白底簡筆吐槽短視頻系列

一條影片 = 一份稿 + 一組分鏡 + 一條音軌 + 一張封面 + 一套發布物料。全部用同一套繪圖基元和字體畫出來，所以系列裡每一集風格一致、封面和正片零漂移。

產出契約

每一集必須交付這 5 組檔案，缺一不可：

產出	檔案	規格
字幕版成片	`out/<標題>_簡筆吐槽_字幕版.mp4`	1080×1440，30fps，H.264+AAC，約 68s
無字幕版成片	`out/<標題>_簡筆吐槽_無字幕版.mp4`	同上，去掉字幕層
字幕檔案	`out/<標題>.srt`	單行 ≤16 字，時間遞增不重疊
3:4 封面	`out/<標題>_封面.png`	1080×1440，與正片同一套線條和字體
視頻號物料	`project_*/publish.md` + `publish.json`	3 檔標題、1 版描述、5–8 個話題、1 條置頂評論

另附 out/<標題>_預覽.png（四格關鍵幀條），方便用戶一屏看完一集。

環境

Python 3.10+、Pillow、NumPy、ffmpeg/ffprobe。先建虛擬環境，不動系統 Python：

python3 -m venv .venv && .venv/bin/pip install -r "$skill_dir/scripts/requirements.txt"

macOS 上 ffmpeg 常不在預設 PATH，先 export PATH="/opt/homebrew/bin:$PATH"。配音走 mcode-tools（MiniMax TTS/ASR），需要 mcode-tools-master 技能在 PATH 上。

如果 python3 報 You have not agreed to the Xcode license agreements（退出碼 69），說明系統 Python 沒裝好，換一個能用的直譯器建環境，例如 /opt/homebrew/bin/python3.13 -m venv .venv，不要去動 Xcode 的授權。

流程

1. 定選題與系列定位

單集：給一個梗味方向就行。多集：先給每集一個互斥的梗味，不要同一種笑法換皮。

自嘲荒誕流（自己越講越離譜）
對話反轉型（兩人對話推進，最後一句翻盤）
冷觀察流（旁觀式吐槽，克制冷幽默）
荒誕設定流（把一個荒唐前提當真）

同一系列裡至少有兩種不同梗味相鄰，視覺語言可以共用，敘事節奏不要雷同。

2. 寫稿

讀 [references/writing-style.md]。硬指標：

一句一鏡，約 40–45 句、480–520 字，落點約 68s（字數 ÷ 7.4 ≈ 秒數）。
每個包袱必須有一個看得見的動作或道具變化兌現，不能只靠字幕說。
結尾要翻轉角色關係，留一句能單獨截图的台詞。
寫成 JSON：{"title": ..., "target_seconds": 68, "segments": [{"scene": ..., "text": ..., "red": [...]}]} scene 是畫面 id，red 是要標紅的詞（必須原樣出現在 text 裡）。

3. 切分鏡

"$python_bin" "$skill_dir/scripts/build_segments.py" --story story.json --out project_ep2

字幕按標點切成 ≤16 字一行；渲染器一行放不下 17 字以上。切分點挑「接近 10 字」的標點，避免把詞劈開（「大型预付」不能切成「大型预」「预付」）；引號裡的短句整段不拆，不會切出以 」 開頭的行。腳本會校驗紅詞在字幕裡、切分沒丟字、沒出現純標點空字幕，並列印預估時長：字數 ÷ 7.4 ≈ 秒數，偏離目標 ±10% 會給出警告——按提示加減句子，不要靠改語速硬湊。

4. 畫分鏡

在 project_ep2/scenes.py 裡寫 scene_<id>(c, t, d) 函數，並在檔案末尾重新定義 SCENES 字典（只含本集的 id）。繪圖基元見 scripts/render/doodles.py。

person(c,x,y,s,expr,boss,pose,t,arms,legs)：頭心在 (x,y)，身體到 y+307*s，expr 取 dead/sad/happy/angry/shocked/sleep，pose 取 stand/shrug/point/phone/pockets/walk。
woman(c,x,y,s,expr,t)：妈妈造型（髮髻 + 裙子）。
speech(c,x,y,w,h,tail,size)：氣泡；c.text((x,y),'字',size) 是居中錨點。
c.curve 只接受 4 個控制點；c.text 不支援描邊和多行。

改完先過兩道門：

"$python_bin" "$skill_dir/scripts/check_overlap.py" project_ep2/scenes.py   # 靜態佈局審計
"$python_bin" "$skill_dir/scripts/check_project.py" project_ep2             # 接觸表目檢

check_overlap.py 抓文字壓人物、文字互相重疊、元素超出安全帶。它已經辨識兩種「看起來重疊但其實不是」的情況：if/else 裡互斥的換字，以及白色底色塊蓋住舊元素。所以報出來的基本是真問題——退出碼非 0 就先修，不要直接渲染。

check_project.py 先查字幕，再出接觸表：字幕拼起來必須和台詞是同一句話（允許人工潤色過的標點，但不許多字、少字、換詞），也不許出現沒有字的空字幕；不通過就直接退出，不會浪費時間去渲染接觸表。

確實要保留的重疊（例如畫在人物身上的掛牌徽章），在 scenes.py 裡顯式登記：

OVERLAP_ALLOW = {"three_years", "me_too"}

接觸表要逐鏡看：畫面和這句台詞對得上嗎？道具畫清楚了嗎？

5. 配音

"$python_bin" "$skill_dir/scripts/build_voice.py" --project project_ep2 --speed 1.5 --gap 0.10

