docsor1212/skill-promo-video

skill-promo-video — 数字人全程口播推广视频管线 v2（全程活体）

把一个 skill/产品的卖点做成「数字人全程口播 + 真实案例」推广视频。v2 相对静态图文版的实质升级： 所有场景人物开口说话（音频驱动口型）、人物服饰与案例全参数化、Blender 确定性运镜、 QC 闸门内置。

一、成片结构（固定叙事骨架）

Blender 开场运镜（数据长廊推进，≈4.5s，可选）
→ 数字人开场口播（≤5s，H3 音频驱动）
→ 9×[构图卡（人物开口讲解该图型，H3-TALK + 文字稳定性闸门）
     → 图页（编号+标题+真实图表+来源注脚 5.0s）]
→ 数字人收尾口播
→ 成绩卡（背书数据）
→ Blender 收尾运镜（拉远全览+品牌面板，可选）
→ 片尾卡（大字金句+安装指引）
全程：signature 水印右上角 + 底部 ASS 字幕 + BGM（纯器乐，须独听听写体检）+ 旁白

二、执行流程（12 步；⛔ 纪律见括号，详解 references/pipeline.md）

1. 策划：2 个核心卖点 + 3-4 项硬背书（评分/下载走 API 实测，榜单口径与用户核对）
2. 数据工程：贴近目标用户领域；真实公开数据集优先（来源注脚如实标注）
3. 图表渲染：目标产品的图表引擎（matplotlib 栈）150dpi/16:9（森林=HR 量级化；火山=构造式三带；复合=短标签）
4. 人物资产：用户自备角色卡/定妆照；PE 参考图键名 images.image_1 带点嵌套+TE 接 vae； 换装=config character.costume 一行（正向描述，cfg=1 负向无效）
5. 构图卡/口播首帧：gen_scene_cards.py（layout=card|talker）；PE 直出文字（⛔零 PIL 贴补）； prompt 末尾附逐行核对清单；成图逐字 OCR 复验
6. 图页版式：底图全部定稿之后才合成版式（⛔ 旧图混入两次的根因）
7. 口播段：talking_segment.py 双引擎决策（≤5.1s→H3-TALK；>5.1s→S2V 720p；无旁白→H3-I2V 微动； 引擎决策树 references/digital-human.md）；⛔输出段一律 -an 剥音轨；⛔r2v 参考生成已证伪只走首帧
8. 运镜段（可选）：blender_scene.py headless Cycles 数据长廊两镜；⛔EEVEE 无头黑帧风险； 不过验收降级静帧+zoompan，不硬磕；（可选）style_transfer.py 素模风格化重绘
9. TTS：tts_batch.py（⛔文本去「？」；⛔逐个验 wav mtime+size 防 GPU OOM 假 OK）
10. 水印：make_watermark.py signature 方法论（版本号不进水印）
11. 三步式合成：compose_3step.py（视频链→音轨→合并；⛔禁单巨链；唯一临时目录；ASS 全 10 字段）
12. 质检与交付：qc_gates.py text/lips/hands/av + FunASR 全轨听写（⛔必须在最终素材后跑）+ 全片抽帧目检 + ffprobe 单视频流验证

三、环境要求（边界与限制）

• 需要本地 GPU（≥24G 显存实测可用）与本地部署的推理服务：文生图（Qwen-Image 系，端口可配， 默认 127.0.0.1:8190）、数字人视频（H3/S2V 模型栈，默认 8189/8188）、本地 TTS、Blender 4.x+、ffmpeg。
• 模型均从各官方发布页获取；技能包不含任何模型权重与人物资产。
• 首次使用先跑各脚本 --help 核对参数；talking_segment.py 提交前自动做节点名与模型在盘预检 （模型文件名内置默认值，名称不同时改脚本顶部常量或经参数指定）。
• Python 依赖仅 Pillow 与 numpy（QC 闸门用）；另需 ffmpeg/ffprobe 与 curl 命令行； 水印/字幕需 Noto CJK 字体（缺省路径见 make_watermark.py/compose_3step.py，可改）。
• 听写闸门（FunASR 类）为外部命令接口（qc_gates.py asr --gate-cmd），听写实现需自备； 无听写实现时以人工试听替代该闸门。
• 无 GPU/无推理服务时：跳过口播与运镜段，退化为静态图文视频（旁白/TTS 也依赖本地算力， 无 TTS 时可静音+字幕交付；其余步骤不变）。
• 单卡显存互斥：生图 TE/H3/S2V/TTS 严禁并发，按 kill→free→load 串行切换。

四、安全与行为声明

• 全流程本地执行：外联仅限本机回环地址上的用户自建推理服务（HTTP）；子进程仅限本地 ffmpeg/ffprobe/Blender/curl/用户本地 TTS；不访问任何远程服务，无遥测，不上传任何数据。
• 按需单次运行，无常驻后台、无定时任务、不安装依赖（依赖由用户按「环境要求」自行部署）。
• 产物写入用户指定的输出目录；QC 抽帧与提交载荷使用系统临时目录（唯一临时目录，用后即弃）； 人物参考图与成片均不出本机。
• 请仅使用你有权使用的人物参考图（肖像授权自审）。

五、参数化（换一份 config = 换一个视频）

references/config-template.json（合法 JSON）驱动构图卡/口播首帧的人物与九个案例；其余段以它为单一事实来源派生：人物身份锚+服饰（换装）、场景背景、 9 个案例（标题/提示词全文/图表命令/来源注脚/旁白/字幕）、背书文案、水印品牌、Blender 参数。 旁白纪律：陈述句（禁问号——TTS 静默失败）；口播段 ≤5s（H3 单 clip 窗口）；≤ 所在段时长。

六、双引擎速查

旁白	引擎	参数
≤5.1s	H3-TALK（ref2va）	1344×768@24fps，8 步，INT8
>5.1s	S2V 720p	1280×720@16fps，4n+1 帧，Lightning 4 步（cfg=1 负向无效）
无旁白	H3-I2V	严格首帧微动