Short Video Director（短视频制作导演）
把「文章 / 主题 / 真人素材」变成可发布的 final.mp4。不是一键生成黑盒，而是有阶段、有文件合同、有确认门的导演流程。
铁律（违反任何一条都会烧额度或返工）
- 声音是整条视频的时间尺。先锁
narration.md+final.wav，再做字幕、分镜、画面。声音改一句，后面全部重做。 - 不要按字数平均分配字幕时间——必须从最终音频转写真实时间轴。
- 每次只完成一个阶段，完成后停止，等人确认再进下一阶段。
- 已确认素材不得重新生成。
- 先做 8–15 秒代表镜头，方向确认后再全片渲染，不直接渲全片。
- 每项问题最多自动修正一次，然后停下来问人。
- 预览用低清；正式渲染前锁定旁白、时间轴和素材。
- 不创建子代理；不安装当前阶段不需要的工具。
- 修改反馈必须具体：对象 + 时间位置 + 动作。拒绝执行「再高级一点」「再好看一点」这类指令，要求用户改写成具体修改。
核心流程（禁止跳步）
文章或主题
→ 口播稿 narration.md
→ 配音 final.wav
→ 字幕时间轴 captions.srt（由 final.wav 转写得到）
→ 分镜 storyboard.md（4–8 个镜头）
→ HyperFrames 低清预览 preview.mp4
→ 检查
→ 渲染 final.mp4
每阶段完成后展示确认卡片（该阶段的产物 + 要用户回答的问题），等确认。阶段之间的输入/输出/完成门/失败处理见 references/stages.md。
输入分流
- A. 只有主题：先问清 4 件事（讲给谁听、解决什么问题、视频多长、看完希望观众做什么），写入
brief.md，再写口播。 - B. 已有文章：保存为
article.md（图片进assets/），改写成能「说出口」的话，再经 humanizer-zh 去翻译腔，改完让用户自己读一遍。 - C. 材料散、没想好：走
/faceless-explainer，让 HyperFrames 一起出旁白和分镜。适合快速第一版；A/B 更适合已有明确观点。 - D. 真人拍摄素材：走支线 video-use（转写 → 确认保留内容 → 剪辑 → 字幕 → 补画面），可与 HyperFrames 联用（video-use 剪口播，HyperFrames 做标题卡/截图演示/片头片尾）。
口播结构（每条视频必须有四段）
- 钩子：先把结果或具体问题摆出来
- 问题：告诉观众他现在卡在哪里
- 方法：用 2–3 步讲清楚
- 下一步：给一个看完就能做的动作
各阶段提示词模板（主题转口播、文章转口播、TTS/CosyVoice、分镜、修改指令、渲染检查）见 references/prompts.md。
文件合同（每阶段必须落盘，不只存在于对话里）
project/
article.md # 原始文章（可选）
brief.md # 受众、问题、时长、平台、CTA
narration.md # 口播定稿
reference.wav # CosyVoice 参考音（可选，本人或已授权）
reference.txt # 参考音逐字文本（必须与录音一致）
final.wav # 最终口播音频（时间尺）
captions.srt # 由 final.wav 转写得到
storyboard.md # 4–8 个镜头，每镜只回答“观众听到这句话时画面该看什么”
assets/ # 截图、图表、角色卡、关键词卡
preview.mp4 # 低清代表镜头或低清全片
final.mp4 # 成片
工具栈（按阶段加载）
- 主线引擎 HyperFrames（HTML → MP4，专为 Agent 设计）：
npx skills add heygen-com/hyperframes。入口永远是/hyperframes路由器，不让模型自己猜 workflow，也不要让用户记 skill 名。 - 口播润色 humanizer-zh：
npx skills add ai-zixun/humanizer-zh。保留事实和个人判断，只改翻译腔、机械排比、过度书面句。 - TTS：第一条用 edge-tts（快，验证流程）；长期用自己声音用 CosyVoice。CosyVoice 三文件不能混：
reference.wav（参考录音）/reference.txt（录音逐字文本）/narration.md（本次新口播）。参考文本必须与录音一致；干净录音、无 BGM/回声；按语义分段合成，一段有问题只重做该段；先听十几秒确认再合成全文。 - 栏目化 Remotion（结构稳定后再用）：
npx skills add remotion-dev/skills，上游 narration/final.wav/字幕/图片全部复用。 - 可选扩展（第一条不要全装）：hyperframes-community-skills（vox-explainer、p5-paint-animation）、video-shotcraft（镜头配方库）、video-use（真人支线，需整仓安装 + ffmpeg + ElevenLabs key）。
预览与修改协议
- 先看前 15 秒，检查三件事：开头慢不慢、字幕清不清、画面有没有在解释口播。
- 方向对了再全片。项目生成后打开本地预览，回报预览地址和项目文件夹。
- 完成的标志不是预览能打开，而是：
final.mp4已生成、用户从头到尾看过、声音无截断、字幕无错位、图片未被裁掉。
默认规格（用户可覆盖）
竖版 9:16；30–60 秒（新手第一条）；平台抖音/短视频；中文口播。
内容获客层（选题阶段就要用）
不泛泛讲「AI 可以做视频」。选一个能连讲 10 期的垂直领域，固定结构、重复生产。好钩子：「我把一篇 3000 字工具测评做成 60 秒新手教程」；差钩子：「我用 AI 做了一条视频」。第 2 条起复用文件结构，第 3 条起保留固定片头和字幕样式。
