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）

> 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。

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：

🔗 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

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：

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：

1. 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」
2. 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
3. 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

触发条件

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：

1. 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）
2. 若为语音/转写类输入，走转写修复流水线
3. 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
4. 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：

1. 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？"
2. 确认前不产出可商用的成片脚本，仅提供结构建议
3. 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）：

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）

1. 通道识别摘要：输入来源判定 + 修复项统计（语音输入时）
2. 对话摘要（≤40 行）：选定选题 + 脚本四段要点 + 标题 5 选
3. 完整分镜表：Markdown 表格 + JSON 双版本
4. 口播稿：带语气标注的可朗读版本
5. 字幕稿：SRT 就绪格式（按时间轴切分）
6. 标题+封面文案矩阵

语音输入场景全解（均须为自有/已授权内容）

使用方式（极简）

用户：粘贴任意来源的转写文本 / 字幕内容 / 语音输入结果（须为自有或已授权）
        ↓
本 skill：自动识别通道 → 修复 → 提取 → 版权合规前置检查 → 走标准流程
        ↓
输出：六件套 + 🎙️ 来源标注 + 原文金句保留

不需要安装任何额外技能，不需要特定硬件，不需要告诉我是从哪来的。

平台适配差异

爆款模板库精选

反转剧情系列

• 预期违背："你以为A，其实是B"——前半铺垫预期，后半秒反转
• 身份错位：老板扮员工/专家扮小白，制造反差笑点
• 时间穿越："如果当年我知道..."——过去vs现在的对比

沉浸 Vlog 系列

• 第一人称 POV：镜头=眼睛，观众代入主角视角
• ASMR 过程：放大制作/使用过程的细节声音和画面
• 一天生活流：真实记录+精心设计的叙事弧线

知识付费系列

• 痛点-方案-证明：先戳痛→给方法→展示效果
• 认知升维：用一个新框架重新理解旧问题
• 方法论 S.O.P.：把复杂能力拆成 3-5 步可执行流程

原创盘点系列（须为自有素材）

• 金句提取：从你自己的长口播中截取最爆的 60 秒
• 问答 Q&A：把你自己直播间的好友提问做成独立视频
• 干货切片：把你自己的长内容拆成可独立传播的知识点

使用示例

示例 1：基础文字输入

输入：帮我写一个卖防脱洗发水的头部短视脚本，60 秒，搞笑风格

输出：完整六件套（选题3选1 + 四段式脚本 + 分镜表 + 口播稿 + 字幕稿 + 标题5条 + 封面文案）

示例 2：录音卡 + 转写技能通道

输入：（从随身录音硬件配套转写技能导出的文本，为你自己的灵感）

[00:00] 哎我刚才想到一个点子
[00:03] 就是很多人不知道其实洗头的姿势不对
[00:08] 你应该是这样搓...而不是那样搓
[00:14] 我查了篇论文说90%的人都搞反了...

输出：🎙️ 通道识别：转写文本（时间戳型） → 基于语音灵感生成完整脚本，保留金句"90%的人都搞反了"，时间码直接复用进分镜表

示例 3：自有会议纪要拆条

输入：粘贴一场你自己主持的产品评审会的转写纪要

输出：🎙️ 通道识别：转写文本（说话人型）· 检测到 4 位发言人 → 按议题拆成 5 条独立短视频，每条标注"来自会议第X议题"，自动去除讨论中的无效往返

示例 4：自有长口播拆条（v2.1 新增）

输入：你自己录制的 60 分钟口播/演讲的完整转写

输出：按「情绪峰值 + 信息密度 + 独立性」三维打分，输出 TOP5 片段，每段给出切片时间码 + 独立脚本 + 为什么这段能爆

示例 5：语音输入法速记（v2.1 新增）

输入：用手机语音输入随口说的一段 200 字想法

输出：🎙️ 通道识别：转写文本（纯文本型）· 已清洗语气词 8 处 → 碎片灵感→完整可拍脚本

示例 6：多平台一键适配

输入：同一个产品/主题

输出：头部短视版 15s（快节奏）/ 视频号版 60s（信任导向）/ 图文种草版 90s（审美+干货）

示例 7：批量生产

输入：一次性给 5 个主题/产品

输出：每个主题独立产出完整六件套，共 5 套

异常处理

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

💎 付费版专属增强（Pro Exclusive）

1. 系列选题树（矩阵号专用）

一个母题自动拆 8-12 条子集，并按"递进钩子"排布，防止同系列掉粉：

母题 → 破题条（最强钩子，拉新）
     → 展开条 ×3（分层讲透，养熟）
     → 反差条（反转认知，做互动）
     → 案例条 ×2（真实场景，建信任）
     → 收尾条（总结+CTA，做转化）

