Communitygithub.com

视频播客制作精简版

最小化的个人旁白视频制作流程:主题 → 脚本 → Azure TTS (SSML) → Remotion → 1080p/4K MP4。用于快速生成无主播出镜的讲解视频,无需完整视频播客制作机器的复杂功能。

视频播客制作精简版 是什么?

这是一个专为个人使用设计的最小化旁白视频制作技能,旨在快速将任意主题转化为无主播出镜的 MP4 讲解视频。它通过脚本撰写、Azure TTS (SSML) 语音合成和 Remotion 渲染引擎,直接生成 1080p 或 4K 分辨率的视频,无需额外技能、配置文件或模板。技能支持中文脚本,并内置了严格的脚本风格检查(如避免书面化表达和空洞标语),确保生成的旁白自然口语化。它适用于轻量级视频生产场景,如个人博客、知识分享,而不适用于需要缩略图、短视频或发布矩阵的重度生产需求——后者应使用完整的 `video-podcast-maker` 技能。该技能支持在单个 Remotion 项目中管理多个视频,每个视频独立存储,并提供了可选的背景音乐(从 Pixabay 随机获取)和交付物(封面图、发布信息等)扩展。

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-lite

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

视频播客制作精简版 是做什么的?

一个单一用途的个人视频制作流程:主题 → 旁白脚本 → Azure TTS (SSML) → Remotion → 1080p/4K MP4。无需外部技能、配置文件或捆绑模板——Remotion 组合根据下方合约生成一次,然后在各视频中复用。

前置条件

pip3 install azure-cognitiveservices-speech   # 唯一的 Python 依赖
export AZURE_SPEECH_KEY="..."      # Azure 语音资源密钥
export AZURE_SPEECH_REGION="..."   # 例如 eastasia
# 需要 ffmpeg + node 18+;一个已执行 npm install 的 Remotion 项目
# 仅在第 5 步获取 BGM 时需要 Playwright MCP(会话浏览器)

项目发现(在第 1 步前运行)

  1. 定位 Remotion 项目——包含 src/remotion/index.ts 和 node_modules/remotion/ 的目录。先检查当前工作目录;如果不在那里,询问用户项目路径。不要扫描文件系统,也不要创建新项目(如果项目已存在于其他地方)。
  2. 盘点现有视频——ls videos/ 和 ls src/remotion/*Video.tsx。最近的 *Video.tsx 是第 3 步要复制的组件;videos/ 显示哪些视频已存在。
  3. 已存在 videos/{name}/? 那么这是对该视频的迭代,不是新视频——重用该目录并仅重新运行更改的部分(参见迭代)。
  4. 没有项目(仅首次运行) → 在工作目录中初始化一次:npm init -y && npm i remotion @remotion/cli @remotion/transitions react react-dom,创建 src/remotion/,并告知用户一次性的约 2 GB 安装。所有后续视频跳过此步骤。

工作流程(6 步)

所有命令从项目根目录运行。所有视频制品保存在项目内的 videos/{name}/ 中。{name} 为小写英文,用连字符分隔。

第 1 步——编写脚本:videos/{name}/podcast.txt

每个视频段落一个 [SECTION:xxx] 标记;段落名称为小写英文(hero、content-1、outro)。可选的显示标题放在 | 后——[SECTION:outro|thanks]——它用于标记进度条标签和默认布局(没有时,标签从第一句话衍生,可能不自然)。以 # 开头的行被忽略(可以安全地提及标记)。仅包含口语文本——无 markdown——并遵循下方的脚本风格规则。示例:

# 注释行不会被朗读
[SECTION:hero|intro]
欢迎来到本期视频!今天我们要聊一个大家都关心的话题。

[SECTION:content-1|point 1]
首先,我们来看第一个要点。这里有几个关键信息需要你知道。

[SECTION:outro|thanks]
好了,今天的内容就到这里。如果觉得有帮助,欢迎点赞关注,我们下期再见!

