无人声视频管道
构建无人声频道视频,作为确定性四阶段流程。源文档:
~/2nd Brain/2nd Brain/Wiki/research-faceless-youtube-claude-code-pipeline-2026-06-26.md。
硬性规则(平台风险 + 质量)
- 配音 = ElevenLabs Voice Artist(Phill 的付费计划),非录音。源视频中“AI 配音会导致封号”的担忧是错误的——参见
Sources/youtube-synthetic-content-disclosure-policy-2026-06-26.md中的 YouTube 披露政策。真正的规则:对于 AI 音乐、非创作者本人克隆的合成声音、或对真实人物/地点/事件的逼真 AI 模拟,需要 YouTube 的修改/合成内容披露,而对于动画/涂鸦则不需要。披露是无成本的(不影响观看或变现),因此当视频包含 AI 音乐或非本人合成声音时(我们的管道总是如此),默认开启披露。在 YouTube Studio → 属性 → “AI 使用” → 是 中设置。仅对面向儿童的内容(STORY/儿童保育)设置“面向儿童制作”= 是。 - 一个风格令牌,适用于所有图像。 预先锁定一个风格描述;每张生成的图像都原样包含该描述,以确保频道视觉一致性。
- 模式相关的权威性(参见阶段 0 分支)。FACT/非虚构: 引用真实研究/日期/统计数据,在写作前进行研究,对声称的内容进行准确性把关。STORY/虚构: 虚构叙事;权威性在于情感共鸣,而非事实;改为对年龄和品牌适宜性把关(例如,育儿内容 = 温和、安全、适龄)。绝不可将虚构呈现为事实,也不可在事实模式下编造“事实”。
- 静态图像 + 配音,非动态图形。 这是涂鸦频道的格式。如果用户想要动画/编辑润色,则交给
video-director处理。
平台——重要区别
源视频使用 Higgsfield(Claude Code MCP)。我们不使用 Higgsfield。 Phill 的图像平台是 Artlist(artlist.io,AI Toolkit),通过 browser-harness 在浏览器中驱动。注意:“artist.io”是 artlist.io 的拼写错误。
- 图像生成(主要):Artlist AI Toolkit,位于
toolkit.artlist.io/image-video-generator?mode=image(模型 Nano Banana 2,16:9 / 2K)。阶段 3 中经过内部验证的机制。 - 图像生成(备用):
mcp__margot__image_generate(同样使用 Nano Banana 2)——仅用于无人值守测试运行。绝不使用 Higgsfield。 - 配音:ElevenLabs TTS,通过 REST API。密钥和默认语音位于
~/.hermes/.env(ELEVENLABS_API_KEY、ELEVENLABS_VOICE_ID)——以编程方式解析,绝不粘贴。无录音。 - 转录获取:
yt-dlp。时间戳:ElevenLabs 对齐(主要)或whisper-cli(备用)。拼接:ffmpeg。
工作文件夹
创建 ~/faceless-video/<topic-slug>/ 并将所有工件保存在其中:reference-format.md、script.md、voiceover.mp3、transcript.json、images/NN.png、final.mp4。
阶段 0——模式切换(首先询问,在其他所有操作之前)
该引擎在不同客户/应用中服务于相反的工作,因此每次运行的第一个问题是:
“这是 FACT(非虚构)还是 STORY(虚构)脚本?” 将
mode记录在工作文件夹中(mode.txt)。它将分支整个流程:
| FACT(非虚构) | STORY(虚构) | |
|---|---|---|
| 使用场景 | 教育产品、讲解、“你知道吗” | 育儿故事、寓言、睡前/品牌故事 |
| 参考模板 | 钩子 + 三支柱主体 + 收尾 | 角色 → 缺陷 → 旅程 → 教训 → 解决 |
| 权威性 | 基于研究过的真实研究/数据/日期;准确性把关 | 情感共鸣;年龄/品牌适宜性把关 |
| 硬性规则 | 绝不编造事实 | 绝不将虚构呈现为事实 |
| YouTube 披露 | AI 使用 = 是(存在 AI 音乐/配音) | AI 使用 = 是 + 面向儿童制作 = 是(面向儿童) |
如果调用者已暗示模式(例如,“我妻子用的育儿故事”→ STORY;“为我的产品解释 X”→ FACT),则用一行确认而非重新询问。默认的参考处理、脚本模板和把关全都遵循此分支。
阶段 0b——风格令牌(每频道一次,之后复用)
要求用户提供 3-5 张目标视觉风格的参考截图。提示分析:
“分析此图像的视觉风格,供 AI 图像生成器使用。给出 (1) 一段简短积极风格描述,我可直接作为提示词使用;(2) 一系列负面提示词,防止向精致/逼真输出偏离。仅关注风格,而非主题。” 将结果保存在频道根目录的
style-token.md中(该频道所有视频复用)。
阶段 1——脚本(基于阶段 0 模式分支)
- 要求提供 主题 和 所选模式模板内的已验证参考视频 URL(事实频道用于 FACT,故事频道用于 STORY——请勿跨模板使用)。
- 获取参考转录:
yt-dlp --write-auto-sub --sub-lang en --skip-download --sub-format vtt -o 'ref-%(id)s.%(ext)s' '<URL>'。清理.vtt(去除时间戳/标签,去重滚动自动字幕行)。 - 分解为可复用模板,按模式区分:
- FACT: 钩子(微节拍)、引言/承诺、三支柱主体、过渡句、总时长。
- STORY: 主角 + 一个共享缺陷、痛点、激励事件、旅程、一个 展示(而非讲述)的演示、一句可引用的智慧语录、内心领悟、延续式结尾。
保存为
reference-format.md。