每条标注：承接上一条的衔接句、本条的新增信息点、观众留存风险点。

2. 语音通道路由表（含转写契约模板）

统一转写文本契约（粘贴即用，可缺字段）：

[来源类型] 录音卡/手机/会议/采访/输入法/字幕/STT/口播
[主题] 一句话说明要讲什么
[正文] 转写文本
[补充] 目标平台 / 时长 / 已有素材（可选）

3. 150+ 结构库三维检索

按 行业 × 目标（拉新/养熟/转化/互动）× 时长 三维检索，直接命中结构名+开篇句模板+节奏节点。

4. 口播稿双版本 + 停顿标记

同一脚本输出：快节奏版（短句、高密度、适合带货）与沉稳版（长句、强逻辑、适合知识号），均标注 / 停顿、// 长停、【重音】。

💳 支付宝 AI 按量付费改造（402 协议 · 已完成接入）

本 Skill 为 Pay Skill，单次调用 ¥0.99 / 次，已按支付宝 AI 按量付费（A2M）官方契约完成付费改造，调用链五环节如下：

① 402 账单下发（probe 探测）

• 智能体首次调用（probe）未携带有效 Payment-Proof 时，服务端返回 HTTP 402，
  并在 Payment-Needed Header 返回 Base64URL 编码账单（响应体仅用于调试，智能体支付依据是 Header）。
• Payment-Needed.protocol 必含：out_trade_no、amount=0.99、currency=CNY、resource_id=short-video-script-cn-pay、pay_before、seller_signature、seller_sign_type=RSA2、seller_unique_id。
• Payment-Needed.method 必含：seller_name、seller_id、seller_app_id、goods_name=短视频矩阵工坊·单次生成（系列选题树+语音直出）、seller_unique_id_key=seller_id、service_id。
• 账单签名字段按 key 字典序拼接（amount / currency / goods_name / out_trade_no / pay_before / resource_id / seller_id / service_id），RSA2 本地签名，不请求支付宝服务端。

② 携带凭证重试（pay）

• 用户在支付宝完成授权支付后，智能体携带 Payment-Proof Header 重试同一请求。

③ 验付调用（verify）

• 解码 Payment-Proof，读取 payment_proof、trade_no 及可选 client_session，调用 alipay.aipay.agent.payment.verify 验付。
• 验付六重校验缺一不可：active=true；返回 amount == 本地订单金额；返回 out_trade_no == 本地订单号；返回 resource_id == 当前请求资源；trade_no 未被重复履约；订单状态允许履约（仍在 pay_before 内且未取消）。
• 任一校验失败 → 重新返回 402 让智能体重新支付，绝不交付资源。

④ 履约确认（complete / ack）

• 交付物生成后调用 alipay.aipay.agent.fulfillment.confirm（业务入参仅 trade_no），确认成功后才将订单置为最终完成。
• 确认失败时允许同一 Payment-Proof 重试 ack，避免"资源已生成但平台未记录履约"。

⑤ 订单持久化与幂等

• 每笔订单以 out_trade_no 为主键原子落盘（tmp + 原子替换），记录金额 / 状态 / 时间戳。
• 同一 trade_no 只履约一次：重复请求直接返回已保存结果，不重复计费、不重复生成资源。

> 单次交付物：短视频矩阵工坊·单次生成（系列选题树+语音直出）。调用失败 / 验付不通过不计费。

💎 Pay Skill 计费说明

> 个人创作者计费通道上线后直接升级计费 —— 通道已上线，本 Skill 为正式 Pay Skill。

• 计费模式：按次计费，单次调用 ¥0.99 / 次（支付宝支付，实时到账）
• 单次交付：六件套完整脚本 + 8 类语音通道自动识别解析（VTC-1.0 转写契约）+ 分镜 JSON 双版本
• 双轨说明：原免费版继续可用、持续更新；本 Pay 版为正式计费版，同等分发通道、同等更新频率
• 发票与售后：调用失败不计费；内容合规由平台审核机制兜底

🤝 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。