商品视频工作室

解决的问题

当你手上有商品主图、精炼的卖点文案，且目标是为电商或社交媒体（尤其是竖屏短视频平台）快速生成一段可直接发布的「商品口播视频」时，传统的视频剪辑与口播配音流程耗时且需要专业技能。本技能旨在将这一过程自动化，输入一张静态商品图和一段文案，即可输出一条包含语音旁白、画面动态、时长约 12 秒的竖屏视频。

核心能力与工作流

该技能整合了图像处理、语音合成与视频生成的 AI 能力，其核心流水线如下：

1. 图像准备与转化：

首先检查输入商品图的格式与规格。
使用 beatra.images.transform 将图片转化为符合竖屏比例（9:16）的首帧。如果原图已是干净竖图，则直接使用。

1. 语音合成：

根据商品的可见特征和商家提供的可溯源卖点，生成约 12 秒的口播文案。
通过 beatra.voices.list 选择适合的声音风格，并使用 beatra.speech.synthesize 合成口播音频，获取真实时长与 MIME 类型。

1. 视频生成与交付：

将准备好的首帧和口播音频，作为输入提交给视频生成模型（如 beatra.videos.animate）。
系统会严格区分“付费生成”与“非付费准备”阶段，并提供明确的费用估算。
* 最终交付的是解析后的视频文件，包含返回的尺寸、时长与计费信息。

适用边界与关键注意点

• 适用场景：严格适用于“商品为画面主体 + 需要口播 + 交付物是视频”的情况。
• 相邻路线分流：

仅需商品动态效果（无人声）→ 应使用「图片转动态」技能。
真人/数字人讲解商品 → 应使用「数字人口播」技能。
仅需优化商品静态图 → 应使用「商品图」技能。
仅需生成口播音频 → 应使用「配音」技能。

• 信息依赖：视频文案可基于商品可见的形状、颜色、表面和使用场景撰写。但材质、规格、认证、价格、保修和促销等事实性信息，必须由商家提供；若缺失，文案将使用不依赖这些信息的表达。
• 付费与确认：技能设计包含多次付费调用，且关键参数（如画幅）在首次付费后修改代价高昂。流程要求在关键节点（准备完成、视频生成前）进行严格确认，并确保账户余额充足。