- 根据该模板就主题编写一个新的脚本。FACT: 首先运行
source-ingest技能,将可信的一级/二级数据拉入知识库的Sources/库,然后仅引用这些已存储的来源编写脚本,并针对这些来源对每个声称进行准确性把关。STORY: 自由虚构,进行年龄/品牌把关。将干净的脚本(无场景说明)输出到script.md。 - 在生成配音之前,与用户确认脚本。
阶段 2——配音 + 时间戳(ElevenLabs,自动化)
- 通过 ElevenLabs 的 带时间戳 端点(一次调用返回音频和字符对齐)从
script.md生成配音:curl -s -X POST "https://api.elevenlabs.io/v1/text-to-speech/$ELEVENLABS_VOICE_ID/with-timestamps" -H "xi-api-key: $ELEVENLABS_API_KEY" -H "content-type: application/json" -d '{"text":"<script>","model_id":"eleven_multilingual_v2"}'→ 将 base64 音频保存到voiceover.mp3,将对齐数据保存到transcript.json。 - 从对齐数据中推导出每个短语/句子的时间戳段——每个段将对应一个图像节拍。(备用(若对齐不可用):
whisper-cli -f voiceover.wav -ml 1 --output-json -of transcript,先执行ffmpeg -i voiceover.mp3 voiceover.wav。) - 配音按频道/客户区分, 而非固定——选择适合模式/品牌的 ElevenLabs 语音(例如,育儿虚构类用温暖、温和的故事讲述者;教育事实产品用清晰、权威的语音)。在
ELEVENLABS_VOICE_ID中传入相应的voice_id而非默认值。选择时浏览用户的 ElevenLabs 语音库。 - 无人工干预——阶段 2 无人值守运行。
阶段 3——每个时间戳一张图像(Artlist AI Toolkit,浏览器已验证)
每个节拍:场景提示词 + 原样锁定的风格令牌。通过 browser-harness 驱动 Artlist(需要登录 Phill 的 Chrome;启用 Way-1 远程调试)。经过反复验证的机制:
- 打开
toolkit.artlist.io/image-video-generator?mode=image。提示词是一个[contenteditable=true]的 div;Generate 按钮匹配 innerTextGenerate。默认设置已经是 16:9 / 2K / 1 张图像(良好)。 - 每张图像:对现有生成的 UUID 进行快照 → 单击输入框,
document.execCommand('selectAll'),type_text(prompt)→ 单击 Generate → 轮询,直到加载文本(on its way|Almost ready|Generating)消失 且 出现新的 UUID。 - 结果位于
ai-toolkit-generations.imgix.net/...png?...&s=<sig>。使用通用正则表达式[0-9a-f]{8}-[0-9a-f]{4}-...{12}\.png提取 UUID(文件名前缀可能不同:image-<uuid>或-t-e-x-t_-t-o_-i-m-a-g-e-<uuid>)。下载 确切的 src——重写任何 imgix 参数(例如w=)会破坏签名 → 返回 403。 - 一次只生成一张。 快速批量发送会导致排队/节流,并且网格视图会虚拟化 DOM,这两者都会破坏新 UUID 的检测。如果某次生成在轮询窗口后完成,则从网格中恢复(下载未映射的独特 UUID,拼贴,视觉映射)。
备用(仅限无人值守):
mcp__margot__image_generate——将图像保存为<save_as>.jpg,注意扩展名。
阶段 4——拼接
构建一个 FFmpeg concat,使每张图像保持 (next_start - this_start) 秒并混入配音:
- 根据时间戳生成包含每张图像时长的 concat 列表。
ffmpeg -f concat -safe 0 -i list.txt -i voiceover.wav -c:v libx264 -pix_fmt yuv420p -c:a aac -shortest final.mp4- 对于实际上传,推荐使用 2K 源图像(仅测试运行使用低分辨率)。
阶段 5——最终处理(用于实际上传,非测试运行)
将原始拼接转换为可交付的成品:
- 1080p——以缩放/填充方式渲染拼接至
1920:1080(白色填充融合素描本背景),crf 19。 - 淡入淡出——
fade=t=in:st=0:d=0.6:color=white和fade=t=out,持续最后约 0.8 秒。图像之间的节拍处保持 硬切(符合风格——不要 交叉淡入淡出)。 - 背景音乐——通过 Artlist AI Music(
toolkit.artlist.io/music-generator?mode=music,Lyria 3;与图像相同的浏览器流程,结果为签名.wav,位于cms-toolkit-artifacts.artlist.io/...music-<uuid>——下载确切的 src)。在配音下方混合:volume≈0.13(约 −18 dB),afade入 1.5 秒 / 出约 1.8 秒,amix=inputs=2:normalize=0。使用volumedetect验证:整体峰值 < 0 dB(无削波),音乐平均音量比配音低 15 dB 以上。
输出
final-1080p-music.mp4(可交付物)+ 可复用的 style-token.md。报告路径和各阶段工件。对于发布/频道策略,交接给 video-distribution-strategist;上传时记得设置合成内容披露。