技能介绍

解决的问题

做抖音口播短视频时，真正卡住人的往往不是剪辑本身，而是从选题、笔记或文章到可发布视频之间的素材链：口播文案的钩子不够强、9:16 配图风格不一致、TTS 音频格式与 Remotion 不兼容、字幕时间轴缺失、渲染参数散落各处。手工拼接这些材料时，很容易在“文案能读、画面能看、音频能播、字幕能对齐”之间反复返工。

工作流

该技能把输入收敛为 input/videos.json，再按固定本地 pipeline 输出 renders/{name}.mp4：

口播文案先行：读取 Obsidian 路径、文章 URL 或纯文本，生成 45-90 秒、6-8 段 script，要求 hook 开头、单段单点、cta 收尾，避免“大家好今天聊聊”这类低信息量开场。
场景化视觉编排：为每个 scene 写入 kind、accent、detail，让 hook、core、compare、data、cta 分别使用不同字号、布局与强调方式，而不是只换一张背景图。
本地渲染链路：依赖 Node.js、Remotion 4.x、Chrome Headless Shell、say 或 MiniMax API，把图片、.m4a 音频和字幕时间轴写入 manifest，再渲染成 MP4。

边界与注意

它更适合能运行本地 Node/Remotion 环境的工程师，不适合希望完全云端生成、零环境配置的出片流程。使用时要关注三个点：图片生成尽量并行，避免串行超时；TTS 输出必须转为 .m4a，否则 Remotion 可能拒绝 AIFF 格式；当 TTS 未返回字幕时，技能会基于 narrationText 分句并按字符比例估算 startMs / endMs。