首页 发现 帮助
登录
zhengqi
/
yhm-ai-video-duoduo
0
0
派生 0
文件 工单管理 0 合并请求 0 Wiki
目录树: 2f54b7b699
分支列表 标签列表
yhm-ai-video-du...
/
SKILL.md

SKILL.md 17 KB
文件历史 原始文件

name: beauty-talk-science-video-script description: 生成「美业口播科普视频脚本」并直出视频的通用技能。面向阿里云百炼 wan3（万相3.0）文生/参考生视频，把选题/人设/画幅/时长/场景/服装/造型/画质/穿插/字幕/配乐等元素参数化；人物五视角图、制服细节图、立体LOGO、音色四项固定素材来自技能素材包（assets/brand/）或公网URL（config.brand_assets）并锁定作生成输入；据其生成人物完整形象照、门店内景(含LOGO)、插画供用户确认，确认后的物料作为参考图提交 wan3；口播转为口语化；整段视频一个片段、≤30秒；确认后调用 scripts/generate_video.py 提交 wan3 异步任务、轮询、下载本地；修改即整段重发（不支持二次创作）。

agent_created: true

美业口播科普视频脚本生成技能（百炼 wan3 直出版）

Overview

面向阿里云百炼 · 万相 3.0（wan3.0-video），把"美业口播科普短视频"从零散需求沉淀为一份带固定素材、可直接调用 wan3 生成视频的结构化脚本。核心约束来自用户硬性要求：

  1. 人物必须用指定的（素材包 assets/brand/character_5view.* 或公网 URL config.brand_assets.character_5view.url）人物五视角图（固定锁定）。
  2. 制服必须参考指定的（素材包或 URL）制服细节图（可换款式/颜色，胸牌绝对不变）。
  3. 门店内景前台或某场景必须有指定的（素材包或 URL）怡呵美立体 LOGO（合成进参考图）。
  4. 音色必须用指定的（素材包或 URL）音色文件作 reference_audio。
  5. 口播文案由用户内容转换为口语化适合口播的文案。
  6. 整段视频一个片段、≤30 秒；超 30 秒则反馈用户精简、循环直到满足。
  7. 确认后调用 百炼 wan3 API 发起生成、轮询完成、存储本地、给用户确认。
  8. 不支持二次创作：每次修改都重新组装完整脚本重发 wan3（不用编辑/延长模式）。

跨团队复用说明

  • 技能品牌/人设/视频工具三层解耦：可变项参数化在 references/elements.md；固定品牌素材放在 assets/brand/（本地兜底）或 scripts/config.json 的 brand_assets 段（公网 URL，推荐）；视频工具锁定百炼 wan3，工程要点全在 references/wan3-workflow.md。
  • 分发：本技能为「暨北内部 - 朵朵」专用锁定版，OSS 素材 URL、百炼 base_url、workspace_id 均已固定在 scripts/config.json；其他同事把 git 仓库 clone 到 ~/.workbuddy/skills/beauty-talk-science-video-duoduo/（个人级）或项目 .workbuddy/skills/（团队级），复制 .env.example 为 .env 填入自己的 DASHSCOPE_API_KEY 即可启用，无需改任何配置。详见 docs/暨北内部-朵朵口播视频专用技能.md。

凭证准备（首次运行前必做）

百炼 wan3 视频生成需要 北京地域的 DashScope / 百炼 API Key（以 sk- 开头）。你之前看到的 sk-xxx 只是占位符，必须替换成在控制台创建的真实 Key。操作如下：

  1. 获取真实 Key：登录阿里云百炼控制台（Model Studio 或 DashScope 控制台）→ 右上角头像 → API Key 管理 / API-KEY → 切换地域到 北京（cn-beijing） → 创建 API Key（权限选"全部"，归属工作空间默认）→ 复制 sk- 开头的串（只显示一次，立即保存）。
    • ⚠️ 每个地域的 Key 独立、不能跨地域使用；你的工作空间在 cn-beijing，必须创建北京地域的 Key，否则调用直接失败。
  2. 填入 Key（脚本自动识别，二选一）：
    • 方式 A（单次，推荐调试）：运行生成脚本的命令前加前缀，例如 DASHSCOPE_API_KEY=sk-真实key python scripts/generate_video.py ...（仅本次进程生效，适合 WorkBuddy 终端环境）。
    • 方式 B（持久）：复制 scripts/.env.example 为 scripts/.env，写入一行 DASHSCOPE_API_KEY=sk-真实key；脚本优先读环境变量、其次读 .env。
    • ⚠️ .env 含密钥，严禁提交 git 或随技能 zip 分发；重新打包技能前请删除本地 .env。
  3. 确认地域一致：config.json 的 region=cn-beijing 与 Key 地域必须一致，workspace_id=gxuwdo0w0g13zbax 已填好。