脚本风格(反AI风格,简体中文)

编写时应用,然后在 TTS 前自检。目标是:日常口语化中文,而非带有逗号的书面散文。(提炼自完整技能的 natural-narration.md + script-polish.md——这些是权威来源;先在那里编辑规则,然后镜像到此。)

连接词替换(书面 → 口语):此外→还有 · 然而→但是 · 因此→所以 · 与此同时→这时候 · 总的来说/综上所述→删掉 · 首先/其次/最后→直接讲下一件事。

禁用列表(重写或删除):赋能、打造、深入探讨、值得一提/值得注意的是、众所周知、至关重要、革命性、颠覆、天花板、无缝、闭环、抓手、里程碑、标志着、未来可期、让我们拭目以待。

结构特征——修复模式:

模式修复
动名词外壳:进行优化/实现增长/做出选择具体行动 + 结果:“把审批从三步改成一步”
否定对比:不是 X,而是 Y直接陈述 Y
三部分并列:既是…又是…更是…保留信息量最大的项;两个优于三个
空洞强调:显著/大幅/非常一个数字或可感知的结果
模糊引用:业内普遍认为/有专家指出具名来源 + 日期,否则删除该句
标语式结尾:未来可期/注入新的活力落在具体事实上:数字、日期、下一步行动

为听觉写作:每个句子一个想法,主语优先,变化句子长度,无嵌套从句,无 — 或 · 作为连接词(它们不会被朗读且混乱字幕)。轻度的第一人称可以(“我实测下来”)。

字幕即是脚本原文——因此数字应写成它们在屏幕上显示的样子:阿拉伯数字(3.8、63K、98.8%、128G),绝不用中文数字(六十五点一 / 三百九十七)。相同的数字规则适用于 Remotion 组件中的屏幕文本(卡片、标题)。不要为了修复发音而在脚本中写入口语形式——它会泄露到字幕中。tts.py 自行处理口语层:每个包含数字的 token(86.1、9B、5600、Qwen3.5)在合成前会转换为中文读法(八十六点一、九B、五千六百、千问三点五),然后词边界映射回去,使字幕保持显示文本。(多语言语音如 zh-CN-XiaoxiaoMultilingualNeural 在混合上下文中用英语读裸数字——这正是该层阻止的情况。SSML <sub alias> 已尝试并放弃:Azure 对 <sub> 的词边界事件存在 bug 并破坏 SRT。)

数字必须有出处——没有来源的精确数字是编造的;要么删除,要么注明来源。

第 2 步前自检:没有禁用词?没有“不是…而是…”?没有标语式结尾?大声朗读每个段落——如果卡壳,拆分句子。

停——脚本审核关卡(必选):当 podcast.txt 写完后,暂停流程并将脚本交给用户审核。在用户明确批准脚本前,不要运行 TTS(第 2 步)。此关卡在所有下游步骤之前——音频、时间线和视觉入场都源自脚本,因此后期脚本更改会导致完整重新运行。

第 2 步——TTS

python3 "${SKILL_DIR}/scripts/tts.py" videos/{name}/podcast.txt videos/{name}/

先运行 --check(仅检查,无合成,免费)以在花钱合成前捕捉多音字和别名缺口。

生成 podcast_audio.wav + podcast_audio.srt + timing.json + cues.json(每个 cue 的文本、全局帧和 section_frame——用于在组件中对齐视觉入场,无需手动解析 srt)。每个段落通过 SSML 单独合成并拼接,因此段落时间线精确无误。字幕 cue 优先按短语划分:30 个可见字符内的句子显示为整体;较长句子按逗号/分号从句打包(~22 个字符每个 cue);过长的从句在其最近中间的词边界处截断,绝不从中间切词;微小的尾随 cue 仅在同一段落内合并到前一个 cue(下一个段落的短首句绝不能混入前一段落的最后一个 cue)。在已存在的 timing.json 上重新运行会打印每个段落的时间差;任何段落偏移 >0.3s 意味着组件中硬编码的入场延迟需要根据新的 cues.json 重新调整。

参数:--voice(默认 zh-CN-XiaoxiaoNeural),--style(mstts:express-as,例如 gentle / cheerful——坚持这两个;其他可能听起来牵强),--rate(韵律,例如 -4%),--phonemes(多音字如 命令行/同行的全词拼音字典;默认合并 ~/.video-podcast-maker/phonemes.json 和输入文件旁边的 phonemes.json——每个视频的条目优先),--aliases(发音别名显示→口语,例如 "Ornith-1.5": "Ornith 一点五";与 aliases.json 相同的合并顺序)。环境变量回退:TTS_VOICE / TTS_STYLE / TTS_RATE。为保持多视频间一致的频道声音,在 shell 配置文件中一次性设置(例如 TTS_VOICE=zh-CN-XiaoxiaoMultilingualNeural TTS_RATE=+5%),而不是每次传递参数。

