面慢半拍的问题。该技能面向“按空行分段的中文文稿”这一窄输入，自动化完成口语化改写、幻灯片生成、配音与混流，最终产出 1080p MP4。

核心能力与工作流程

• 文案改写：将书面语转为口语，自动合并过短段落（阈值 MIN_PARA_LEN）。
• 幻灯片布局：内置 8 种布局，包括封面、结尾、金句、对比、数据、流程、图标网格与图标卡。
• 配音：使用 edge-tts 的 zh-CN-YunxiNeural 音色，语速提升 20%，并通过 mutagen 实测句间停顿（默认 250ms）写入时间轴。
• 录制与混流：Playwright 无头浏览器按 scene_id 聚合渲染画面，ffmpeg 混音并烧录字幕（微软雅黑 18pt 白字黑描边）。
• 音画同步机制：画面提前 300ms 准备（LEAD_MS），录制起点写入 adelay_ms.txt 动态补偿加载开销，总录制时长与旁白时长严格守恒（误差 <0.1s）。
• 帧率升级：25fps 版本通过帧重复升至 30fps，避免 minterpolate 带来的性能损耗。

适用边界与注意点

• TTS 依赖网络，edge-tts 异常时会硬失败以防止音画永久偏移，可用 TTS_SOFT_FAIL=1 软跳过。
• 生成 30fps 成品依赖 adelay_ms.txt，混音延迟不对时可删除该文件回退 500ms 基准。
• 输入文稿须为 UTF-8 无 BOM 编码，否则字幕可能乱码。
• 主题选择为交互式，非交互环境需确保默认主题可直接回车通过。