何时使用

  • "帮我做一条美业口播视频（给 wan3/百炼）" / "出个护肤科普短视频脚本并生成"
  • 用户上传/指定人物五视角图、制服细节图、LOGO、音色，或要求生成可直出的视频脚本与物料

资源引用

  • references/elements.md — 全部可参数化元素与可选项（含门店风格/插画风格/整体色调）。
  • references/wan3-workflow.md — 百炼 wan3 端点/鉴权/参考映射/单段 prompt 范式/LOGO 合成/不二次创作。
  • references/asset-collection.md — 固定 4 项素材包清单 + 自动生成门店3/插画2确认 + LOGO 合成 + 物料登记 + wan3 映射。
  • assets/script-template.md — 单段结构化 Markdown 脚本骨架（含物料清单与 wan3 请求段），填充后即为交付物。
  • scripts/generate_video.py — 解析素材（公网URL直传 / 本地图base64直传）→建任务→轮询→下载本地。
  • scripts/config.json — region / workspace_id / model / resolution / ratio / output_dir（密钥走环境变量）。

执行流程

Step 1 — 收集基础输入（提示词优先，缺失交互补全）

  1. 解析用户提示词，提取已指定元素：选题/口播素材、画幅、平台、人设、目标人群、场景、机位、运镜、造型、画质、穿插类型、字幕、配乐、情绪、品牌露出、门店/插画/色调风格、自带素材包路径。
  2. 对照 references/elements.md，将未指定的基础元素用一次交互式问答（AskUserQuestion，批量提问，每题给可选项+默认标注）补全；具体值不在可选项内时以用户值为准。

Step 2 — 文字版风格问卷（流程最前端）

生成任何图之前，用一次交互式问答询问用户对以下元素风格的文字偏好（选项见 references/elements.md）：

  • 门店/场景风格（元素 22）｜插画风格（元素 23）｜整体色调（元素 24）｜画质质感（元素 15）｜情绪基调（元素 20）

  • 用户逐条给出 → 后续按这些风格自动生成物料图。

  • 用户答"无特别要求/你定" → 进入自动模式，按默认风格生成示例图，让用户在看图时再挑（见 Step 4）。

Step 3 — 锁定固定品牌素材（URL 优先，本地文件兜底，校验存在）

按 references/asset-collection.md 第一节，逐项解析并校验 4 个固定素材（它们在本流程中是"生成输入"，用于生成最终确认物料，默认不直接提交 wan3）：

  • 每项优先读 scripts/config.json 的 brand_assets.<key>.url（公网 URL，调用 wan3 时固定素材可直接透传）；若留空则回退读取 assets/brand/ 本地文件。
  • 人物五视角（character_5view）、制服细节（uniform_detail）、立体 LOGO（logo_3d）、音色（voice_ref，≤15s）。
  • 每项都必须有来源（URL 或本地文件），二者皆无 → 主动提示用户填 URL 或放文件，不进入后续生成。
  • 锁定后：人物五视角 + 制服细节用于生成「人物完整形象照」、LOGO 用于生成「门店内景照片」、音色直接作 Audio 1；胸牌样式在锁定时即标注"不可变更"。

Step 4 — 生成最终确认物料（人物形象照 + 门店内景 + 插画）并确认

按 references/asset-collection.md 第二节，用图像生成工具基于锁定素材生成并展示，请用户确认后才作为 wan3 参考图：

  1. 人物完整形象照 — 1 张（可生成 2–3 张供选）：以 character_5view 为人物参考、uniform_detail 为制服参考，合成「人物身穿制服的完整形象照」；胸牌样式与 uniform_detail 完全一致、不可变更。→ 确认后作为 Image 1。
  2. 门店内景照片（含怡呵美 LOGO）— 3 张位置供选：以 logo_3d 为 LOGO 参考生成门店内景（位置1 面诊桌正对面 / 位置2 前台侧含 LOGO / 位置3 产品护理区），确保前台出现立体 LOGO。→ 用户确认采用哪张作为主场景，记为 门店_内景_采用.jpg，作为 Image 2。
  3. 内容插入插画参考图 — 2 张（抽象可视化风格启发，无真人皮肤/血液/文字）→ Image 3 / Image 4。

