口播视频脚本生成

把一篇深度长文直接读出来，通常不是一段能留住人的口播视频。书面表达的逻辑密度和口语传播的瞬时理解之间存在天然落差：长句让配音换气困难，抽象表述在镜头前失去冲击力，读者扫一眼就能接收的信息，观众需要听完一句才能反应。这个技能要解决的正是这个问题——它不是简单地给长文做摘要，而是按口播的物理规律重组内容，在保留信息量的前提下把语言压进“说出来”的轨道。

平台规格优先

口播脚本不是通用文本，不同平台对时长、节奏、画面比例的要求完全不同。技能内置了四套规格表：抖音口播控制在60-90秒、250-350字，核心指标是完播率；B站知识区允许5-10分钟、1200-2500字，追求三连率；视频号和小红书也各自有不同的字数窗口。如果用户没有指定平台，默认生成抖音版并附赠视频号短版。这份规格表直接决定了后续的语言密度和结构设计。

结构化生成与质量自检

技能的工作流分为四个步骤。第一步是源文解构，从原始长文案中提取可保留的核心素材；第二步确定视频规格，对接 references/platform-specs.md 中的平台参数；第三步按脚本结构模板生成完整内容，包含开场Hook、信息段落、金句和CTA；第四步是质量自检，对照检查项逐条验证：前3秒是否有明确钩子、每15秒是否至少一个信息点、单句是否控制在18字以内、是否有足够的情绪起伏。自检报告会附在脚本末尾，方便用户做针对性调整。

可选的视频渲染

对于需要直接产出MP4的场景，技能提供了基于Manim的白板动画渲染。它会从脚本中的视觉指令自动推断场景类型——开场用标题大字、核心观点用手写浮现、数据对比用动态柱状图，然后用edge-tts生成自然配音，再用FFmpeg合成最终视频。参数如 --platform 和 --voice 可以控制目标平台和语音风格，渲染质量默认为 l。

适用边界

这个技能的强项在于结构化长文转口播，但它不是万能的。它不负责选题判断、不生成图像素材库、不提供真人出镜指导。白板动画的视觉风格是统一的简笔风，如果你需要实拍或更复杂的动效，它只适合作为脚本层工具。另外，口播脚本本质上是对原文的再创作，信息取舍和观点倾向仍然需要人来做最终判断。