Communitygithub.com

视频播客制作工具

当用户提供一个主题并希望自动生成有旁白的讲解视频、播客或知识摘要视频时(适用于Bilibili/YouTube/小红书/抖音/微信视频号),或者希望从参考视频/图片中学习视觉设计模式时使用。

视频播客制作工具 是什么?

这是一个AI驱动的视频播客制作技能,能够自动将主题转化为4K分辨率的讲解视频、播客或知识摘要视频,支持Bilibili、YouTube、小红书、抖音和微信视频号等平台。该技能通过研究主题 → 撰写脚本 → 文字转语音(TTS) → Remotion合成 → MP4输出 + 背景音乐的完整流水线工作,并提供了11步工作流程,包括主题定义、研究、脚本编写、资产规划、缩略图生成、TTS音频生成、Remotion合成预览、4K渲染、发布信息和输出验证。关键特性包括以音频为主时钟的同步机制、严格的4K输出标准、必有的Studio预览步骤,以及增量更新能力——用户修改脚本、视觉或背景音乐后可以快速重新生成,而无需从头开始。技能还支持自动模式和交互模式,自动模式下通过关键帧截图进行视觉自检,确保输出质量。

兼容平台✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Agents365-ai/video-podcast-maker/tree/HEAD/skills/video-podcast-maker

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

建议:加载 Remotion 最佳实践

本技能建议配合 remotion-best-practices(未捆绑)使用以获取完整的 Remotion 模式库。该功能是可选的——若未安装,可使用下方最低规则。

  • Pi:从已加载的技能列表中读取 remotion-best-practices。
  • Claude Code:在继续之前调用 remotion-best-practices 技能/工具。

未安装?请从 remotion-dev/skills 获取(文档:remotion.dev/docs/ai/skills)。

如果未安装 remotion-best-practices,最低规则:必须可用 Chromium,始终将4K内容包装在 <Scale4K> 中,使用 linearTiming 的 <TransitionSeries>,并将音频作为主时钟。

视频播客制作工具 是做什么的?

从主题自动生成 4K Bilibili 横向知识视频 的流水线。包含编码代理、TTS 后端、Remotion 和 FFmpeg。

目录


引导

将 SKILL_DIR 设置为包含此 SKILL.md 的目录:

  • Pi:代理从已加载的技能列表中知道技能路径——在运行命令前将 SKILL_DIR 设置为该目录。
  • Claude Code:${CLAUDE_SKILL_DIR} 自动填充。
SKILL_DIR="${SKILL_DIR:-${CLAUDE_SKILL_DIR}}"

# 先决条件(CLI + 后端环境变量)
python3 "${SKILL_DIR}/scripts/check_prereqs.py"

更新通过 skills CLI 进行 (npx skills update video-podcast-maker -g);直接 git-clone 安装则按 README 使用 git pull。本技能不执行更新检查。

先决条件失败 — 请参阅 README.md 了解设置。检查是支持后端的(解析 TTS_BACKEND 环境变量 → user_prefs.json global.tts.backend → 默认 edge),因此只有活动后端所需的环境变量会被验证。

新项目中的第一个视频? 建议重用已有的包含 node_modules/ 的 Remotion 项目——创建新项目将下载约 2.2 GB 的 npm 包和 90 MB 的 Chrome headless shell(每个项目一次性)。如果用户有之前视频的项目,请使用它。如果需要新项目,在您执行步骤 1-4(主题研究和脚本编写)时在后台运行 npm install。

所有渲染输出放入 videos/{name}/ — 每个 output.mp4、final_video.mp4 和 thumbnail_*.png 都直接放入每个视频的目录。绝不要渲染到 out/ 或 dist/ 目录;--public-dir videos/{name}/ 约定保持一切自包含。

TTS 引擎 — 两个本地后端,无需外部技能:

  • edge(默认)— 免费,无需密钥,通过 edge-tts 实现。
  • azure — 需要 AZURE_SPEECH_KEY + AZURE_SPEECH_REGION(Microsoft Speech SDK)。

每个都在内部合成(scripts/tts/backends/native.py)——发音(显示 → 朗读 → 回到显示用于字幕)和音素应用均已内置。check_prereqs.py 验证活动后端的环境变量。

