白底简笔吐槽短视频系列

一条视频 = 一份稿 + 一组分镜 + 一条音轨 + 一张封面 + 一套发布物料。全部用同一套绘图基元和字体画出来，所以系列里每一集风格一致、封面和正片零漂移。

产出契约

每一集必须交付这 5 组文件，缺一不可：

产出	文件	规格
字幕版成片	`out/<标题>_简笔吐槽_字幕版.mp4`	1080×1440，30fps，H.264+AAC，约 68s
无字幕版成片	`out/<标题>_简笔吐槽_无字幕版.mp4`	同上，去掉字幕层
字幕文件	`out/<标题>.srt`	单行 ≤16 字，时间递增不重叠
3:4 封面	`out/<标题>_封面.png`	1080×1440，与正片同一套线条和字体
视频号物料	`project_*/publish.md` + `publish.json`	3 档标题、1 版描述、5–8 个话题、1 条置顶评论

另附 out/<标题>_预览.png（四格关键帧条），方便用户一屏看完一集。

环境

Python 3.10+、Pillow、NumPy、ffmpeg/ffprobe。先建虚拟环境，不动系统 Python：

python3 -m venv .venv && .venv/bin/pip install -r "$skill_dir/scripts/requirements.txt"

macOS 上 ffmpeg 常不在默认 PATH，先 export PATH="/opt/homebrew/bin:$PATH"。配音走 mcode-tools（MiniMax TTS/ASR），需要 mcode-tools-master 技能在 PATH 上。

如果 python3 报 You have not agreed to the Xcode license agreements（退出码 69），说明系统 Python 没装好，换一个能用的解释器建环境，例如 /opt/homebrew/bin/python3.13 -m venv .venv，不要去动 Xcode 的授权。

流程

1. 定选题与系列定位

单集：给一个梗味方向就行。多集：先给每集一个互斥的梗味，不要同一种笑法换皮。

自嘲荒诞流（自己越讲越离谱）
对话反转型（两人对话推进，最后一句翻盘）
冷观察流（旁观式吐槽，克制冷幽默）
荒诞设定流（把一个荒唐前提当真）

同一系列里至少有两种不同梗味相邻，视觉语言可以共用，叙事节奏不要雷同。

2. 写稿

读 references/writing-style.md。硬指标：

一句一镜，约 40–45 句、480–520 字，落点约 68s（字数 ÷ 7.4 ≈ 秒数）。
每个包袱必须有一个看得见的动作或道具变化兑现，不能只靠字幕说。
结尾要翻转角色关系，留一句能单独截图的台词。
写成 JSON：{"title": ..., "target_seconds": 68, "segments": [{"scene": ..., "text": ..., "red": [...]}]} scene 是画面 id，red 是要标红的词（必须原样出现在 text 里）。

3. 切分镜

"$python_bin" "$skill_dir/scripts/build_segments.py" --story story.json --out project_ep2

字幕按标点切成 ≤16 字一行；渲染器一行放不下 17 字以上。切分点挑「接近 10 字」的标点，避免把词劈开（「大型预付」不能切成「大型预」「预付」）；引号里的短句整段不拆，不会切出以 」 开头的行。脚本会校验红词在字幕里、切分没丢字、没出现纯标点空字幕，并打印预估时长：字数 ÷ 7.4 ≈ 秒数，偏离目标 ±10% 会给出警告——按提示加减句子，不要靠改语速硬凑。

4. 画分镜

在 project_ep2/scenes.py 里写 scene_<id>(c, t, d) 函数，并在文件末尾重定义 SCENES 字典（只含本集的 id）。绘图基元见 scripts/render/doodles.py。

person(c,x,y,s,expr,boss,pose,t,arms,legs)：头心在 (x,y)，身体到 y+307*s，expr 取 dead/sad/happy/angry/shocked/sleep，pose 取 stand/shrug/point/phone/pockets/walk。
woman(c,x,y,s,expr,t)：妈妈造型（发髻 + 裙子）。
speech(c,x,y,w,h,tail,size)：气泡；c.text((x,y),'字',size) 是居中锚点。
c.curve 只接受 4 个控制点；c.text 不支持描边和多行。

改完先过两道门：

"$python_bin" "$skill_dir/scripts/check_overlap.py" project_ep2/scenes.py   # 静态布局审计
"$python_bin" "$skill_dir/scripts/check_project.py" project_ep2             # 接触表目检

check_overlap.py 抓文字压人物、文字互相重叠、元素超出安全带。它已经识别两种「看起来重叠但其实不是」的情况：if/else 里互斥的换字，以及白底色块盖住旧元素。所以报出来的基本是真问题——退出码非 0 就先修，不要直接渲染。

check_project.py 先查字幕，再出接触表：字幕拼起来必须和台词是同一句话（允许人工润色过的标点，但不许多字、少字、换词），也不许出现没有字的空字幕；不通过就直接退出，不会浪费时间去渲染接触表。

确实要保留的重叠（例如画在人物身上的挂牌徽章），在 scenes.py 里显式登记：

OVERLAP_ALLOW = {"three_years", "me_too"}

接触表要逐镜看：画面和这句台词对得上吗？道具画清楚了吗？

5. 配音

"$python_bin" "$skill_dir/scripts/build_voice.py" --project project_ep2 --speed 1.5 --gap 0.10

