心理学火柴人视频生成

要解决的问题

心理学知识类短视频的麻烦通常不是选题，而是风格不稳定。一支 60–90 秒的片子要拆成 8–15 个分镜，每帧配一张风格统一的黑白火柴人插图、一句配音和一条字幕，再手动对齐时间轴。只要有一帧出现阴影、彩色或偏写实的线条，整片观感就破了。

这套链路原本来自 Coze 的 X74 工作流。该技能把它拆成纯 Python 脚本 + 标准 HTTP 接口 + ffmpeg，可在任意能跑 Python 和 ffmpeg 的 agent 中复用。

它如何工作

输入只要 title、left_top / right_top 角标、image_engine（默认 seedream），流程固定 7 步：

1. 文案与分镜：原样提交 references/prompts.md 中标记 ①② 的提示词，依次产出逐句文案和分镜描述。
2. 出图：逐帧调用图像引擎，提示词必须套用 references/image_style.md 模板；除 imagegen 外脚本会自动叠上左右角标。
3. 配音：generate_voiceover.py 按每帧 cap 生成 audio/01.mp3……默认走豆包语音 seed-tts-2.0，失败自动回退 edge-tts。
4. 时间线：build_draft.py 把 storyboard.json 组装成 project.json，字幕按 ，。！ 切分并均分时长。
5. 渲染：render_video.py 输出 _火柴人.mp4（1920×1080 / 30fps / H.264），分镜间叠化转场，底部烧录 ASS 字幕。节奏由真实配音时长驱动，每帧时长取「语音时长 + 转场重叠 + 停顿」与最小分镜时长的较大值，避免空档或错位。

project.json 是整条链路的真相源，之后手动导入剪映也照着它来。

适用边界与注意点

• 分镜别贪多：建议 8–15 个，但原工作流循环只跑 10 轮，超过 10 个会丢帧。
• 两段提示词不要改写，它们决定内容质量与风格统一。
• 风格是硬约束：仅黑白、clean lines、high contrast、极简、无阴影无彩色。
• TTS Key 与图像 Key 分开（tts_key vs api_key）；seed-tts-2.0 只能用 _uranus_bigtts 结尾的 2.0 音色，用 1.0 的 zh_female_doubao 会报 resource ID is mismatched。
• imagegen 是例外：走环境内置工具而非 HTTP，generate_images.py 不支持，需单独出图再跑 add_watermark.py 补角标。
• 剪映草稿是实验性的，--capcut 产物与客户端版本强绑定，失败就回落手动导入。