技能介绍

要解决的问题

很多团队要做产品介绍视频，但逐帧让大模型生成画面成本高、时长难控。这套技能改走可控合成路线：你提供文案脚本和图片素材，它用 TTS 配音、按段落切图，再加字幕，产出 1080p MP4，适合更新节奏快、预算有限的 Demo、路演和电商详情页。

核心能力与关键步骤

输入规范：核心输入是 script script.txt，每段对应一张图片的旁白；首段若以 口播: 或 【口播】 开头，则触发口播模式，需要额外提供 portrait host.jpg 主持人正面照。图片素材建议 16:9 或 9:16，格式 JPG/PNG；若图片数与文案段落数不匹配，会直接报错并提示调整。
素材与配音：无图片时会尝试用 wan2.7-image 生成统一风格配图；没有 DASHSCOPEAPIKEY 则降级用 Pillow 画深蓝底金字占位图，保证流程不断。声音支持 edge-tts 男女声，也可通过 clone-audio-url 或 clone-audio-file 复刻“我的声音”，优先走 SkillController 代理，鉴权只存平台 API Key。
参数映射与询问：--voice、--subtitle、--portrait-quality 等参数会按用户选择映射到 scripts/generate_video.py。参数不明确时，按优先级询问：先确认声音，再必须确认字幕是 soft（可开关）还是 hard（烧录进画面），最后核对图片素材和口播照片，避免生成后返工。
口播与降级策略：口播模式统一使用 wan2.7-i2v-2026-04-25，上传照片与 TTS 音频到 OSS，standard 为 480P、high 为 720P，每 5 秒轮询任务状态，最长等待 300 秒。若音频超过 15 秒、生成超时或 API 失败，自动降级为 ffmpeg 真人照片图片视频并记录警告，保证交付不中断。
输出结果：最终输出 output/product_video.mp4，同时生成独立 product_video.srt 和分段 audio/segment_001.mp3 等中间产物，方便二次剪辑。

适用边界与注意点

它不是 Sora 式文生视频，真人口播只覆盖首段，其余仍是图片+配音+字幕合成；口播画面由照片驱动，不适合需要复杂动作或多场景调度的内容。
无素材模式可用 WorkBuddy 场景描述替代图片，但本质仍是合成，不会凭空生成复杂运镜。
没有 DASHSCOPEAPIKEY 时，图片和口播质量会明显降级；若公司对出镜人像有合规要求，需先确认 OSS 上传与 SkillController 代理策略。
图片比例建议 16:9 或 9:16，否则会被转换或裁剪；不支持格式会自动转 PNG 后继续，但转换可能影响清晰度。
依赖 ffmpeg、edge-tts 和 Python Pillow，建议使用系统 Python /usr/local/bin/python3，托管环境可能出现签名冲突。