LeAnhTuanIT/short-video

短视频制作：语音 + 字幕

流水线：.txt 脚本 → make_video.py（edge-tts 逐句朗读 → 合成音频 → 根据实际时长生成 ASS 字幕 → 背景 + 内嵌字幕 via ffmpeg）→ 1080x1920 MP4。

已确定的模式：已有语音 → 视频（当用户提供 mp3 时默认使用）

用户在 EverAI 上生成语音（网页，速度 0.85），发送 mp3 + 台词。不调用 API，不克隆语音，不运行（VieNeu）语音模型于本机。

1. 将台词拆分为 .txt 文件，每行一个短句（以逗号/句号/"..." 分割），不能包含 # 行，不能包含 [icon]。
2. python3 make_video.py kichban.txt ~/Downloads/<ten>.mp4 --audio voice.mp3 --style night --no-wave --bg assets/pho-dem.mp4 --target <dài±5>
3. 打印每句时间戳：重新运行上述命令并添加 --print-timing（不渲染）。检查：若某行与字数相比过长或过短 → 合并/拆分后重新渲染。
4. 提取 1–2 帧检查字幕，报告路径和时长。若听不到声音 → 通常是因为 Mac 输出到了 AirPods。 用户指南：HUONG-DAN.md。

在其他机器上安装

将整个目录 ~/.claude/skills/short-video/ 复制到新机器（相同路径），然后运行 bash ~/.claude/skills/short-video/setup.sh。支持 macOS 和 Ubuntu/Debian；Windows 使用 WSL。内置城市夜景背景：assets/pho-dem.mp4（Mixkit 素材，可用于商业用途）。

依赖（本机已安装）

• ffmpeg-full（需要 subtitles/libass 滤镜）：brew install ffmpeg-full
• edge-tts：pipx install edge-tts（网络错误时自动回退使用 say -v Linh 语音）

步骤 1 — 确定需求

从用户需求中获取；若缺少则使用默认值，仅当主题完全不明时提问：

• 主题 / 角度 — 若无具体角度，自行选择一个有吸引力、具体的角度。
• 时长 — 默认 45–60 秒。
• 语音 — 默认女声 vi-VN-HoaiMyNeural；男声 vi-VN-NamMinhNeural。其他语言：edge-tts --list-voices | grep <代码>（例如 en-US-AriaNeural）。
• 背景 / 音乐 — 用户提供的图片/视频，若无则默认渐变背景。

步骤 2 — 编写脚本

保存为 .txt 文件，第一行为标题，之后每行一个句子：

# 屏幕顶部显示的短标题（≤ 6 个词）
一个引起好奇的钩子句，≤ 12 个词。
内容句...
结尾句 + 行动呼吁。

规则：

• 越南语时长：~2.3 词/秒（实际测试：155 词 ≈ 65 秒）。45–60 秒 → 110–140 词；30 秒 → ~65 词；15 秒 → ~30 词。
• 每行一个句子，8–20 词。前 3 秒为钩子（问题 / 惊人事实）。中间：3–5 个具体、易记的观点。结尾：CTA（保存、关注、评论）。
• 事实必须准确；健康/金融/法律主题：不诊断，不提供具体专家式建议，必要时建议咨询专家。
• 数字/符号使用文字书写（当易读错时用“四 - 七 - 八”代替“4-7-8”，“百分比”代替“%”）。避免表情符号、{} \ 字符。

让用户预览脚本后再渲染，除非用户已提供内容或要求直接执行。

步骤 3 — 渲染

python3 ~/.claude/skills/short-video/make_video.py kichban.txt out.mp4 \
  [--voice vi-VN-HoaiMyNeural] [--rate -5%] [--target 45-60] \
  [--bg anh_hoac_video_nen] [--music nhac_nen.mp3] [--gap 0.35] \
  [--pitch -8Hz] [--style default|night]

• 已有语音： --audio voice.mp3 跳过 TTS。脚本必须与朗读内容匹配，每行一个短句（以逗号/句号分割）；时间标记从自然停顿处开始。通过 --print-timing 打印时间戳（通常 ~12–16 字符/秒），若某句过长或过短，则合并/拆分句子后重新渲染。
• FPT.AI： --engine fpt --voice leminh（北方男声；还有 banmai、thuminh 北方女声，lannhi、linhsan 南方女声，myan 中部女声，giahuy 中部男声）。需要 export FPT_API_KEY=...（密钥在 console.fpt.ai 获取，免费层每月 100,000 字符）。无逐词时间戳，故字词根据长度分拆；--rate 通过 atempo 应用。切勿将密钥写入技能文件。
• 所有引擎均模拟自然朗读节奏（每句速度/音调略有波动，问句后停顿较长）+ 暖声、压缩、轻微混响处理。按口语风格编写脚本，使用 "..." 和句间句号以创造自然呼吸停顿。
• 北方低沉、成熟男声（edge）：--voice vi-VN-NamMinhNeural --pitch=-8Hz --rate=-10%（NamMinh 是唯一的男性越南语语音）。
• --style night --no-wave + 脚本中无 # 行、无 [icon] 标签 → 仅保留背景 + 字幕。
• --style night（"城市夜景"风格）：标题采用大写字母、字间距拉宽、teal 色加下划线；图标为细线霓虹风格；字幕为逐词卡拉OK（真实时间戳来自 edge-tts）；声波为条形图。在句子开头放置 [icon] 可切换该句图标：sun hourglass gift heart leaf book star eye。背景建议使用真实的城市夜景视频：Mixkit 免费素材（https://mixkit.co/free-stock-video/night-city-street/，链接 assets.mixkit.co/videos/<id>/<id>-1080.mp4），拼接几个片段，纵向裁剪，setpts=1.4*PTS 放慢速度。
• --style ui（科技教程视频）：深色网格背景，系列标题（#）+ 步骤 1..n 框，模拟应用窗口，终端键盘敲击，字幕中 *关键词* 橙色高亮。句首标签：[step:步骤名称]（进入新步骤），[card:标题|项目1|项目2]（窗口，保持至下一场景），[term:命令]。快捷键朗读时写成文字（“Command，Shift，三”），但在卡片内写为“Command + Shift + 3”。示例：语音 vi-VN-NamMinhNeural --pitch=-4Hz --rate=+15% --gap 0.25。
• 无 --bg → 深蓝紫色渐变背景缓慢移动（适合温和主题；热闹主题应提供图片/视频背景）。图片 → 慢速缩放效果。视频 → 自动循环。
• --music 音量降至 12%，结尾淡出。
• 脚本会打印时长，若超出 --target 则给出警告 → 增加/删除句子或调整 --rate 并重新渲染。

步骤 4 — 检查

提取一帧查看字幕是否超出边界或模糊： ffmpeg -v error -y -ss 5 -i out.mp4 -frames:v 1 frame.jpg 然后读取 frame.jpg。向用户报告视频的绝对路径和时长。

脚本示例：技能目录中的 example-sleep.txt。