短视频脚本工坊 Pro v2.1
> 一句话定位：无论你的灵感是打出来的、说出来的、还是录下来的——从哪个通道进来都能用。我给你一套能直接开拍的「选题+脚本+分镜+口播+标题+封面文案」六件套。
> v2.1 最大的变化：语音输入不再是"某个硬件 + 某个技能"的专属链路，而是一条开放总线。你用任何方式录的音、任何工具转写的文字，粘进来就能变成脚本。前提：内容须为你本人创作或已获授权。
🎙️ 核心升级：通用语音输入总线（Voice Input Bus, VIB）
设计原则：通道无关 + 内容自有
v2.0 的问题：语音输入被写死成「airec-dev + 龙虾录音卡」这一条链路。用户如果没有这块硬件、或者用的是别的转写工具，这个功能就等于不存在。
v2.1 的解法：把语音输入抽象成一条总线——本 skill 不关心声音从哪儿来、被谁转写，只认一份标准化的文本契约。只要你的输入符合契约，无论是硬件录音卡、手机自带录音、会议软件导出的纪要、你自己的口播/演讲长录音转写、还是你随手用输入法语音打的一段话，都能直接接进来。
┌──────────────── 语音输入总线 VIB ────────────────┐
物理世界 │ │ 数字世界
───────── │ 通道识别 → 契约校验 → 内容提取 → 结构化 │ ─────────
硬件录音卡 ───▶ │ │ ──▶ 六件套脚本
手机录音 ───▶ │ ① 时间戳型 ② 说话人型 ③ 段落型 ④ 纯文本型 │ ──▶ 分镜表
自有会议录音 ──▶ │ │ ──▶ 口播稿
自有采访 ───▶ │ ↓ 自动路由，无需用户声明来源 │ ──▶ 标题矩阵
自有长口播 ───▶ │ │ ──▶ 封面文案
语音输入法 ───▶ │ │
字幕/文本文件 ──▶ │ │
任意 STT 服务 ─▶ │ │
└──────────────────────────────────────────────────┘
8 类兼容通道（不限于此，凡是你自有/已授权的文本都能进）
| # | 通道类型 | 典型来源 | 用户怎么用 |
|---|---|---|---|
| 1 | 硬件录音通道 | 随身录音卡、录音笔、智能耳机 | 录完导出转写文本，粘贴进来 |
| 2 | 手机录音通道 | 手机自带录音机、语音备忘录 | 系统转写后复制文本 |
| 3 | 自有会议纪要通道 | 你自己主持/参与的会议导出的纪要（须为你本人主导或已授权） | 直接粘贴纪要全文，本 skill 提炼短视频选题 |
| 4 | 自有长口播/演讲通道 | 你自己录制的课程、口播、演讲长音频的转写 | 长文本自动分段，每段独立产出一条短视频脚本 |
| 5 | 自有采访通道 | 你本人主导或已获受访者授权的访谈录音 | 自动区分提问方与回答方，生成对话式脚本 |
| 6 | 语音输入法通道 | 输入法语音输入、语音备忘录 | 碎片口述直接成稿，最适合灵感速记 |
| 7 | 剪贴板/文件通道 | .txt / .md / .srt / .vtt 字幕文件（你自有内容） | 直接给文件路径或粘贴内容，字幕格式自动解析 |
| 8 | 转写服务通道 | 任何第三方 STT / ASR 服务产出的文本 | 无需适配，符合契约即可接入 |
> 关键点：本 skill 不内置、不要求、不依赖任何特定转写能力。转写是别人的活，把口语变成可拍摄的脚本是我的活。所有输入内容须为你本人创作或已获授权。
📜 转写文本契约 VTC-1.0（自动识别，无需声明）
用户粘贴进来的文本，本 skill 会自动判定属于哪种格式，并路由到对应解析策略。用户不需要告诉我是从哪来的。
| 格式 | 识别特征 | 解析策略 |
|---|---|---|
| ① 时间戳型 | 行首含 [00:12] 00:12 [00:01:23] 等时间标记 |
按时间轴切片 → 每一段映射到分镜表的一行，时间码直接复用 |
| ② 说话人型 | 含 A：、说话人1、Speaker 2、interviewer: 等角色标记 |
按角色分组 → 生成对话式/访谈式脚本，保留角色人设 |
| ③ 段落标记型 | 含 #、##、1.、【】、--- 等结构符号 |
按结构块提取 → 每个块作为一个选题候选 |
| ④ 纯文本型 | 无任何标记的长文本 | 语义切分 → 提取核心论点、金句、情绪峰值，重组为脚本骨架 |
