影片 Podcast 製作小工具 (Video Podcast Maker Nano)

一個供個人使用的 7 步驟流程：研究 ∥ 素材 → 腳本 → TTS → 音頻檢查點 → 影片 → 預覽檢查點 → 4K 渲染 ∥ 發布套件。無捆綁腳本、無硬編碼後端、無模板。此技能擁有邏輯並預設自主運行；TTS 後端和影片工具則依每個影片選擇（參閱工具選擇（每個影片））。

使其無論工具選擇為何都能運作的關鍵——三個不變原則：

檢查點絕不跳過——但誰來檢查則由政策決定。 存在三個檢查點：腳本（步驟 2 後）、音頻（步驟 3 後）、預覽（渲染前）。預設檢查者是代理自身（自我驗證，定義於每個檢查點）；專案的 AGENTS.md/CLAUDE.md 可將任何檢查點升級為人為關卡——參閱監督政策。
音頻是主時鐘。 最終影片的持續時間必須與旁白音頻相符，誤差在 ±0.5 秒內（兩者皆使用 ffprobe）。視覺效果需配合音頻長度，反之則否。
腳本變更會使下游所有項目失效。 編輯腳本 → 重新運行腳本檢查點，然後依序執行 TTS → 音頻檢查點 → 視覺效果 → 預覽檢查點 → 渲染。切勿手動修補時間。

監督政策

預設模式為自主：流程從頭到尾執行，代理執行每個檢查點的自我驗證。工作專案的 AGENTS.md/CLAUDE.md 可透過每行一個設定來覆寫每個檢查點：

Checkpoint 1 (script): human — 在步驟 2 後暫停，直到使用者批准腳本。值得這麼做：後期修改腳本需要完整重新執行一次。
Checkpoint 2 (audio): human — 使用者在視覺效果前聽取完整音頻。當 TTS 誤讀在後期難以察覺時值得這麼做。
Checkpoint 3 (preview): human — 使用者在渲染前審查草稿。對於風格敏感的頻道值得這麼做。

未提及的檢查點保持由代理驗證。專案政策檔案起始於 AGENTS.template.md（位於此 SKILL.md 旁）：將其複製到影片專案根目錄作為 AGENTS.md（加上一個 CLAUDE.md 副本給 Claude Code）並填入工具繫結。此技能絕不會在任何地方上傳或發布任何內容——發布套件是磁碟上的檔案；發布始終是人類在此流程外的行為。

工具選擇（每個影片）

在步驟 3 之前，一次性決定 TTS 後端和影片工具，優先順序如下：

專案繫結優先。 工作專案中已填寫的 AGENTS.md/CLAUDE.md（參閱監督政策）即為使用者的常駐規格——使用它，無需掃描，無需猜測。如果使用者在對話中指名某個工具，則覆寫該檔案。如果政策檔案遺失或仍包含模板佔位符（/absolute/path/to/...），則透過規則 2-3 解決繫結，然後將解析後的值寫回專案政策檔案，以便下次運行時從繫結狀態開始。
自動檢測已安裝的技能。 掃描對話中可用的技能，尋找能夠執行該工作的技能——影片：包裝了創作工具（Remotion, HyperFrames, CapCut, ...）的技能；TTS：任何包裝了 TTS 引擎的技能。排除端到端流程技能（例如其他 video-podcast-maker 變體，如果已安裝）：它們像此技能一樣是流程，而非後端——在此處調用它們會嵌套工作流程並使檢查點數量加倍。找到一個合適的 → 使用它；找到多個 → 選擇最符合專案語言和輸出需求的。將選擇記錄在 research.md 中；在最終摘要中呈現。切勿阻塞等待工具確認。
未找到任何工具。 回退到使用者已有的純 CLI（ffmpeg 加上任何 TTS CLI）並告知使用者——切勿未經提示就安裝新工具。如果 TTS CLI 無法輸出字幕時間，則透過將腳本均勻分割到音頻持續時間來推算提示時間，並在檢查點 2 標記此近似值。如果使用者指定的工具缺失或無法滿足最低能力要求，則告知使用者並降至規則 2，而非臨時湊合。

最低能力要求（適用於規則 1-3）：TTS 選擇必須產生旁白音頻加上字幕時間；影片選擇必須能匯出一個草稿影片檔案（用於檢查點 3 驗證）和 4K 解析度。即時預覽是額外獎勵，絕不能替代草稿匯出。輔助工作無需選擇：研究使用內建網路搜尋，靜態圖片/封面則使用影片工具的靜態圖片匯出或任何圖片工具，持續時間檢查使用 ffprobe。如果 ffmpeg/ffprobe 缺失，則報告並停止——±0.5 秒的不變原則無可協商，且不能為了維持運行而跳過它。

