视频播客制作器·微型版是做什么的？

七步个人使用管线：调研 ∥ 素材 → 脚本 → TTS → 音频检查点 → 视频 → 预览检查点 → 4K渲染 ∥ 发布包。无捆绑脚本、无硬编码后端、无模板。该技能拥有逻辑并默认自动运行；TTS后端和视频工具按每个视频选择（参见工具选择）。

无论工具如何选择，以下三个不变原则保证了其工作：

检查点永远不跳过——但由谁检查由策略决定。 存在三个检查点：脚本（步骤2之后）、音频（步骤3之后）、预览（渲染之前）。默认检查者是代理本身（自验证，按检查点定义）；项目的AGENTS.md/CLAUDE.md可将任何检查点升级为人工关卡——参见监督策略.
音频是主时钟。 最终视频时长必须与旁白音频误差在±0.5秒内（使用ffprobe两者）。视觉内容裁剪到音频时长，绝不反向。
脚本更改使下游一切失效。 编辑脚本→重新运行脚本检查点，然后TTS→音频检查点→视觉内容→预览检查点→渲染。绝不手动修补时间。

监督策略

默认模式为自动：管线端到端运行，代理执行每个检查点的自验证。工作项目的AGENTS.md/CLAUDE.md可每检查点用一行覆盖：

检查点1（脚本）：人工 — 步骤2后暂停，等待用户批准脚本。值得：后期脚本更改会导致完整重新运行。
检查点2（音频）：人工 — 用户听取完整音频后再制作视觉内容。当TTS误读难以在后期捕捉时值得。
检查点3（预览）：人工 — 用户在渲染前审阅草稿。对风格敏感频道值得。

未提及的检查点保持代理验证。项目策略文件从AGENTS.template.md（位于此SKILL.md旁边）开始：将其复制到视频项目根目录作为AGENTS.md（以及为Claude Code准备的CLAUDE.md副本）并填写工具绑定。该技能绝不将任何内容上传或发布——发布包只是磁盘上的文件；发布始终是在此管线之外的人类行为。

工具选择（每视频）

在步骤3之前，按以下优先级决定TTS后端和视频工具：

项目绑定优先。 工作项目中已填写的AGENTS.md/CLAUDE.md（参见监督策略）是用户的固定规范——使用它，无需扫描，无需猜测。如果用户在会话中命名了工具，则覆盖该文件。如果策略文件缺失或仍包含模板占位符（/absolute/path/to/...），则通过规则2-3解析绑定，然后将解析后的值写回项目策略文件，以便下次运行从绑定开始。
自动检测已安装的技能。 扫描会话中的可用技能，寻找能够完成该工作的技能——视频：包装了创作工具（Remotion、HyperFrames、CapCut等）的技能；TTS：任何包装了TTS引擎的技能。排除端到端管线技能（例如其他视频播客制作器变体，如果已安装）：它们像本技能一样是管线，而非后端——在此调用它们会导致工作流嵌套并翻倍检查点。找到一个→使用它；找到多个→选择最符合项目语言和输出需求的。将选择记录在research.md中；在最终摘要中显示。绝不等待工具确认。
未找到任何内容。 回退到用户已有的纯CLI工具（ffmpeg + 任何TTS CLI）并说明；绝不未经提示安装新工具。如果TTS CLI无法输出字幕时间，则通过将脚本均匀分割到音频时长并标记近似值（在检查点2处）来推导提示。如果用户指定的工具缺失或无法满足能力下限，则说明情况并降至规则2，而不是即兴应对。

能力下限（适用于规则1-3）：TTS选择必须生成旁白音频加字幕时间；视频选择必须导出草稿视频文件（用于检查点3验证）和4K。实时预览是加分项，绝不能替代草稿导出。辅助作业无需选择：调研使用内置网络搜索，静态/封面使用视频工具的静态导出或任何图像工具，时长使用ffprobe检查。如果ffmpeg/ffprobe缺失，报告并停止——±0.5秒不变原则不可协商，绝不能跳过以保持运行。