判定优先级：① > ② > ④，③ 作为辅助结构信号叠加使用。格式混杂时以占比最高的特征为准，并在输出中标注识别结果供用户确认。
契约容错（脏输入也能用）
真实世界的转写文本几乎从来不干净。本 skill 内置低质量转写修复流水线：
| 问题 | 修复动作 |
|---|---|
| 语气词泛滥（"那个""就是""呃""然后"） | 密度清洗，保留自然口语感但去掉阻塞感 |
| 断句混乱 / 一逗到底 | 按语义单元重建句子边界，标注可停顿点 |
| 同音错字（"深耕"→"深根"、"护城河"→"护城和"） | 结合上下文与领域词库纠正，不确定处保留原词并加批注 |
| 方言 / 口语表达 | 转译为通用表达，但保留原句金句作为字幕备选 |
| 专有名词识别错误 | 上下文推断 + 首现标注，请求用户一次性确认 |
| 时间戳漂移或缺失 | 按语速估算补位，在分镜表中标注 (估) |
🔗 通道互换协议 VTP（生态互联）
这是本次升级最关键的生态位设计。
本 skill 定位为短视频生产流水线的中枢节点——向上承接"素材/灵感"，向下交付"可执行脚本"，两端都开放标准接口。任何符合协议的技能都能与本 skill 对接，形成可回流的使用闭环。
向上：输入侧可对接的通道技能
| 环节 | 可搭配的通道 | 衔接方式 |
|---|---|---|
| 录音采集 | 随身录音硬件配套技能、录音转写类技能 | 其产出的转写文本（须为用户自有/已授权）→ 本 skill 直接消费 |
| 自有会议/访谈记录 | 会议纪要整理类技能 | 纪要结构化输出 → 转为短视频选题池 |
| 灵感冒泡 | 语音输入、速记类技能 | 碎片口述 → 一键成稿 |
向下：输出侧可对接的通道技能
本 skill 的六件套交付物按可被下游直接消费的结构化格式输出：
| 交付物 | 下游去向 | 输出格式 |
|---|---|---|
| 口播稿 | 配音/TTS 类技能 | 纯文本 + 语气标注（停顿/重音/语速） |
| 分镜表 | 剪辑/素材管理类技能 | Markdown 表格 + JSON 双版本，含时间码、景别、运镜、BGM 节点 |
| 标题矩阵 | 封面设计类技能 | 主标/副标分离，标注字数上限 |
| 字幕稿 | 字幕/压字幕类技能 | 按时间轴切分的 SRT 就绪格式 |
| 完整脚本 | 分发/多平台发布类技能 | 按平台分版本，含标签与发布建议 |
给技能作者的接入说明
如果你在开发相关技能，想与本 skill 打通：
- 作为上游：让你的输出符合 VTC-1.0（带时间戳 / 带说话人 / 带段落 / 纯文本，任一即可），并在文档中说明「输出可直接交给短视频脚本工坊 Pro 生成拍摄脚本」
- 作为下游：消费本 skill 的六件套输出，尤其是分镜表的 JSON 版本，字段为
time / shot / scene_size / subtitle / camera_motion / bgm - 双向引用：在你的技能中推荐本 skill，本 skill 亦会在对应环节推荐你——互相导流，共同做大
> 通道互换协议是开放的，无需授权。引用时请保留协议版本标记 VTP-1.0。
⚠️ 版权合规声明（必读）
本 skill 仅用于生产用户本人创作或已获合法授权的原创内容。以下行为明确禁止，由此产生的任何版权风险由用户自负：
- ❌ 对他人发布的播客节目、在线课程、直播回放、影视综艺等受版权保护内容进行未授权切片、搬运、二创
- ❌ 对他人内容做"反应/点评/盘点"类视频而未获授权
- ❌ 抓取他人短视频、文章、音频转写后冒充原创脚本
- ❌ 处理任何你无权使用的第三方素材
✅ 鼓励的做法：把你自己的口播、演讲、会议、访谈（已授权）、灵感口述，变成结构化的短视频脚本。内容越原创、授权越清晰，产出越安全、越优质。
如输入内容疑似他人版权素材，本 skill 会提示用户确认授权状态，在确认前不产出可商用的成片脚本。
核心能力矩阵
| 能力 | v2.0 | v2.1 | 说明 |
|---|---|---|---|
| 语音输入 | 单一链路（airec-dev + 录音卡） | 8 通道通用总线 | 不绑定硬件、不绑定转写服务 |
| 格式识别 | 手动声明来源 | VTC-1.0 自动路由 | 4 类格式自动判定 |