展示后请用户逐类挑选/确认；若用户未做任何选择 → 系统自动随机指定一组（记录"已自动随机指定"）继续。确认后的物料登记进脚本「物料清单」。

Step 5 — 处理口播文案（转口语化 + 30 秒硬卡）

  • 用户自带内容/口播 → 转换为口语化、适合口播的文案（自然亲和、带 / // 停顿符号、科普准确）。
  • 用户只给选题/知识点 → 技能生成口语化口播文案。
  • 30 秒硬卡循环：按"30 秒 ≈ 120–150 字"估算字数；若 >150 字 → 反馈用户精简，等用户回精简版后重新估算，循环直到 ≤150 字（对应 ≤30 秒）才继续。绝不为凑时长拆分片段。

Step 6 — 确认口播文案（用户确认后才进下一步）

  • 把 Step 5 产出的口语化口播文案（含字数校验）单独呈现给用户，请用户确认或修订。
  • 用户未明确确认（或提出修改）→ 回到 Step 5 重做，循环直到用户确认。
  • 此步确保「口播文案已确定」，是 Step 7 插画插入点确认的两大前置之一（另一前置是 Step 4 已确认插画）。

Step 7 — 确定插画插入点（插画 + 口播都确认后）

  • 前置：Step 4 已确认插画（Image 3/4）、Step 6 已确认口播文案。两者缺一不进本步。
  • 请用户确定：插画（抽象可视化）从口播文案的哪一句话开始融入画面作为起始点。
    1. 把已确认的口播文案按停顿（/ 短停、// 长停）切分为带编号的分句，逐句列出（① / ② / ③ …）供用户点选。
    2. 询问用户：插画从哪一句开始？（若有多张插画 Image 3 / Image 4，可一并确认各自对应哪一句；默认从同一句起连续融入）。
    3. 用户选定第 N 句 → 记录「插画起始句：第 N 句「原文」」写入脚本「插画插入点」字段（见 assets/script-template.md 第四节补）。
    4. 用户无偏好 → 系统按语义建议一个起始句（通常选「讲到核心知识点那句」），标注"已自动建议"并请用户最终确认，不默认静默落定。
  • 该插入点直接决定 Step 8 单段 Prompt 中"画面融入插画"的时机，必须显式写进 prompt。

Step 8 — 组装单段 30 秒脚本（编导分镜级）

用 assets/script-template.md 填充，产出单份结构化 Markdown： 一、角色定义 → 二、固定品牌素材 → 三、自动生成素材 → 四、口播文案（口语化，字数校验）→ 四-补、插画插入点 → 五、单段视频 Prompt（整段 30 秒，编导分镜版，含 Image 1–5 / Audio 1 引用）→ 六、保留分析 → 七、硬性禁令 → 八、AI 口令（wan3 请求：命令 + JSON）。

  • 第五节单段 Prompt 必须按 wan3-workflow.md 第四节「编导分镜版」范式写，像专业编导一样覆盖四块：
    1. 人物行为动线（元素 25）：30 秒单段内 ≤2 个动作切换，且方向不反向（"走动→落座"则落座后不再起身；"坐姿→起身走动"则走动后不再落座）；口播时不设计"整理产品"等手部摆弄动作，手部只用自然手势 / 点头；全程在门店场景里与场景互动，绝不全程正对镜头站桩。
    2. 运镜组合（元素 12）：每条约 2–3 种手法按时间轴穿插（跟随 / 推近 / 拉远 / 横移 / 手持微晃），随机组合、不全程单一机位。
    3. 插画展示方式（元素 26）：在「插画插入点」处触发，随机选用全屏铺盖 / 圆形画中画 / 顶部或底部条状画中画 / 侧边 PiP，同一视频多次出现可轮换方式，不固化一种。
    4. 门店丰富元素（元素 27）：在门店场景里随机点缀 2–3 个道具 / 人物（前台 / 美容床 / 沙发 / 桌椅 / 其他店员虚化走过），增加景深与真实感。
  • 口播全文直接写进 prompt 作对白；在「插画插入点」指定句处明确写"讲到[第 N 句：原文]时，画面以[某展示方式]融入 Image 3 / Image 4 风格的抽象可视化"；音色用 Audio 1 引用。
  • 引用的是确认后的生成物料：Image 1 = 人物完整形象照、Image 2 = 门店内景照片（含 LOGO）、Image 3/4 = 插画；LOGO 已在 Step 4 生成门店内景时落位，无需单独合成。