发音:多音字预检、已知误读模式、别名词典机制和内置口语层行为记录在 references/pronunciation.md 中——在首次为新主题运行 TTS 前阅读它。

第 3 步——编排视觉效果

  • 首个视频:根据组合合约生成组合(src/remotion/ 下的 index.ts + Root.tsx + Video.tsx)。
  • 每个后续视频:复制前一个视频的组件并编辑——不要再从合约开始。

一个 Remotion 项目托管所有视频;一个新视频只需添加一个组件文件和一个 <Composition> 注册:

project-root/                    # 一个项目,npm install 一次
├── src/remotion/
│   ├── index.ts                 # registerRoot —— 共享,永不更改
│   ├── Root.tsx                 # 每个视频一个 <Composition id="…">
│   ├── DemoVideo.tsx            # 每个视频的组件(复制上一个并编辑)
│   └── NextTopicVideo.tsx
└── videos/{name}/               # 每个视频的制品:podcast.txt,wav,srt,timing.json,mp4

每个视频:选择一个唯一的 PascalCase 组件/组合 id(例如 ReferenceManagerComparison),设置标题/颜色,并为每个段落名分配一种布局(switch (section.name) 处理 hero / content-N / outro 效果不错)。

视觉丰富度(默认风格——纯文本框不是目标效果):每个信息卡片、流程框、标签和统计磁贴都携带一个打头的 emoji(或 @lobehub/icons 品牌组件,以描绘真实产品);每个元素最多一个,且绝不在 MONO 值行内(emoji 破坏等宽对齐——放在标签/标题上)。保持一个概念 = 一个 emoji 的映射在整个视频中一致,并根据主题恰当选择(日期/参数/速度/成本各自有明确匹配;由代理选择)。每个段落还有至少一个视觉锚点(示意图):首选官方素材(产品横幅、规格卡片、截图),否则使用免费示意图或图标集(unDraw SVG、Pixabay/Pexels 图片、OpenMoji / Microsoft Fluent Emoji / Google Noto Emoji、@lobehub/icons 用于品牌标志)——在 publish_info 的 asset-sources 部分注明来源 + 许可证(像 Flaticon 免费层级等需要署名的集合必须在视频描述中致谢)。Emoji 装饰 UI 卡片,示意图锚定段落;两者不互相替代。

第 4 步——预览(强制人工关卡)

npx remotion studio src/remotion/index.ts --public-dir videos/{name}/

必须启动 Studio 并等待用户亲自审核。绝不要渲染,直到用户明确确认(“渲染” / “render”)。调整请求不是确认——应用更改,让 Studio 热重载,再次询问。每轮视觉更改需要其自己的新鲜确认;确认永不延续到第 5 步。

第 5 步——渲染 + BGM

渲染:

npx remotion render src/remotion/index.ts MyVideo videos/{name}/output.mp4 --public-dir videos/{name}/

BGM(默认;仅当用户说不时需要音乐时跳过):从 Pixabay Music 获取一首随机曲目 并以低音量混音(旁白保持主导)。Pixabay 许可证:免版税,可商业使用,无需署名——但仍需将标题/作者记录到 publish_info 的 asset-sources 部分。

如何获取(验证于 2026-08-25):Pixabay 的搜索/列表页面是客户端渲染的,并对非浏览器客户端有 Cloudflare 保护,但单个曲目页面在真实浏览器中打开时,其 JSON-LD 嵌入了完整曲目下载 URL,并且该 cdn.pixabay.com URL 随后可通过普通 curl 正常下载。

  1. 使用会话浏览器(Playwright MCP),打开一个搜索页面——https://pixabay.com/music/search/cinematic/(或 relaxing / ambient,如果需要更平静的背景)。

  2. 收集匹配 /music/<slug>-<id>/ 的结果链接(排除 /music/search/ 和带地区前缀的如 /de/music/...),随机选择一个,打开它。