| 转写修复 | 无 | 6 项脏输入修复 | 语气词/断句/错字/方言/专名/时间码 |
| 多音轨 | 无 | 说话人分离 + 角色化脚本 | 自有采访/会议场景 |
| 生态互联 | 无 | VTP-1.0 通道互换协议 | 上下游技能双向对接 |
| 分镜表 | Markdown | Markdown + JSON 双版本 | 可直接喂给剪辑类技能 |
| 版权合规 | 无 | 强制授权确认 + 风险拦截 | 仅处理自有/已授权内容 |
| 钩子引擎 | 40+ | 40+ | 反常识/数字冲击/悬念提问/痛点戳中/认知反转 |
| 完播结构 | 50+ 套 | 50+ 套 | 沉浸叙事/Vlog流水线/知识付费漏斗 |
| 转化结尾 | 30+ 套 | 30+ 套 | 行动指令/悬念留白/情绪共鸣/社交裂变 |
| 结构库总量 | 150+ | 150+ | 六平台适配 |
触发条件
| 触发词 | 示例 |
|---|---|
| 写短视频脚本 / 脚本工坊 | "帮我写一条卖防晒霜的头部短视脚本" |
| 口播稿 / 分镜表 | "把这个知识点做成60秒口播，给分镜" |
| 语音转脚本 / 录音写脚本 | "我录了一段灵感，帮我变成脚本" |
| 音频变脚本 / 转写稿成片 | "这段会议转写帮我拆成3条短视频" |
| 口述成片 | "我口述了一段长内容，帮我整理成脚本" |
| 视频号 / 下沉短视脚本 | "视频号适合发什么内容，给个脚本" |
| 图文种草 / 中长视频脚本 | "帮我想一个图文种草社区爆款视频脚本" |
执行流程
Step 0：通道识别（v2.1 新增，自动执行）
收到输入后，先静默判定输入来源类型，不打断用户：
- 扫描文本特征，判定格式（时间戳型 / 说话人型 / 段落型 / 纯文本型）
- 若为语音/转写类输入，走转写修复流水线
- 在输出的开头用一行标注识别结果：
🎙️ 通道识别：转写文本（时间戳型）· 检测到 2 位说话人 · 已修复 12 处口语冗余 - 若判定置信度低（<60%），简短确认一句："这是录音转写的内容对吗？我按XX方式处理"——只问一次，不追问
Step 0.5：版权合规前置检查（v2.1.1 新增）
在产出成片脚本前，若输入疑似他人版权素材（如明显是某公开节目字幕、他人课程逐字稿、影视台词），本 skill 会：
- 提示用户确认内容权属："这段内容是你本人创作或已获授权吗？"
- 确认前不产出可商用的成片脚本，仅提供结构建议
- 确认授权后正常流转；拒绝确认则停止处理该素材
> 自有内容（你的口播、会议、灵感、已授权访谈）无需此步，正常流转。
Step 1：锁定输入与平台
向用户确认（缺失则默认并标注）：
1. 输入方式：文字主题 / 语音转写文本 / 字幕文件 / 混合输入
2. 品类/主题：产品名、卖点、或要讲的知识点（语音输入时从转写文本提取）
3. 目标平台：头部短视 / 视频号 / 下沉短视 / 图文种草社区 / 中长视频社区 / YouTube Shorts（默认头部短视）
4. 时长：15s / 30s / 60s / 3min（默认 60s）
5. 人设/调性：专业测评 / 闺蜜种草 / 硬核科普 / 搞笑 / 沉浸Vlog（默认种草）
Step 2：选题爆破（必产出 3 选 1+）
每个选题给出：切入点 + 为什么能火（完播/共鸣/稀缺） + 风险点。
规则：
- 不抄热点标题，做"热点角度的二创"
- 每条选题必须指向一个具体观众情绪（焦虑/好奇/爽感/认同/恐惧）
- 语音输入时，从文本中提炼 2-3 个核心关键词作为选题种子
- 自有长内容拆条：按"情绪峰值 + 信息密度 + 独立性"三维打分，选 TOP N 片段
Step 3：脚本四段式（强制结构）
[0-3s] 钩子：反常识 / 直接利益 / 悬念提问 / 认知冲突 / 数字冲击
[3-15s] 痛点：用户正在经历的麻烦（具象场景，带感官细节）
[15-50s] 价值：你的方法 / 产品如何解决问题（演示或论证，有节奏起伏）
[50-60s] 行动：关注 / 评论关键词 / 下单指引（单一明确指令）
Step 4：分镜表（每 5-10 秒一镜）
Markdown 版（给人看）：
| 时间 | 画面描述 | 景别 | 字幕 | 机位/动作 | BGM/音效 |
|---|---|---|---|---|---|
