三分钟英文读书视频生成器

要解决的问题

把一本书浓缩成一条三分钟的英文解说视频，传统做法需要在五个工具之间反复横跳：先手动查资料写文案，再逐句拆分镜，然后找配图、录旁白、对字幕、做合成。每一步的格式约定（时间轴、画面比例、关键词高亮）各不相同，等全部对齐，半天已经过去。这个 Skill 把整条流水线串成一次输入：书名加作者，其余交给 Agent。

它如何工作

整条流水线分五个阶段，前三个阶段由 LLM 完成，后两个阶段由脚本执行：

• Stage 1 解说稿：先用平台的网页搜索工具查到真实书籍信息（简介、解读、出版年份），再按 references/prompts.md 里的 System Prompt 让 LLM 输出约 1000 词、适配三分钟口播（实际 450-650 词）的 JSON 脚本，开头必须有高吸引力钩子。
• Stage 2 分镜：把脚本拆成 8-50 个镜头，每个镜头包含字幕文本、画面描述和供生图用的 desc_promopt；开头自动插入一张 intro 镜头。视觉风格统一约束为扁平插画、线条干净的卡通人物、低饱和浅色背景。
• Stage 3 章节进度条：把脚本切成四个章节，每章标题不超过 6 个单词，例如 ["Introduction", "Core Ideas", "Practical Tips", "Conclusion"]，最终渲染成视频顶部的进度条，当前章节橙色高亮。
• Stage 4 素材生成：并行产出三类资产。插图默认走 WorkBuddy 内置的 ImageGen（腾讯混元），也可以用 IMAGE_API 环境变量切到 Volcano Seedream、Gemini 或免费的 Agnes，统一输出 1024x768 扁平插画，主角上衣色值 #FF7F72、裤子 #243139。配音是双引擎架构：默认火山引擎 TTS（豆包语音 2.0，英文自然度最好），未配置 VOLC_TTS_API_KEY 时自动回落到免费的 edge-tts，两者都会产出词级时间戳，用于 Stage 5 的逐行字幕对齐。封面图由 scripts/generate_cover.py 生成，1920x1080，顶部品牌字、中部书名、底部可选账号水印，字体自动探测系统英文字体。
• Stage 5 合成：scripts/compose_video.py 用 ffmpeg 完成全部后处理——每镜头时长按 TTS 音频时长加间隔计算，图片统一缩放裁切到 1920x1080，镜头间加 0.3 秒淡入淡出；字幕用 ASS 格式，按标点和词数切成单行短句，白色加粗 64pt、黑色描边，关键词橙色高亮（{\c&H727FFF&}），入场带淡入加 20px 上滑动画；BGM（默认 0.15 音量）全程垫底，每三个镜头的边界处触发一次翻页音效。

适用边界与注意点

• 产物是英文视频，脚本、旁白、字幕、生图 Prompt 全部为英文，不适合直接产出中文内容。
• 解说稿依赖网页搜索获取书籍真实信息，冷门书或搜索无结果时，脚本准确性会打折扣。
• 视觉风格被强约束为扁平插画加固定色板，想要写实或自定义画风需要改 Stage 2 的 Prompt 和 Stage 4 的生图参数。
• 字幕精确对齐依赖 TTS 词级时间戳：火山引擎是估算值，edge-tts 是原生 WordBoundary，回落方案的对齐精度反而更高。
• 图片生成按镜头数量逐张调用，50 个镜头的批量任务耗时和 API 额度都要提前评估。