多平台 TTS? 先前提供9后端矩阵的 ttscn 组件技能不再是本技能的依赖项。如果您需要这些平台,请单独安装 Agents365-ai/ttsCN 并直接调用它——本技能仅捆绑 edge + azure。

设计学习捷径:如果用户提供了参考视频/图片或要求保存/列出/删除样式配置文件,请参阅 references/design-learning.md 而不是运行下方的工作流程。


执行模式

在工作流程开始时检测自动模式(默认)与交互模式——自动模式默认决策表和每次请求的覆盖规则见 references/workflow-script.md。


重新生成现有视频

如果 videos/{name}/ 已存在,并且用户正在迭代一个已完成或进行中的视频,请重用该目录。不要启动新项目或新的 videos/{newname}/。

根据实际更改的内容选择最小的重新运行:

更改内容重新运行重用(不重做)
旁白脚本 (podcast.txt)步骤 7(TTS)→ 步骤 8 预览 → 渲染+混音主题研究 + 章节设计
仅视觉(组件、布局、颜色)步骤 8 预览 → 渲染+混音音频(podcast_audio.wav / timing.json)
仅背景音乐重新混音 BGMoutput.mp4(无需重新渲染)
仅字幕步骤 10.1 最终化output.mp4 / video_with_bgm.mp4

任何更改观众看到或听到内容的重新运行都要再次通过步骤 8 的门控:应用更改,让 Studio 热重载,然后等待新的明确“渲染 4K”确认——之前的确认不再适用。脚本更改会改变每个下游时间戳,因此始终通过 TTS 重新生成 timing.json——绝不要手动编辑。在任何重新运行后,重新验证:

python3 ${SKILL_DIR}/scripts/verify_output.py videos/{name}/

工作流程

在已完成视频上迭代? 如果 videos/{name}/ 已存在,请参阅上方的 重新生成现有视频 以获取最小重新运行——不要从步骤 1 开始。

在步骤 1 开始时,在代理的任务跟踪器中为每个步骤创建一个任务。开始标记为 in_progress,完成标记为 completed。videos/{name}/ 中的文件是持久的记录——如果中断,检查目录以确定从哪里恢复。

#步骤输出阶段文件
1定义主题方向topic_definition.mdworkflow-script.md
2研究主题topic_research.mdworkflow-script.md
3设计 5-7 个章节(内存中)workflow-script.md
4编写旁白脚本podcast.txtworkflow-script.md
4.5发音预检(zh-CN)phonemes.jsonworkflow-script.md
5资产计划与解析assets/manifest.jsonworkflow-assets.md
6生成缩略图(16:9 + 4:3)thumbnail_*.pngworkflow-production.md
7生成 TTS 音频podcast_audio.wav, timing.jsonworkflow-production.md
8Remotion 合成 + Studio 预览—workflow-production.md
9渲染 4K + 混音 BGMoutput.mp4, video_with_bgm.mp4workflow-production.md
10发布信息 + 验证输出publish_info.md, final_video.mp4workflow-publish.md
11生成竖版短视频(可选)shorts/workflow-publish.md

强制停止点(上方加粗行):

  • 步骤 8 — Studio 审查。 必须启动 npx remotion studio 并等待用户反馈后再渲染。在用户明确确认(“渲染 4K” / “渲染最终版”)之前,绝不要渲染 4K。包含调整请求的回复不是确认——应用更改,让 Studio 热重载,然后再次询问。每一轮调整都需要自己的新确认,然后再进行步骤 9。
  • 步骤 10 — verify_output.py。 必须通过才能宣布视频完成。退出码 0 = 通过;退出码 2 = 有警告但仍可发布。自动修复常见遗漏(如果缺失则创建 final_video.mp4)。针对平台矩阵验证发布信息(标题、描述、标签、章节)——在步骤 5.5 和 10.2 中生成。要获得机器可读的输出,请添加 --format json。