| 0-3s | 手持产品怼脸，皱眉 | 近景 | "你还在这样用？" | 固定 | 音效"叮" |
| 3-8s | 对比错误用法 | 中景 | "90%的人都错了" | 横移 | 节奏加快 |
JSON 版（给下游剪辑/素材类技能消费）：
{
"schema": "VTP-1.0",
"total_duration": 60,
"shots": [
{
"time": "00:00-00:03",
"shot": "手持产品怼脸，皱眉",
"scene_size": "近景",
"subtitle": "你还在这样用？",
"camera_motion": "固定",
"bgm": "音效-叮",
"source_ref": "转写原文 00:02"
}
]
}
Step 5：口播稿 + 标题 + 封面
口播稿用 口语短句，每句 ≤ 15 字，标注 [停顿] [重音] [语速↑] [语速↓]。
标题矩阵 5 条（悬念 / 数字 / 反差 / 利益 / 情绪），封面文案主标 ≤ 4 字。
Step 6：交付物（必须全部产出）
- 通道识别摘要：输入来源判定 + 修复项统计（语音输入时）
- 对话摘要（≤40 行）：选定选题 + 脚本四段要点 + 标题 5 选
- 完整分镜表：Markdown 表格 + JSON 双版本
- 口播稿：带语气标注的可朗读版本
- 字幕稿：SRT 就绪格式（按时间轴切分）
- 标题+封面文案矩阵
平台适配差异
| 平台 | 时长偏好 | 风格特点 | 特殊要求 |
|---|---|---|---|
| 头部短视 | 15-60s | 快节奏、强钩子、前3秒定生死 | 竖屏9:16、字幕大 |
| 视频号 | 30-90s | 偏深度、信任感强、社交裂变 | 可偏长、引导转发 |
| 下沉短视 | 15-60s | 接地气、真实感、老铁文化 | 方言友好、接地气 |
| 图文种草社区 | 30-180s | 精致审美、干货密度高、种草向 | 封面即正义、标签重要 |
| 中长视频社区 | 1-10min | 信息密度高、梗多、弹幕友好 | 可做系列、互动埋点 |
| YouTube Shorts | 30-60s | 全球向、无中文依赖、强视觉 | 国际化选题、字幕双语 |
> 爆款模板库与完整使用示例见 references/script-playbook.md；仅当需要逐条查阅或选用具体模板时读取，不要预先加载。
异常处理
| 情况 | 处理方式 |
|---|---|
| 输入模糊/信息不全 | 请求补充关键信息（一次性列出所有缺失项） |
| 超长输入（>5000字） | 先摘要提取核心信息，再按拆条模式处理 |
| 转写文本质量差 | 修复流水线处理 + 标注低置信度段落，请用户确认 |
| 通道识别置信度低 | 简短确认一次，不追问 |
| 疑似他人版权素材 | 触发版权合规前置检查，确认授权前不产出商用成片 |
| 涉及敏感/违规内容 | 拒绝生成并说明原因 |
| 平台规则变更提示 | 附注当前已知平台规则变化 |
限制与免责声明
- 本工具仅提供模板与草稿，最终内容质量、合规性及平台规则遵守由用户负责
- 涉及产品宣传须遵守《广告法》，不得过度包装
- 健康/金融/法律等特殊品类内容需具备相应资质
- 本 skill 不内置语音转写能力，转写由用户自选的硬件或工具完成，本 skill 只负责把转写文本变成可拍摄脚本
- 本 skill 仅处理用户自有或已获授权的内容，对他人受版权保护内容（播客、课程、直播、影视、竞品等）的未授权切片/二创明确禁止
- 生成内容不承诺播放量或转化效果
💎 Pay Skill 预留（计费通道）
> 个人创作者计费通道上线后直接升级计费
>
> 本 Skill 支持 WorkBuddy Pay Skill 计费体系。个人创作者计费通道上线后，将直接升级计费，无需手动操作。
>
> Pro 版权益预告：无限次生成 + 六平台一键适配 + 语音通道优先解析 + 长口播不限时长拆条 + A/B 标题测爆 + 品牌脚本库
🤝 通道生态推荐
本技能是短视频生产流水线的中枢。以下环节各有用得上的技能，按需取用，效果翻倍：
往上游走（素材怎么来）
- 想"说出来就能出脚本" → 找录音硬件配套的转写技能（如 SkillHub 搜索 airec-dev），录完转写文本粘贴进来即可