逐句合成是这套流程的关键：每一句单独 TTS，裁掉首尾静音后用固定间隔拼接，所以每句的起止时间已知，asr.json 直接按这些时间构造，字幕对齐零误差，不需要词级 ASR。

默认音色 lengdan_xiongzhang（冷淡学长），用户指定别的就用别的。
TTS 有短周期限流（HTTP 429）。脚本用固定 10 秒间隔重试——固定间隔比递增退避有效得多。
单集约 40–45 句，全程约 15 分钟，后台跑。
合成完用 scripts/tts.py asr --file project_ep2/voice.wav 抽查一遍。
近音误识（「办事/办事时」）只改 ASR 结果里的字，不改稿、不重录。

6. 时间轴、渲染与验收

"$python_bin" "$skill_dir/scripts/deliver.py" project_ep2 <标题> --target 68
"$python_bin" "$skill_dir/scripts/verify.py" project_ep2

deliver.py 会按目标时长反算 atempo（speed = 原始音轨 / (目标 - 尾留)），生成时间轴、字幕、混音，渲染字幕版和无字幕版，并把成片和 SRT 归档到 out/。

verify.py 查：编码参数、全片解码、字幕时序与长度、ASR 回听。 验收全绿才算做完；解码失败、字幕时序有问题必须修完重渲。

7. 封面

封面不用 AI 生图，用正片同一套绘图基元和字体重画，风格零漂移。

在 project_ep2/cover.py 里写 illustration(c)（绘图基元已注入命名空间），在 project_ep2/cover.json 里写文案行：

{"lines": [
  {"text": "相亲现场", "size": 146, "y": 170, "red": []},
  {"text": "我妈给我报了七个", "size": 96, "y": 312, "red": ["七个"]},
  {"text": "见家长见姥姥", "size": 64, "y": 1196, "red": []},
  {"text": "八十七了也不催生", "size": 64, "y": 1280, "red": ["催生"]}
]}

"$python_bin" "$skill_dir/scripts/make_cover.py" project_ep2

版面规则见 references/cover-design.md。封面必须单独看一眼再交付。

8. 视频号发布物料

先要素材，再写文案：

"$python_bin" "$skill_dir/scripts/make_metadata.py" project_ep2

脚本会打印全稿、红词、高频词和结尾三句。据此写：

标题 3 档，带 emoji 钩子，每档 ≤22 字最好（超出仍可，硬上限 100 字）。
描述 1 版定稿，2–3 行，第一行是钩子，话题以 #话题 内联在正文里。
话题标签 5–8 个，必须都出现在描述里（脚本会校验）。
置顶评论 1 条，引导补充或自嘲。

写好后：

"$python_bin" "$skill_dir/scripts/make_metadata.py" project_ep2 \
  --titles "标题一" "标题二" "标题三" \
  --desc "描述正文 #话题1 #话题2" \
  --tags "话题1" "话题2" \
  --comment "置顶评论"

规则细节见 references/publish-channels.md。产物 publish.md / publish.json。

硬约束

画布 1080×1440（3:4），30fps，纯白底，轮廓 4–6px 黑线，大圆头细身体。
主体集中在 y=400–1050，上方留白；字幕带从 y=1084 开始，字号下限 54。
字幕用行楷（Xingkai），白字加深色软阴影，包袱关键词标红。
字幕一行 ≤16 字，渲染器放不下更长的。
不把正文烧进画面，字幕单独一层渲染。
封面必须和正片同一套字体和线条，不允许换风格。
保留已有成片；改稿用新项目目录，不覆盖已交付的集。

失败处理

TTS 一直 429：脚本已固定间隔重试 40 次。仍失败就降速到 1.4 再跑，或分批跑（--limit N 续跑，缓存会跳过已合成的句子）。
prepare.py 报 ASR 不一致：说明 asr.json 和稿子对不上，通常是改稿后没重配音。重跑 build_voice.py，不要用 --allow-asr-mismatch 糊过去。
render.py 报字幕过长：某条 caption 超了 16 字，回 build_segments.py 改切分规则。
check_overlap.py 非 0：按报出的 scene id 逐个改坐标，直到退出码为 0。
配音没听完就别说听检通过；没完整看片别说完整观看。交付记录只写实际做过的验证。

参考

references/writing-style.md — 稿子写法与笑点设计
references/series-plan.md — 系列选题与差异化
references/cover-design.md — 封面版面规则
references/publish-channels.md — 视频号发布物料规则

Windows (win32) platform notes

Windows 下的等价做法：

虚拟环境：py -3 -m venv .venv，之后用 .venv\Scripts\python.exe 替代 $python_bin。
依赖：.venv\Scripts\pip.exe install -r "<skill_dir>\scripts\requirements.txt"。
ffmpeg/ffprobe 直接装进 PATH（winget install Gyan.FFmpeg），无需加 /opt/homebrew/bin；但 scripts/deliver.py、scripts/make_preview.py、scripts/verify.py 里的 ffmpeg 路径是硬编码的 macOS 绝对路径，改成 ffmpeg / ffprobe 即可跨平台。
scripts/build_voice.py 依赖 mcode-tools 在 PATH 上，以及 curl；Windows 10 1803+ 自带 curl，若缺失可用 Invoke-WebRequest -OutFile <path> <url> 代替。
路径分隔符：所有脚本用 pathlib 处理，传参时给引号包裹路径即可。

doodle-comedy-series