渲染前审计(推荐) — 在步骤 8 之前:

python3 ${SKILL_DIR}/scripts/audit_beat_sync.py <Video.tsx> <timing.json>

标记与旁白偏差超过 1.5 秒的节拍。

自动模式:视觉自检。 在自动模式下运行时(无用户观看 Studio),在请求渲染确认之前先渲染 3-5 个关键帧静帧:

npx remotion still src/remotion/index.ts <CompositionId> videos/{name}/_review_001.png --public-dir videos/{name}/ --frame=<中点帧>

选择帧:起始标题(约 10% 处)、密集章节中点、结尾。将静帧作为图像读取,并对照实际渲染输出运行 design-guide.md 和 visual-taste.md 检查清单。在 4K 渲染之前捕获溢出、对比度和布局回归。审查后删除 _review_*.png。

验证检查点

在步骤之后检查
7(TTS)podcast_audio.wav 可播放 · timing.json 覆盖所有章节 · SRT 为 UTF-8 编码
9(渲染)output.mp4 为 3840×2160 · 音视频同步 · 无黑帧
10(验证)verify_output.py 退出码 0(或经审查的警告后退出码 2)

硬性规则

规则要求
单一项目所有视频放在用户 Remotion 项目的 videos/{name}/ 下。绝不要为每个视频创建新项目。
4K 输出3840×2160(或竖版 2160×3840),在 1920×1080 设计空间上使用 scale(2) 包装
音频同步音频(podcast_audio.wav + podcast_audio.srt)是主时钟。timing.json 必须从真实的 TTS 输出生成,绝不要手动估算。渲染前,最终视频时长必须与音频匹配,误差在 ±0.5 秒内。参见 音频-主时钟与同步。
缩略图必须同时生成 16:9(1920×1080)和 4:3(1200×900)——参见 design-guide.md
先 Studio 再渲染必须启动 remotion studio 进行审查。绝不要在用户明确确认前渲染 4K。调整反馈 ≠ 确认——应用更改,热重载,再次询问。
--public-dir每个 Remotion 命令都使用 --public-dir videos/{name}/。所有输出文件(output.mp4、final_video.mp4、缩略图)都直接放入 videos/{name}/——绝不要放入 out/ 或 dist/ 目录。

视觉最小值(文本大小、内容宽度、安全区域、动画安全)在 references/design-guide.md 中。必须在步骤 8 之前加载。

音频-主时钟与同步

黄金规则

  1. 音频是主时钟。 每个幻灯片开始、字幕、章节和动画节拍都源自 podcast_audio.wav 和 podcast_audio.srt。
  2. 从 TTS 生成时间轴,而不是文本估算。 流水线:podcast.txt → generate_tts.py → podcast_audio.wav + podcast_audio.srt + timing.json → 合成 → 渲染。
  3. 在音频存在之前,绝不要手动编写 timing.json。 如果您已经策划了幻灯片,请运行 align_timing_from_srt.py 将它们锚定到真实的 SRT。
  4. 补偿 TransitionSeries 重叠。 TransitionSeries 渲染 sum(section.duration_frames) - (N-1) * transitionFrames 帧。按比例缩放每个章节,使渲染长度等于 timing.total_frames。不要将所有重叠帧塞入第一个章节。修正后的模式在 templates/Video.tsx 中。

强制性同步检查点

何时检查
步骤 7(TTS)之后timing.json.total_duration 与 podcast_audio.wav 匹配,误差 ±0.5 秒
渲染之前Video.tsx 为过渡重叠缩放所有章节
渲染之后final_video.mp4 时长与 podcast_audio.wav 匹配,误差 ±0.5 秒
步骤 10(验证)verify_output.py 退出码 0 且音频/时间轴报告绿色

如果任何检查点失败,请停止。不要发布。

输出规格

参数横向 (16:9)竖版 (9:16)
分辨率3840×2160 (4K)2160×3840 (4K)
帧率30 fps30 fps
编码H.264, 16MbpsH.264, 16Mbps
音频AAC, 192kbpsAAC, 192kbps
时长1-15 分钟60-90 秒(高亮)