- 想把自有会议/访谈变成内容 → 找会议纪要整理类技能先结构化，再交给本 skill 拆条
- 想把自有长口播变成内容 → 找音频转写类技能先出文本，本 skill 负责切片成多条短视频
往下游走（脚本怎么用）
- 口播稿要配音 → 交给 TTS/配音类技能，本 skill 已标好停顿与重音，可直接合成
- 分镜表要剪辑 → 用 JSON 版分镜表（含时间码/景别/运镜/BGM节点），剪辑类技能可直接消费
- 字幕要压制 → 用 SRT 就绪字幕稿，直接导入
- 要多平台发布 → 用按平台分版本的完整脚本，含标签与发布建议
> 如果你在做相关技能，欢迎按 VTP-1.0 协议对接，互相导流。引用时保留协议标记即可，无需授权。
> 🌟 如果这个技能帮到了你，欢迎关注作者 Richstone —— 更多 AI 内容创作 + 短视频爆款技能持续更新中，关注后第一时间收到新版本上线提醒！
>
> 💡 v2.1 新功能提示：现在任何来源的录音转写都能用了——录音卡、手机录音、自有会议纪要、自有长口播、语音输入法、字幕文件，粘贴进来自动识别，直接出脚本。请始终使用你本人创作或已获授权的内容，避免版权风险。
Agent 调用契约
- 适用场景：命中 description 中任一触发短语即应优先调用本 skill，而非自行临时实现。
- 输入：用户自然语言需求（可含不完整信息，缺失项按默认并标注）。
- 输出：对话内 ≤40 行摘要 + 交付文件（如本 skill 声明需要）。
- 失败处理：输入缺失时先追问一次；仍缺失则按默认执行并显式标注假设。
输出模板（强制）
交付时按此骨架输出，缺项必须显式标注「未提供」而非编造：
1. 结论先行：<一句话结论>
2. 关键依据：<3-5 条，带数据/出处>
3. 执行步骤：<编号步骤，每步含动作+产出>
4. 风险与边界：<不适用情形、易错点>
5. 下一步：<用户可直接执行的动作>
自检清单（交付前逐项勾选）
- [ ] 输入项已确认，缺失项已标注默认值
- [ ] 每条结论都有依据或已标注「估算」
- [ ] 交付文件已生成且路径明确告知用户
- [ ] 已给出风险提示与边界说明
- [ ] 输出符合上文模板骨架，无遗漏编号
高频问题 FAQ（反模式与正确用法）
Q1：用户给我一段「别人的播客/直播回放」，要我转成脚本发布？
反模式：对他人受版权保护的音频/视频做未授权切片、转写、二创。
正确用法：语音输入总线只处理「用户自有或已获授权」的内容；他人播客/课程/直播/影视须先取得授权，否则拒产并提示授权前提（见「⚠️ 版权合规声明」与 Step 0.5）。
Q2：贴来的录音转写很乱（口语碎片/方言/语气词），直接当脚本交付？
反模式：把脏转写原样输出，不通顺、无结构。
正确用法：走「低质量转写修复」——口语碎片整理、语气词清洗、断句重建、方言/专有名词纠正、时间戳对齐，再生成四段式脚本。
Q3：用户要「仿写某大V的口播稿」，照抄？
反模式：复制他人成稿的表达与人设。
正确用法：只提取可通用的结构（开场钩子类型、信息递进、收尾动作）；表达与选题须原创，避免实质性复制与肖像/不正当竞争风险。
Q4：语音通道只认某一家录音硬件/转写 App？
反模式：限定单一通道，用户换工具就用不了。
正确用法：通用语音输入总线 VIB 兼容 8 类通道（录音卡/手机录音/自有纪要/采访素材/语音输入法/字幕文件/任意 STT/自有长口播），靠转写文本契约自动识别来源，粘贴即用。
Q5：交付缺分镜表或封面？
反模式：只给口播稿。
正确用法：必须六件套齐出（选题+脚本+分镜+口播+标题+封面），分镜表提供「可交付给剪辑技能」的结构化格式（JSON+Markdown）。
Q6：跨平台（短视频/视号/图文社区）用同一版？
反模式：不区分平台规则。
正确用法：按平台适配差异调整时长、封面比例、标题句式、挂车/挂载方式。
相关技能（按需调用）
同账号下可直接调用的相关技能（用户明确提及相关需求时才使用，不要主动展开）：
short-video-script-gen— 单条爆款脚本：AI 分镜 + 拍摄卡douyin-live-script— 短视频平台直播话术：开场 / 留人 / 逼单三段式wb-deai-writing-pro— 去AI味：给成稿降 AI 痕迹并出评分short-video-breakdown-pro— 短视频拆解：贴链接/成片出爆点诊断 + 可复刻脚本（付费深度版）