逐句合成是這套流程的關鍵：每一句單獨 TTS，裁掉首尾靜音後用固定間隔拼接，所以每句的起止時間已知，asr.json 直接按這些時間構造，字幕對齊零誤差，不需要詞級 ASR。

預設音色 lengdan_xiongzhang（冷淡學長），用戶指定別的就用別的。
TTS 有短周期限流（HTTP 429）。腳本用固定 10 秒間隔重試——固定間隔比遞增退避有效得多。
單集约 40–45 句，全程約 15 分鐘，背景跑。
合成完用 scripts/tts.py asr --file project_ep2/voice.wav 抽查一遍。
近音誤識（「办事/办事时」）只改 ASR 結果裡的字，不改稿、不重錄。

6. 時間軸、渲染與驗收

"$python_bin" "$skill_dir/scripts/deliver.py" project_ep2 <標題> --target 68
"$python_bin" "$skill_dir/scripts/verify.py" project_ep2

deliver.py 會按目標時長反算 atempo（speed = 原始音軌 / (目標 - 尾留)），生成時間軸、字幕、混音，渲染字幕版和無字幕版，並把成片和 SRT 歸檔到 out/。

verify.py 查：編碼參數、全片解碼、字幕時序與長度、ASR 回聽。 驗收全綠才算做完；解碼失敗、字幕時序有問題必須修完重渲。

7. 封面

封面不用 AI 生圖，用正片同一套繪圖基元和字體重畫，風格零漂移。

在 project_ep2/cover.py 裡寫 illustration(c)（繪圖基元已注入命名空間），在 project_ep2/cover.json 裡寫文案行：

{"lines": [
  {"text": "相親現場", "size": 146, "y": 170, "red": []},
  {"text": "我媽給我報了七個", "size": 96, "y": 312, "red": ["七個"]},
  {"text": "見家長見姥姥", "size": 64, "y": 1196, "red": []},
  {"text": "八十七了也不催生", "size": 64, "y": 1280, "red": ["催生"]}
]}

"$python_bin" "$skill_dir/scripts/make_cover.py" project_ep2

版面規則見 [references/cover-design.md]。封面必須單獨看一眼再交付。

8. 視頻號發布物料

先要素材，再寫文案：

"$python_bin" "$skill_dir/scripts/make_metadata.py" project_ep2

腳本會列印全稿、紅詞、高頻詞和結尾三句。據此寫：

標題 3 檔，帶 emoji 鉤子，每檔 ≤22 字最好（超出仍可，硬上限 100 字）。
描述 1 版定稿，2–3 行，第一行是鉤子，話題以 #話題 內聯在正文裡。
話題標籤 5–8 個，必須都出現在描述裡（腳本會校驗）。
置頂評論 1 條，引導補充或自嘲。

寫好後：

"$python_bin" "$skill_dir/scripts/make_metadata.py" project_ep2 \
  --titles "標題一" "標題二" "標題三" \
  --desc "描述正文 #話題1 #話題2" \
  --tags "話題1" "話題2" \
  --comment "置頂評論"

規則細節見 [references/publish-channels.md]。產物 publish.md / publish.json。

硬約束

畫布 1080×1440（3:4），30fps，純白底，輪廓 4–6px 黑線，大圓頭細身體。
主體集中在 y=400–1050，上方留白；字幕帶從 y=1084 開始，字號下限 54。
字幕用行楷（Xingkai），白字加深色軟陰影，包袱關鍵詞標紅。
字幕一行 ≤16 字，渲染器放不下更長的。
不把正文燒進畫面，字幕單獨一層渲染。
封面必須和正片同一套字體和線條，不允許換風格。
保留已有成片；改稿用新項目目錄，不覆蓋已交付的集。

失敗處理

TTS 一直 429：腳本已固定間隔重試 40 次。仍失敗就降速到 1.4 再跑，或分批跑（--limit N 續跑，緩存會跳過已合成的句子）。
prepare.py 報 ASR 不一致：說明 asr.json 和稿子對不上，通常是改稿後沒重配音。重跑 build_voice.py，不要用 --allow-asr-mismatch 糊過去。
render.py 報字幕過長：某條 caption 超了 16 字，回 build_segments.py 改切分規則。
check_overlap.py 非 0：按報出的 scene id 逐個改座標，直到退出碼為 0。
配音沒聽完就別說聽檢通過；沒完整看片別說完整觀看。交付記錄只寫實際做過的驗證。

參考

references/writing-style.md — 稿子寫法與笑點設計
references/series-plan.md — 系列選題與差異化
references/cover-design.md — 封面版面規則
references/publish-channels.md — 視頻號發布物料規則

Windows (win32) platform notes

Windows 下的等價做法：

虛擬環境：py -3 -m venv .venv，之後用 .venv\Scripts\python.exe 替代 $python_bin。
依賴：.venv\Scripts\pip.exe install -r "<skill_dir>\scripts\requirements.txt"。
ffmpeg/ffprobe 直接裝進 PATH（winget install Gyan.FFmpeg），無需加 /opt/homebrew/bin；但 scripts/deliver.py、scripts/make_preview.py、scripts/verify.py 裡的 ffmpeg 路徑是硬編碼的 macOS 絕對路徑，改成 ffmpeg / ffprobe 即可跨平台。
scripts/build_voice.py 依賴 mcode-tools 在 PATH 上，以及 curl；Windows 10 1803+ 自帶 curl，若缺失可用 Invoke-WebRequest -OutFile <path> <url> 代替。
路徑分隔符：所有腳本用 pathlib 處理，傳參時給引號包裹路徑即可。

白底简笔吐槽短视频系列