工作目錄佈局

一個影片的所有成品位於 videos/{name}/ 中（{name} = 小寫英文，連字號分隔）。音頻/時間檔案的名稱會根據所選後端調整；重要的是檔案集：

videos/{name}/
├── research.md          # 步驟 1 — 事實 + 來源
├── podcast.txt          # 步驟 2 — 旁白腳本
├── podcast_audio.wav    # 步驟 3 — 旁白音頻   （名稱依後端而定）
├── podcast_audio.srt    # 步驟 3 — 字幕時間  （或後端的等效格式）
├── assets/              # 步驟 1 — 圖片/BGM + sources.md（每個素材的來源 + 授權）
├── video-project/       # 步驟 5 — 影片工具產生的任何內容
├── final_4k.mp4         # 步驟 7 — 3840×2160 渲染
├── cover.png            # 步驟 7 — 影片封面
└── publish_info.md      # 步驟 7 — 標題 / 描述 / 標籤 / 章節

工作流程

進入點檢查（步驟 1 之前）。 在專案根目錄（或使用者命名的目錄）尋找 videos/{name}/。如果它已包含先前對話中的成品，則這是疊代——從受影響的最早步驟開始（參閱疊代），不要重新執行步驟 1。僅在無任何成品存在時才從步驟 1 開始。

步驟 1 — 研究 ∥ 收集素材

從一次調查過程中產生的兩個平行輸出（事實和素材來自相同來源）：

研究 → research.md。調查主題（網路搜尋、論文、使用者的指示）。提煉到 research.md：事實、數字及其來源。腳本中聲稱的每個數字都必須能追溯到這裡——沒有來源的精確數字是捏造的；刪除它或標明出處。

素材 → assets/。將視覺效果和封面將使用的所有內容收集到 videos/{name}/assets/：每個章節的圖片/插圖/螢幕截圖、品牌標誌、背景音樂。兩個來源，按優先順序：

使用者提供 — 使用者提供或指向的檔案；複製到 assets/，切勿原地引用。
自動收集 — 首先尋找官方素材（產品橫幅、規格卡、螢幕截圖），否則使用免費/授權素材集（unDraw SVG、Pixabay/Pexels、OpenMoji / Microsoft Fluent Emoji / Google Noto Emoji、@lobehub/icons 用於品牌標誌）。

在收集時將每個素材的來源 URL + 授權記錄在 assets/sources.md 中（需要歸屬的素材集必須在步驟 7 的影片描述中註明來源）。某個章節沒有合適的素材？不要偽造螢幕截圖——改為對該章節回退到純文字佈局（或通用的免費授權插圖），將此決定記錄在 assets/sources.md 中，然後繼續；在人類模式下可選擇詢問使用者。缺失的素材可以在步驟 5 之前的任何時間添加。

步驟 2 — 腳本 → `podcast.txt`，然後檢查點 1

僅口語文字，無 markdown。使用 [SECTION:xxx|display-label] 標記將腳本分割成片段（小寫英文名稱，例如 [SECTION:hero|intro]）——每個影片片段一個章節。此標記慣例是腳本、TTS 分塊和視覺佈局之間的可攜式合約；任何 TTS/影片工具都可以使用它。標記是結構化元數據：永遠不會被朗讀，也永遠不會作為字幕文字顯示——TTS 和字幕僅使用標記之間的文字。

風格規則（語言無關）：參閱腳本風格（語言無關）。

檢查點 1 — 腳本自我審查（強制）。 針對每條腳本風格規則驗證腳本，然後將其章節與 assets/ 進行比對：列出沒有匹配素材的章節，根據上述無素材規則收集或回退，並記錄哪些章節沒有素材。在人為模式下（專案政策），則暫停並將腳本移交——直到使用者明確批准前，不要執行 TTS。音頻、時間和視覺入場都源於腳本；後期修改腳本需要完整重新執行一次。

步驟 3 — TTS

運行所選的 TTS 後端（Azure, Edge, fish, minimax, ... — 無論對話選擇了哪個）。產生：

旁白音頻（WAV/MP3）
字幕時間（SRT 或等效格式，提示文字 = 腳本原樣）

在合成前處理發音，無論旁白語言為何：無法機械推導的品牌/術語讀音（Qwen 讀作其中文品牌名，MoE 逐字母拼讀）應根據後端機制放入別名/音素列表中——切勿放入腳本文字中（否則會洩漏到字幕中）。