  3. 读取曲目的 JSON-LD(script[type=application/ld+json"] → AudioObject):contentUrl(完整曲目 MP3)、name、creator.name、duration。优先选择约 1.5–8 分钟;若超出范围,打开另一个链接。如果页面的 JSON-LD 没有 contentUrl(布局改变),停止重试——让用户选择曲目并提供下载 URL。

  4. 用 curl 下载(浏览器 UA + Referer: https://pixabay.com/——已验证有效):

    curl -sL -A "<browser UA>" -H "Referer: https://pixabay.com/" "<contentUrl>" -o videos/{name}/bgm.mp3
    

混音(bgm 低音量;loudnorm 阶段是必需的——没有它混音平均 ≈ -32 dB,太安静 ~10 dB):

ffmpeg -y -i videos/{name}/output.mp4 -i videos/{name}/bgm.mp3 -filter_complex "[1:a]volume=0.08[bg];[0:a][bg]amix=inputs=2:duration=first[a];[a]loudnorm=I=-16:TP=-1.5:LRA=11[out]" -map 0:v -map "[out]" -c:v copy -shortest videos/{name}/final_video.mp4

渲染确认后停止 Studio 服务器——残留的 Studio 会占用端口并持续监听文件。

第 6 步——交付扩展(仅当用户的流程包含它们时)

在第 5 步后按此顺序渲染:

  • 封面静止画面:16x9 + 4x3 缩略图静止画面,通过 npx remotion still——先删除旧 PNG,静止画面跳过已有文件。
  • BGM 响度检查:ffmpeg -i final_video.mp4 -af volumedetect -f null -,平均约 -19 到 -22 dB,最大约 -1.5 dB。
  • publish_info.md:标题 / 描述 / 标签 / 章节时间戳(章节衍生自 timing.json)。
  • assets/manifest.json:资产来源信息。
  • 仓库级簿记:索引/主题生成器(例如 VIDEO_INDEX.md 构建器)通常依据 publish_info.md 标题,分类脚本可能拒绝运行直到新视频目录被添加到其分配映射——在发布制品就位后运行它们。

组合合约

组合通过 staticFile() 从 --public-dir videos/{name}/ 使用三个文件:podcast_audio.wav、podcast_audio.srt 和 timing.json:

{
  "total_duration": 32.1,
  "fps": 30,
  "total_frames": 964,
  "sections": [{ "name": "hero", "label": "…", "start_time": 0, "duration": 11.8, "start_frame": 0, "duration_frames": 355 }]
}

生成组合时的不可协商项(每项都是如果遗漏将导致的真实失败模式):

  1. 音频是主时钟——calculateMetadata 在运行时加载并返回 durationInFrames = timing.total_frames。绝不要硬编码时长。项目约定的分辨率:1920×1080 @ 30fps,或通过将 1920×1

…

[已截断,用于翻译]

Individual skills in this repo

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

Agents365-ai/video-podcast-maker

Smallest personal narrated-explainer-video pipeline (spoken narration over visuals, not an audio podcast), fully tool-agnostic and autonomous by default — topic → research ∥ asset collection → script → TTS → video → 4K render ∥ publish info + cover. The skill defines the pipeline logic and self-verified checkpoints; any TTS backend and any video tool (Remotion, HyperFrames, CapCut, ...) work, and how much human oversight to apply is set by the working project's AGENTS.md/CLAUDE.md, not here. Use when the user wants a quick personal narrated video with minimal steps, whether or not they name the tool stack. Do NOT trigger for audio-only podcasts, written episodic content, or heavy multi-format production.

Agents365-ai/video-podcast-maker

Use when the user gives a topic and wants an automated topic-driven narrated explainer, podcast, or knowledge-summary video (Bilibili / YouTube / Xiaohongshu / Douyin / WeChat Channels), or asks to learn visual design patterns from a reference video/image. Trigger when the user mentions creating a knowledge video, narrated explainer, video podcast, or animated infographic-style video from a topic — even if they don't say "video podcast" explicitly. Also trigger when the user wants to regenerate, re-render, rebuild, update, or iterate on a narrated video this skill already produced — e.g. they edited the script/prompt, changed the visuals, or swapped the background music and want the final video remade (reuse the existing videos/{name}/ directory, never start a new project). Do NOT trigger for generic video editing, trimming, format conversion, color grading, or non-narrative video tasks. Produces 4K video via research → script → TTS → Remotion → MP4 + BGM.

相关技能