工作布局

一个视频的所有工件位于videos/{name}/（{name} = 小写英文、连字符分隔）。音频/时间的文件名适应所选后端；重要的是文件集：

videos/{name}/
├── research.md          # 步骤1 — 事实+来源
├── podcast.txt          # 步骤2 — 旁白脚本
├── podcast_audio.wav    # 步骤3 — 旁白音频   （名称按后端）
├── podcast_audio.srt    # 步骤3 — 字幕时间  （或等效的后端格式）
├── assets/              # 步骤1 — 图像/BGM + sources.md（每个资源的来源+许可）
├── video-project/       # 步骤5 — 视频工具产生的任何内容
├── final_4k.mp4         # 步骤7 — 3840×2160渲染
├── cover.png            # 步骤7 — 视频封面
└── publish_info.md      # 步骤7 — 标题/描述/标签/章节

工作流

入口点检查（步骤1之前）。 在项目根目录（或用户命名的目录）中查找videos/{name}/。如果它已包含早期会话的工件，则这是迭代——从受影响的最早步骤恢复（参见迭代），不要重新运行步骤1。仅当没有工件存在时才从步骤1开始。

步骤1 — 调研 ∥ 收集素材

从一个调查阶段并行产生两类输出（事实和素材来自相同来源）：

调研 → research.md。调研主题（网络搜索、论文、用户的指点）。浓缩到research.md：事实、数字及其来源。脚本中将声称的每个数字必须在此追溯——没有来源的精确数字是编造的；删除它或注明出处。

素材 → assets/。将视觉内容和封面将消耗的所有内容收集到videos/{name}/assets/中：每节图像/插图/截图、品牌标志、背景音乐。两个来源，按优先级顺序：

用户提供的 — 用户交或指向的文件；复制到assets/中，绝不在原地引用它们。
自动收集的 — 首先官方素材（产品横幅、规格卡片、截图），否则免费/许可集（unDraw SVG、Pixabay/Pexels、OpenMoji / Microsoft Fluent Emoji / Google Noto Emoji、@lobehub/icons用于品牌标志）。

在收集时记录每个资源的来源URL + 许可到assets/sources.md中（需要署名的集必须在步骤7的视频描述中注明）。没有适合某节的合适素材？不要编造截图——对该节回退到纯文本布局（或通用免费许可插图），在assets/sources.md中记录决策，然后继续；在人工模式下询问用户是可选的。缺失的素材可以在步骤5之前的任何时间添加。

步骤2 — 脚本 → `podcast.txt`，然后检查点1

仅口语文本，无markdown。用[SECTION:xxx|display-label]标记（小写英文名，例如[SECTION:hero|intro]）将脚本分割成段落——每个视频段落对应一节。此标记约定是脚本、TTS分块和视觉布局之间的可移植契约；任何TTS/视频工具都可以消费它。标记是结构元数据：永远不会朗读，永远不会显示为字幕文本——TTS和字幕只消费标记之间的文本。

风格规则（语言无关）：参见脚本风格。

检查点1 — 脚本自审（强制）。 对照每个脚本风格规则验证脚本，然后对照assets/协调其节：列出没有匹配素材的节，根据上述无素材规则进行收集或回退，并注明哪些节没有素材。在人工模式下（项目策略），改为暂停并将脚本交给用户——不要在用户明确批准前运行TTS。音频、时间和视觉入口都源自脚本；后期脚本更改会导致完全重新运行。

步骤3 — TTS

运行所选TTS后端（Azure、Edge、fish、minimax……取决于会话选择）。生成：

旁白音频（WAV/MP3）
字幕时间（SRT或等效，提示文本 = 逐字脚本）

在合成前进行发音卫生处理，无论旁白语言如何：无法机械推导的品牌/术语读音（Qwen读作其中文品牌名，MoE逐字母拼出）放入别名/音素列表（按后端机制）——绝不放入脚本文本（否则会泄漏到字幕中）。