步驟 4 — 音頻檢查 — 檢查點 2

代理自我驗證（自主模式）：使用 ffprobe 將音頻持續時間與腳本的粗略估算進行比對（依語言語速；僅用於捕獲嚴重錯誤，如靜音或截斷檔案）；驗證腳本中的每個品牌/術語令牌都有別名/音素條目（涵蓋性檢查——實際發音正是人類模式檢查點 2 的目的）；檢查是否存在指示合成失敗的靜音或裁剪片段（使用 silencedetect/volumedetect）。如果發現問題，修復別名列表缺口並重新合成。在人為模式下，使用者改為聽取完整音頻；誤讀 → 修復別名列表（非腳本），重新合成，重新檢查。

步驟 5 — 製作影片

使用所選工具（Remotion, HyperFrames, CapCut, ...）將視覺效果剪輯到旁白音頻，使用 assets/ 作為素材池。podcast.txt 中的章節標記驅動佈局；字幕提示驅動文字入場。將草稿檔案保留在 videos/{name}/ 中。

步驟 6 — 預覽檢查 — 檢查點 3

代理自我驗證（自主模式）：檢查草稿匯出（一個可搜尋的影片檔案——最低能力要求保證了有一個）：為每個章節提取一個影格（ffmpeg -ss <mid-section-time> -i draft.mp4 -frames:v 1）並檢查每個影格是否有佈局溢出、缺少字幕、損壞的素材引用；驗證草稿持續時間與旁白音頻的誤差在 ±0.5 秒內。每次修改後修復並重新驗證。在人為模式下，使用者親自審查草稿（如果工具有即時預覽則使用，否則使用草稿匯出）；僅在明確確認（「渲染」）時才進行渲染，且每一輪修改都需要重新確認。

步驟 7 — 4K 渲染 ∥ 發布套件

平行運行（渲染是長時間的阻塞工作；發布套件不依賴於它）：

渲染為 3840×2160 → final_4k.mp4。在宣告完成前，驗證持續時間與旁白音頻的誤差在 ±0.5 秒內。
發布套件 → publish_info.md（標題 / 描述 / 標籤 / 章節時間戳——每個章節從其第一個提示的 SRT 時間開始）和 cover.png（如果可用，從影片工具的靜態影格產生，否則使用任何圖片工具；可重複使用 assets/ 中的素材）。publish_info.md 的素材來源章節從 assets/sources.md 複製。

腳本風格（語言無關）

來源： 完整技能的 video-podcast-maker/references/natural-narration.md （反AI風格） + script-polish.md（深度編輯）是規範來源；此處是語言無關的提煉。先在該處編輯規則，然後鏡像到此處——不要分支規則並使其漂移。

旁白語言是使用者腳本所使用的任何語言——此流程預設為中文，但以下規則適用於任何語言的口語體。這些規則在檢查點 1 強制執行；大聲朗讀每個章節——如果卡住，請拆分句子。

日常口語散文，非書面散文。 每句一個想法，主詞在前，無嵌套從句，不用 — 或 · 作為連接詞。句子長短交錯；輕微的第一人稱是可接受的。
連接詞替換。 將書面連接詞（此外 / 然而 / 因此 / 總而言之）替換為日常用語，或刪除。刪除列舉式開場白（首先 / 其次 / 最後），直接進入下一個要點。
殺戮清單。 刪除公式化填充詞：企業流行語、「值得注意」、「眾所周知」、「革命性」、「顛覆性」、「無縫」、「讓我們拭目以待」——以及其在旁白語言中的等效詞。
結構性提示。 動詞-名詞殼（「執行最佳化」）→ 具體行動 + 結果（「將審批從三步驟縮減為一步」）。「不是X而是Y」→ 直接陳述Y。三者並列（「同時A、B和C」）→ 僅保留資訊量最大的項目；兩個比三個好。模糊加強詞（「顯著地」）→ 一個數字或可察覺的後果。模糊歸因（「專家說」）→ 具名來源 + 日期，否則刪除句子。標語式結尾（「前景光明」）→ 以具體事實、數字或下一步行動作結。
數字使用阿拉伯數字（86.1, 1.5G, 9B）——字幕是腳本原樣，因此應書寫在螢幕上應顯示的形式。切勿為了修正TTS誤讀而將口語形式寫入腳本；請使用後端的別名/音素層。
數字必須可追溯到 research.md——沒有來源的精確數字是捏造的；刪除它或標明出處。

疊代

腳本已變更 → 重新執行檢查點 1（人為模式下由人類執行），然後從步驟 3（TTS）開始，經過檢查點 2 和 3 直到渲染。切勿手動編輯時間。
音頻已重新合成（相同腳本，不同聲音/語速）→ 重新執行檢查點 2；如果時間沒有偏移，視覺效果可以保留；渲染前重新執行檢查點 3。
僅修改視覺效果 → 編輯並重新執行檢查點 3。
重複使用相同的 videos/{name}/ 目錄。

影片Podcast製作小工具