Step 9 — 逐步确认后交付（贴合"逐步确认"习惯）

  1. 呈现「已确定元素清单」+「口语化口播文案（含字数校验）」+「插画插入点：第 N 句」+「固定素材（URL/本地，生成输入）」+「生成并确认的最终物料（人物完整形象照 / 门店内景照片 / 插画，含自动随机指定的项）」+「单段 Prompt / wan3 请求」。请用户确认或修正。
  2. 用户确认后，将完整脚本写入工作区（如 美业口播科普视频脚本_[主题].md）并 present；参考物料图一并随交付提供。
  3. 确认无误后再进入 Step 10 实际调用 API（避免浪费生成额度）。

Step 10 — 调用百炼 wan3 生成视频 + 下载 + 确认

  1. 确保 DASHSCOPE_API_KEY 环境变量（或同目录 .env）已设置；scripts/config.json 的 workspace_id / base_url / brand_assets URL 为固定预填（暨北内部朵朵专用），无需改动。
  2. 执行 scripts/generate_video.py（参数见脚本模板第八节）：提交确认后的生成物料（人物完整形象照 / 门店内景照片 / 插画，本地图编码 base64 直传；音色 voice_ref 按 URL 直传或本地 base64 直传）→ 建任务 → 轮询 → 下载到 output_dir。
  3. 捕获脚本 stdout 的 VIDEO_PATH=...，把生成的视频 present 给用户确认。
  4. 若生成失败/不满意 → 回到 Step 8 修改脚本，整段重发（见 Step 11）。

Step 11 — 修改即整段重生成（不支持二次创作）

  • 任何元素变更（口播、服装颜色、场景、插画风格、插画插入点等）→ 重新组装完整脚本（Step 8）→ 重新确认（Step 9）→ 重新调用 wan3（Step 10）。
  • 严禁使用 wan3 的视频编辑/延长模式（对应第 8 条）。每次都是一条全新的整段生成。

关键约束（贯穿全程）

  • 固定 4 项永远锁定（作生成输入）：人物五视角/制服细节/LOGO/音色来自素材包（assets/brand/）或公网 URL（config.brand_assets），不可被自动生成覆盖；制服胸牌样式绝对不可变。
  • 提交的是确认后的生成物料：wan3 实际接收 Image 1=人物完整形象照、Image 2=门店内景照片（含 LOGO）、Image 3/4=插画、Audio 1=音色；原始 4 项仅用于生成这些物料，不直接提交。
  • 风格先确认后出图：发起任务先文字版问风格，再生成「人物完整形象照 + 门店内景（含 LOGO）+ 插画」示例图供确认。
  • 单片段 ≤30 秒：口播超 150 字必须反馈精简、循环直到满足；不拆分片段。
  • LOGO 必现：在生成门店内景照片时以 logo_3d 为参考落位（Image 2），确保成片前台有怡呵美立体 LOGO。
  • 原生音视频：口播写进 prompt 作对白，音色作 reference_audio，wan3 一次性生成画面+对白+口型+环境音。
  • 插画插入点确认：插画与口播文案都确认后，必须请用户指定插画从口播哪一句开始融入，再组装 prompt（见 Step 7）；不静默默认。
  • 编导分镜（不站桩）：单段 Prompt 必须像专业编导覆盖四块——人物行为动线（按内容长短设计走动/坐/起/落座，不全程正对镜头）、运镜组合（2–3 种随机穿插）、插画展示方式（全屏/圆形PiP/条状PiP/侧边PiP 随机混用不固化）、门店丰富元素（前台/美容床/沙发/其他人物虚化走过随机点缀）；详见 wan3-workflow.md 第四节与 elements.md 元素 12/25/26/27。
  • 口型对齐由 wan3 原生完成，脚本只保证口播文案与停顿完整。
  • 硬性禁令优先级最高，必须写入脚本第七节，口播文字绝不转化为屏幕文字（LOGO 视觉露出除外）。
  • 真实质感：避免卡通化、塑料皮肤、夸张嘴型、场景跳变、AI 痕迹过重。