播客视频 是做什么的？
生成一个1920x1080的双人对话视频。每个话题都有独立的背景图片、标题卡、图标和带有语音动画条的主讲人标签。话题切换时会有全屏划屏转场和嗖声，图标会弹出，最后一场会显示订阅按钮和鸣谢。可以以用户自己克隆的声音开场。
在更改任何编排之前，请先阅读/hyperframes。以下脚本位于该技能的scripts/文件夹中。请从视频项目文件夹中运行它们。
0. 先访谈
在完成这一步之前，不要进行研究、写作或生成任何内容。渲染视频后重新制作很慢，所以先敲定所有决策。此方法源自Matt Pocock的grilling技能。
决策构成一个树形结构：有些决策只能在其他决策确定后才能提出。按轮次进行：
- 提出当前所有满足前提条件的问题，不提出任何依赖于尚未收到答案的问题。该问题等待下一轮。
- 为每个问题编号，并给出你推荐的答案，措辞需使得“是”即表示接受。
- 等待答案，然后根据答案决定下一轮可以提出哪些已解锁的问题。某个答案可能使得一个已计划的问题变得毫无意义：将其删除。
每个问题格式如下：
❓ **Q1** - **<标题>**：<问题内容>
➡️ <你的推荐答案>
事实是你的工作，决策是他们的工作。 永远不要询问你自己可以查证的事情：VoiceStudio是否在运行，有哪些语音配置文件（GET /profiles），文件夹里有什么，研究结果是什么。永远不要替他们做决策。用纯文本提问，以便他们用自己的话回答。
需要覆盖的决策，大致按此顺序：
| 轮次 | 决策 |
|---|---|
| 1 | 主题和具体角度。谁在看，他们已知什么。希望观众之后做什么。目标时长。 |
| 2 | 两位主持人：他们是谁以及他们之间的关系，例如专家和客户。语气。节目名称。是否以用户自己的声音开场。 |
| 3 | 如果以用户的声音开场：使用哪个配置文件，以及确切的词句。为设计的主持人设定口音和声音角色。 |
| 4 | 研究之后：使用哪些发现，以及任何希望排除的说法。话题列表，按顺序排列。 |
| 5 | 视觉和听觉：图片的类型，每个话题的图标，对划屏转场、嗖声和弹出效果的任何更改。视频将在哪里发布。 |
跳过请求中已回答的任何内容。如果他们说“直接做”或“你决定”，则停止提问，采用你的推荐答案，并列出它们。问题数量没有限制，但不要为了提问而提问：每个问题都必须改变视频。
最后用几行话回顾计划：主题、观众、时长、主持人、开场方式、话题列表以及行动号召。等待用户确认后再开始步骤1。 如果后续有事情重新打开一个已关闭的决策，例如研究结果削弱了原定角度，则停止并询问。
1. 检查设置
curl -s "$VOICESTUDIO_URL/profiles"应能返回响应。默认URL：http://localhost:3000。如果服务器有API密钥，则必须设置VOICESTUDIO_API_KEY。切勿将密钥写入项目文件。ffmpeg和node已在PATH中，并且HyperFrames技能已安装。
如果缺少某些组件，请停止操作并引导用户查看此技能的README。
2. 创建项目
npx hyperframes init <dir>，然后将 templates/script.example.json 复制到 <dir>/script.json。
3. 研究并编写 script.json
首先研究主题。每个统计数据都需要真实来源：将其放入该场景的 source 字段中，不要编造数字。编写自然的对话脚本，大约每分钟150个词。
| 字段 | 含义 |
|---|---|
show | 节目名称，每个场景都会显示 |
chips | 最后一个场景上的鸣谢标签 |
voices | 每个发言人一个条目。name、role、color，以及 profile_id 或 instruct 和 seed |
scenes | 按出现顺序排列。kicker、title、icon，可选的 sub 和 source。最后一个场景是片尾 |
lines | 按顺序排列的口语轮次：who、scene、text。同一场景的台词必须连续 |
icon 是一个适合该主题的 Lucide 图标名称，例如 phone-call。
要以用户自己的克隆声音开场，请添加一个包含其VoiceStudio profile_id（来自 GET /profiles）的声音，为其创建一个独立的第一个场景，并以诸如“让我们开始吧！”的交接语结束该台词。只有在获得所有者许可的情况下才能克隆声音。
在生成语音之前，向用户展示脚本。
4. 生成语音
python3 <skill>/scripts/make_voice.py
这将写入 assets/audio/ 和 assets/lines.json。音频会被缓存，因此编辑脚本后，只会生成发生更改的部分。如果用户重新克隆声音，请从 assets/audio/ 中删除其音频以使其重新生成，并首先确认配置文件的 ref_audio_path 已更改：未保存的克隆会保留旧声音。让用户在渲染之前先试听音频。
5. 添加图片、图标和音效
图片： 每个场景需要 assets/img/<scene-id>.jpg，横向，宽度至少1920，并且与前一场景的图片不同，以便每次话题变化都能看到。仅使用用户可以发布的图片，例如来自Wikimedia Commons的CC许可照片。将每张图片记录在assets/img/credits.json 中，格式为 {"<scene-id>": {"artist": "...", "license": "...", "page": "..."}}。最后一个场景会显示艺术家姓名。
图标：
npm pack [email protected] --silent && tar xzf lucide-static-0.460.0.tgz
mkdir -p assets/icons && cp package/LICENSE assets/icons/LICENSE
cp package/icons/<icon-name>.svg assets/icons/ # 每个场景的图标一次
rm -rf package lucide-static-0.460.0.tgz
音效： 运行以下命令并复制每个命令打印出的文件：
npx hyperframes media-use resolve --type sfx --intent "short whoosh transition" --project .
npx hyperframes media-use resolve --type sfx --intent "quick pop badge" --project .
mkdir -p assets/sfx
cp <whoosh路径> assets/sfx/whoosh.mp3
cp <pop路径> assets/sfx/pop.mp3
通过 chips 在最后一个场景上鸣谢任何CC BY音效。
6. 构建并检查
python3 <skill>/scripts/build.py，然后运行 npx hyperframes check。修复所有错误。然后在渲染前，运行 npx hyperframes snapshot --at <秒数> 并检查场景切换处的帧。全屏划屏转场出现在 build.py 打印出的场景开始时间。
7. 渲染
npx hyperframes render。MP4文件会生成在 renders/ 文件夹中。预计每分钟视频需要几分钟的渲染时间。
检查文件，然后告知用户你的测量结果：npx hyperframes audio <视频> --json 会显示声音是否存在以及响度是否在范围内。你可以测量声音但无法听取，因此请用户亲自试听。