概念解说器（出镜，图形主导）
首先阅读 references/house-rules.md；它优先于本文件。 运行顺序：video-director 第 3 节。本文件仅涵盖特定内容。
状态：部分验证。 粗剪和镜头片段已在一次简短拍摄中测试过；将用户素材与来源、反应镜头和插播片段混合的完整视频尚未制作。首次使用时预计需要修复布局问题，并记录在 troubleshooting.md 中。
特定内容
- 主持人来自用户的真实素材。 除非用户点名要求使用唇音同步照片或生成面孔（参见
references/presenter.md，旧版部分），否则绝不使用。 - 来源：
fetch-video.sh→enhance-audio.sh（保留画面） →rough-cut.mjs→ 审阅表 →voice.mjs --provider file --file out/rough-cut.wav。详情：references/own-footage.md。 - 他们的话语是固定的。 根据实际所说的内容编写
script.json（修正转录拼写）。研究仍然适用：为他们的主张添加来源；如果某个来源与他们矛盾，请告知用户，而不是修改剪辑。 - 镜头计划： 用户在摄像机前（
presenter-full场景）用于钩子（前 5–10 秒）、结尾以及一两句需要他们面部表情来推销的台词。大约占视频总时长的五分之一到三分之一。其余部分使用图形（beats场景），放在他们的语音之上。 presenter.mjs footage out/rough-cut.mp4在正确的时间点从素材中剪切出每个出镜片段，以确保口型始终匹配。交替使用推近镜头（1.0 倍、1.3 倍、1.12 倍），使重复镜头有所区别。- 反应镜头和插播片段绝不遮挡用户的面部。 在主持人场景中，使用姓名/话题标签，最多加一个小型的侧面反应；将大型反应镜头保留给图形场景。
- 节奏： 第一分钟密集，然后比无脸视频更平缓（大约每分钟 5–8 次变化）。
成本与时间
仅需转录费用（美分计）。无语音费用。渲染时间约为每分钟视频 1 分钟，加上镜头剪切时间。
参考资料
own-footage.md · engine-api.md · presenter.md · voice-music.md · troubleshooting.md