每视频布局

project-root/                           # Remotion 项目根目录
├── src/remotion/                       # Remotion 源码 (Root.tsx, compositions, index.ts)
├── videos/{video-name}/                # 每视频目录
│   ├── topic_definition.md             # 步骤 1
│   ├── topic_research.md               # 步骤 2
│   ├── podcast.txt                     # 步骤 4: 旁白脚本
│   ├── phonemes.json                   # 步骤 4.5: 中文发音覆盖
│   ├── assets/manifest.json            # 步骤 5: 每章节资产注册表
│   ├── publish_info.md                 # 步骤 10: 标题/描述/标签
│   ├── podcast_audio.wav               # 步骤 7: TTS 音频
│   ├── podcast_audio.srt               # 步骤 7: 字幕
│   ├── timing.json                     # 步骤 7: 时间轴(驱动动画)
│   ├── thumbnail_*.png                 # 步骤 6
│   ├── output.mp4                      # 步骤 9: 4K 渲染
│   ├── video_with_bgm.mp4              # 步骤 9: 带 BGM
│   ├── final_video.mp4                 # 步骤 10: 最终输出
│   └── bgm.mp3                         # 背景音乐
└── remotion.config.ts

每视频 --public-dir

每个 Remotion 命令都使用 --public-dir videos/{name}/——每个视频的资产保留在自己的目录中,支持并行渲染:

npx remotion studio src/remotion/index.ts --public-dir videos/{name}/
npx remotion render ... videos/{name}/output.mp4 --public-dir videos/{name}/ --video-bitrate 16M
...

额外资源

在引用文件时通过相对路径加载这些文件——它们与 SKILL.md 在同一个目录中。对于 Pi/Claude Code 将文件内容读取到上下文(当触发时加载)。

文件何时加载
references/workflow-script.md步骤 1-4.5 的阶段细则(主题、脚本、发音)及执行模式
references/workflow-assets.md步骤 5:资产清单模式、来源政策、解析步骤
references/workflow-production.md步骤 6-9:缩略图、TTS、Remotion 合成、渲染
references/workflow-publish.md步骤 10-11:发布信息、平台矩阵、验证、竖版短视频
references/design-guide.md步骤 8 前必须加载:文本大小、内容宽度、安全区域、动画安全、缩略图规格
references/visual-taste.md自动模式步骤 8 自检;作为设计审美检查清单
references/design-learning.md替代主工作流程:当用户提供参考视频/图片或要求样式配置文件时

将所有 references/ 文件视为权威来源,如果出现冲突,它们优先于此 SKILL.md 中的概要部分。


用户偏好

用户偏好存储在 user_prefs.json 中。如果不存在,则在第一次运行 check_prereqs.py 时创建。手动创建:

{
  "global": {
    "tts": {
      "backend": "edge",
      "voice": "zh-CN-XiaoxiaoNeural"
    },
    "bgm": {
      "default_volume": 0.15
    },
    "platforms": ["bilibili", "youtube"]
  },
  "videos": {
    "example-video": {
      "title": "我的自定义标题"
    }
  }
}

全局设置:

键描述默认值
global.tts.backendTTS 后端:edge 或 azureedge
global.tts.voiceTTS 声音zh-CN-XiaoxiaoNeural
global.bgm.default_volumeBGM 默认音量 (0-1)0.15
global.platforms发布目标平台列表["bilibili", "youtube"]

每视频设置: 覆盖特定视频的全局值。在步骤 10(发布)期间应用。


故障排除

症状解决方案
check_prereqs.py 因缺少 Python 模块失败运行 pip install -r ${SKILL_DIR}/requirements.txt
edge-tts 运行时错误确保已安装 edge-tts(pip install edge-tts)且系统具有有效的互联网连接
Remotion Studio 因端口冲突无法启动使用 npx remotion studio --port <free_port>
output.mp4 音频不同步运行 python3 ${SKILL_DIR}/scripts/check_audio_sync.py videos/{name}/output.mp4。如果失败,重新运行 TTS 步骤 (7)。
verify_output.py 退出码 2查看警告——它们可能是可接受的(例如 BGM 文件已存在)。如果不确定,询问用户。
NVIDIA GPU / CUDA 错误Remotion 使用系统的 Chrome;确保安装了 GPU 驱动程序。如果显存不足,降级到软件渲染。

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

相关技能