步骤4 — 音频检查 — 检查点2

代理自验证（自动模式）：ffprobe音频时长与脚本的粗略估算（按语言语速；仅用于捕捉严重错误如静音或截断文件）；验证脚本中每个品牌/术语标记都有别名/音素条目（覆盖率检查——实际发音正是人工模式检查点2的目的）；检查是否存在静音或裁剪段落（silencedetect/volumedetect）提示合成失败。如果发现，修复别名列表间隙并重新合成。在人工模式下，用户听取完整音频代替；误读→修复别名列表（而不是脚本），重新合成，重新检查。

步骤5 — 制作视频

使用所选工具（Remotion、HyperFrames、CapCut……）将视觉内容剪辑到旁白音频，使用assets/作为素材池。podcast.txt中的节标记驱动布局；字幕提示驱动文本入口。将草稿文件保留在videos/{name}/中。

步骤6 — 预览检查 — 检查点3

代理自验证（自动模式）：检查导出的草稿（可查找的视频文件——能力下限保证有一个）：每节提取一帧（ffmpeg -ss <mid-section-time> -i draft.mp4 -frames:v 1）并查看每帧的布局溢出、缺失字幕、素材引用断裂；验证草稿时长与旁白音频误差在±0.5秒内。每次更改后修复并重新验证。在人工模式下，用户亲自审阅草稿（如果工具有实时预览则使用，否则使用导出的草稿）；仅在明确确认（"render"）时渲染，并且每轮更改需要新的确认。

步骤7 — 渲染4K ∥ 发布包

并行运行（渲染是长时间的阻塞作业；发布包不依赖它）：

渲染为3840×2160 → final_4k.mp4。声称完成前验证时长与旁白音频误差在±0.5秒内。
发布包 → publish_info.md（标题/描述/标签/章节时间戳——每个章节从该节第一个提示的SRT时间开始）和cover.png（如果视频工具有静态帧则生成，否则使用任何图像工具；可复用assets/素材）。publish_info.md的素材来源部分从assets/sources.md复制。

脚本风格（语言无关）

来源： 完整技能的video-podcast-maker/references/natural-narration.md （反AI风味）+ script-polish.md（深度编辑）是规范来源；这是语言无关的提炼。先在那些文件中编辑规则，然后在此镜像—— 不要分叉规则并使其漂移。

旁白语言是用户脚本的语言——此管线默认为中文，但以下规则适用于任何语言的口语语域。这些规则在检查点1执行；大声朗读每个句子——如果卡住，拆分句子。

日常口语散文，不是书面散文。 每句一个想法，主语在前，无嵌套从句，不用 — 或 · 作为连接词。变化句子长度；轻度的第一人称是好的。
连接词替换。 将书卷连接词（此外/然而/因此/总之）替换为日常等效词，或删除。删除列举式开头（首先/其次/最后）直接进入下一点。
清单删除。 删除套路化填充：公司流行语、“值得指出的是”、“众所周知”、“革命性的”、“颠覆性的”、“无缝的”、“让我们拭目以待”——以及旁白语言中的等效语。
结构提示。 动词-名词外壳（“执行优化”）→具体动作+结果（“将审批从三步减少到一步”）。“不是X而是Y”→陈述Y。三点并行（“又A又B又C”）→只保留最信息丰富的那个；两个比三个好。模糊强调词（“显著地”）→一个数字或可感知的后果。模糊归因（“专家说”）→具名来源+日期，否则删除句子。口号结尾（“前途是光明的”）→以一个具体事实、数字或下一步行动结束。
数字是阿拉伯数字（86.1、1.5G、9B）——字幕是逐字脚本，所以写出屏幕上应显示的内容。绝不为修复误读而将TTS口语形式写入脚本；使用后端的别名/音素层。
数字必须可追溯到 research.md——没有来源的精确数字是编造的；删除它或注明出处。

迭代

脚本更改 → 重新运行检查点1（人工模式下由人进行），然后从步骤3（TTS）经过检查点2和3到渲染。绝不手动编辑时间。
音频重新合成（相同脚本、不同声音/语速）→ 重新运行检查点2；如果时间未变化，视觉内容可保留；渲染前重新运行检查点3。
仅视觉内容更改 → 编辑并重新运行检查点3。
复用相同的videos/{name}/目录。

视频播客制作器·微型版