AIM 数字人视频生成器

解决的问题

当用户已有一个人物图片，希望它按指定音频或文案“开口说话”时，通常要处理 TTS、base64 上传、网关提交、轮询状态和密钥位置等多个步骤。这个 skill 把这些操作收敛成一条可复现流程：输入图片与音频/文案，输出可直接使用的视频链接。

核心工作流

• 输入：人物图片本地路径；音频三选一：现成 --audio-path、文案加语音样本 --text / --voice-sample / --voice-sample-text、文案加预设语音 --voice-preset。
• 生成：若提供文案，先通过 AEP 网关做 TTS；随后读取图片和音频，转 base64，提交 /video2，服务端返回 TOS 公开 URL。
• 轮询：用 ffprobe 读取音频时长，按阶段调整 HTTP HEAD 轮询频率，减少无效请求。

边界与注意

• 密钥只写入 skill 根目录 .env，键名为 aim-secret-key；未配置时需先完成自检。
• 单次轮询默认 60 分钟超时，超时不代表失败，后续由 .task-history.jsonl 回扫确认。
• 动作描述 prompt 不主动暴露；默认无音频且无指定语音时使用“中文女”预设。