用动态图形讲解
结果：一个 MP4 视频，其中说话者保持可见，下方的面板绘制他们所解释的内容。 解释内容仍属于他们自己——图形使结构变得可见，但不会重复话语。
用用户的母语、平实的语言与他们沟通。他们了解自己的内容，但可能不熟悉视频术语。 在剪辑和构建之前先向他们展示计划，因为剪辑和构建需要几分钟时间，而早期获取反馈成本最低。
所有脚本都位于此文件旁边的 scripts/ 目录中。下面的 <skill> 表示此技能所在的文件夹。
0. 检查机器（一次性）
python3 <skill>/scripts/doctor.py --fetch-model
需要 ffmpeg、Node 20+、whisper.cpp（whisper-cli）、带有 numpy 的 Python。该脚本会列出任何缺失组件的安装命令。所有操作均在本地运行；无需账户（Auphonic 是可选的，见第 8 步）。
1. 信息收集
只询问你无法推断的信息，理想情况下一次完成：
- 录制的文件（路径）以及哪个片段（"我谈论客户和新软件的部分"）。
- 谁在说话（姓名，以及下方三分之一处显示的角色行，例如 "与……对话"）。
- 格式：4:5 信息流（默认）、9:16 短视频、16:9 YouTube。
- 外观：他们的品牌（颜色、字体、Logo，或一个读取这些信息的网站）或简洁的默认样式。
- 片尾：关键句子，以及可选的行动号召（"更多内容在课程……中，网址是……"）并附上 Logo。
- 视频的用途（一篇帖子？一个课程？）——这决定了图形应如何概括。
2. 转录并找到片段
python3 <skill>/scripts/transcribe.py <recording> --work <work> --lang de
阅读 <work>/transcript.txt 并定位片段。选择片段时，应使其能独立存在：从故事的第一句话开始（不要从半句话开始），以一句能收尾的句子结束。然后规划剪辑：删除口吃、假句首、长时间的