口播视频生成器
功能
把一段文案变成可直接发布的口播视频（成品 mp4）：
- 配音：edge-tts 微软神经网络语音（5 个中文音色别名），逐句合成，句间可插停顿
- 字幕：按分句自动生成 SRT 时间轴并硬烧录进画面（libass 渲染，白字黑描边，位置字号可调）
- 画面：三选一
- 纯色背景（默认深色
#1a1a2e，--bg换色） - 图片素材轮播：多张图按总时长均分，自动模糊背景适配画幅 + 缓慢推近（zoompan 1.0→1.1）
- 画幅：
1080x1920竖屏（默认，抖音/视频号）、1920x1080横屏（B站/电商详情）、1080x1080方形 - 输出：h264 + aac，yuv420p，faststart，平台兼容；同时落一份同名
.srt供软字幕平台使用 - 中途产物（分句 mp3 / srt）在临时目录生成，成功后自动清理，只留最终 mp4
工作流程
- 收文案：向用户要口播文案。按
。！？!?；;和换行分句，单句超 40 字会自动按逗号等次级标点再切——无需预处理文案 - 问清两件事（一句话问完，不要连环追问）：
- 有没有素材图？有就请用户提供图片路径（jpg/png/webp 均可，尺寸不必统一）
- 要什么画幅？不说就默认竖屏 1080x1920
- 音色/语速有偏好吗？不说就默认"晓晓"、原速 - 预估时长：中文约 4-5 字/秒（默认语速，含句间停顿），先报给用户，如"约 60 字 ≈ 13-15 秒"
- 调脚本：
bash python3 "${SKILL_DIR:-$PWD/.workbuddy/skills/voiceover-video}/scripts/make_video.py" \ --text "文案..." -o ./口播视频.mp4 \ [--images 图1.jpg 图2.jpg] [--size 1080x1920] - 交付：脚本最后会打印时长与文件大小。用 ffprobe 复核时长后交付 mp4 路径，并告知语速（字/秒）供用户判断节奏是否合适
命令参考
python3 scripts/make_video.py --text "文案" -o out.mp4 [选项]
--text TEXT 口播文案（必需）
-o, --out OUT 输出 mp4 路径（必需）
--images IMG [IMG...] 素材图片，多张按总时长均分轮播（可选）
--bg COLOR 无素材纯色背景，默认 "#1a1a2e"
--voice NAME 晓晓(默认,女亲切)/晓伊(女活泼)/云希(男清爽)/云扬(男播音)/云健(男浑厚)
--rate "+0%" 语速，"-10%" 放慢 "+15%" 加快
--size 1080x1920(默认) | 1920x1080 | 1080x1080
--pause 0.3 句间停顿秒数
--font-size 64 字幕字号（像素直觉，脚本按画幅高度换算）
--subtitle on|off 是否烧录字幕，默认 on
--keep-tmp 保留临时目录（分句 mp3/srt），调试用
示例对话
例1：纯文案口播
> 用户：帮我做个口播视频，文案是"大家好，今天给大家介绍一款保温杯。它采用316不锈钢内胆，保温24小时。"
> 助手：收到～文案约 40 字，预计 9-10 秒。没有说素材，默认用深色纯色背景+竖屏1080x1920+字幕，这就生成（调脚本，默认参数）→ 交付 mp4 路径+时长
例2：电商产品图 + 横屏
> 用户：这三张产品图帮我做成介绍视频，横屏的，男声。文案：……
> 助手：好的，横屏 1920x1080、音色云希、图片轮播（自动模糊背景适配画幅）。预计 XX 秒（调脚本 --images a.jpg b.jpg c.jpg --size 1920x1080 --voice 云希）→ 交付
例3：调整节奏
> 用户：上次那个视频语速太快了，句与句之间停一下
> 助手：好的，放慢 10% 并把句间停顿加到 0.5 秒重做（--rate "-10%" --pause 0.5）
运行环境
- 脚本：
scripts/make_video.py（相对技能根目录） - Python：3.9+
- 第三方库：
edge-tts（pip install edge-tts）
开工前先跑一次自检，缺什么当场补，别等跑到一半报错：
python3 -c "import edge_tts" 2>/dev/null || echo "缺 edge-tts，请执行 pip install edge-tts"
> 缺依赖时用中文告诉用户缺什么、装完就能用，不要把 Python 的英文 traceback 原样贴给用户。
注意事项
- 时长预估：中文约 4-5 字/秒（默认语速含停顿）；脚本运行时会打印实际语速，与预估偏差大时向用户说明
- 联网依赖：配音走微软神经网络 TTS，需网络；脚本已内置 2026-10 微软端点迁移（speech.platform.bing.com 对合成 403 → 自动切 api.msedgeservices.com）与 IPv4 优选、403/429/超时自动重试，一般无需干预；单次文案建议 ≤ 500 字，过长分次生成再拼接
- 字幕为硬字幕：烧录进画面不可后期关闭；平台支持软字幕时，交付时附带的同名
.srt可单独上传 - 字幕渲染实测结论：本环境 ffmpeg 7.1.5 的
subtitles滤镜（libass）可用，中文字体Noto Sans SC（/usr/local/share/fonts/custom/NotoSansSC-Regular.ttf，fc-match 验证）渲染正常，抽帧验证字幕确实烧上，无需 drawtext 降级方案 - 图片建议：横竖图均可，脚本自动模糊背景补边；同一视频 3-8 张为宜
- 临时目录：成功自动清理；失败会保留并在报错中打印路径，排查后可手动删除；
--keep-tmp可看分句 mp3 与 srt - 测试产物不要写进技能目录，放 /tmp 或用户工作区
