VoxLite 1.0.12 (WorkBuddy Edition)
本技能把一句话/文案变成 Vox 风格剪纸拼贴视频。提供两种模式：
- 极速模式（默认）：一句话进去，视频出来，全程不打断确认。
- 引导模式：用户指令含「确认 / review / 精修 / 先让我看分镜」时启用，走两次确认节点，适合精修。
0. 极速模式（默认，一句话直接出片）
触发
用户给出一句话主题、一段文案，或含「做成视频 / 直接出片 / 科普短片」等意图。
默认决策（无需询问）
| 项 | 默认 |
|---|---|
| 画面比例 | 9:16（竖屏，最适合短视频；用户说横屏/方形则改 16:9/1:1） |
| 视觉风格 | 标准 Vox 4.0；句子含「美漫 / 纪念碑谷 / 复古报纸」则切到对应风格 |
| 音频 | 带配音+字幕（画面静音生成，旁白用 edge-tts 带情绪风格自然化管线生成，字幕按抖音 9:16 安全区算法从下往上排版，见 §8、§11）；用户指令含「静音/无声/不要配音」才跳过 |
| 每段(Shot)时长 | 约 6s，封顶 8s（节奏更跟手；长镜头可放宽到 10s）；总时长 = 段数 × 各段时长累加 |
| 画风对比 | 句子含「对比 / 合集 / 多风格 / 风格对比」或列举≥2 种风格名（如「美漫+复古报纸」）→ 只产出点名那几种对比短片；仅说「全部 / 4种 / 四种」才出满 4 条 |
> 🔒 单一风格约束（省积分，强制）：一个任务只生成一种风格的关键帧。 默认风格 = 标准 Vox 4.0（用户指令含「美漫 / 纪念碑谷 / 复古报纸」则切到对应那一种，不是全部）。绝不为「以防万一 / 凑多样 / 顺手多给几个」去生成其他风格——那样会把图片积分 ×N 且无意义。只有用户显式说「对比 / 合集 / 多风格 / 风格对比」或列举≥2 种风格名（如「美漫 + 复古报纸」）才进入 §4 的多风格对比模式，那时只为点名的那几种生成对比短片（绝不生成未点名的风格，避免多余积分）。正常任务永远只出 1 种风格。
执行流水线（自动，不阻塞）
> 🔒 任务目录隔离（强制）：每个任务必须先新建一个专属工作文件夹，所有 ImageGen 关键帧、VideoGen 分镜、配音分段、字幕轴、拼接中间片都只写进该文件夹，绝不直接写进工作区根目录或混用其他任务的文件夹。文件夹命名带时间戳以便区分同日多次运行：
> voxlite-<主题slug>-<YYMMDD-HHMM>/（如 voxlite-boba-sugar-260806-0430/）。
> 这一隔离是「安全清理」的前提——§11.5 的清理脚本只作用于本任务文件夹，因此绝不会误删其他未完成任务的临时文件。若同一主题要重做，用新的时间戳文件夹，不要覆盖旧任务的目录。
- 理解主题：从一句话提炼要讲的核心信息。
- 搜最新真实数据（强制实时检索）：任何含数字、价格、销量、统计、排行、法规、占比的内容，必须用实时搜索取数，严禁用模型记忆 / 训练数据里的旧数字——训练知识有截止日期，会过期失真。具体：
- 查询词带时间锚点（如「2026」「最新」「今年」「截至 2026」「近一年」），并优先采信带明确发布日期、且为近 12 个月内的来源；
- 数据来源必须记到成片可见的小字标注，且必须含「检索日期」（如「来源：XX 报告，检索于 2026-08」），让观众知道数据新鲜度；缺检索日期等于没标注；
- 区分「实时数据」（价格 / 销量 / 统计 / 排行 / 法规——必须搜最新一期，不可用往年数据含糊带过）与「长期基准值」（如 WHO 游离糖 <25g/天 属长期指南，可标注「WHO 指南」，但仍要确认是否更新）；
- 搜不到就明说：宁可在成片标注「暂未找到最新公开数据」，也绝不编造或用旧数顶替。 - 拆分为 3–4 个叙事拍（核心！）：按「提出问题 → 铺陈/过程 → 揭示结果 → 对比/结论」的叙事弧拆成多 Shot（复杂主题可扩到 5–6 拍），绝不用一张海报直接展示结论再飘字（那样逻辑断裂、观感生硬）。每拍只讲一件事：
- 拍 1 抛钩子（爆款标题/hook 大字，3s，见 §9.6 文案规范，前 3 秒必须抓人）
- 拍 2 铺陈过程（糖倒入杯 / 数字累积等，5–6s）
- 拍 3 揭示结果（大号数字 / 结论，5–6s）
- 拍 4 对比 / 升华（与基准对比，5–6s） - 逐拍出关键帧 + 图生视频：按「视觉场景」用 ImageGen 生成关键帧（中文清晰，风格统一），再用 VideoGen 以
image参数做图生视频；运镜按该拍动作设计（如倒糖拍强调下落/堆叠运动，揭示拍强调数字弹入）。出图前先查 §9.4 关键帧缓存、同场景后续拍复用前一张图，把出图张数压到最低。
- 关键帧中文由图像模型渲染，避免视频模型画中文乱码。
- 关键帧构图必须遵守 §8 安全区域：所有文字与主体置于中央安全区，远离顶/底边缘（抖音/手机全屏播放时状态栏、灵动岛、底部字幕栏、手势条会吃掉边缘）。
- 生成顺序：ImageGen / VideoGen 必须逐张串行（或小批量）。平台存在「200 任务」并发上限，并行易触发RequestLimitExceeded，且同名输出文件会互相覆盖（实测 2026-08-05 并行出图丢帧）。 - ffmpeg 拼接成单条静音片：用 ffmpeg（经
imageio-ffmpeg自带二进制，路径python -c "import imageio_ffmpeg;print(imageio_ffmpeg.get_ffmpeg_exe())"）把多段按叙事顺序concat为一条 MP4（各段已是同比例关键帧图生视频，直接 concat 即可）。此步产出单文件静音成片；画幅归一化交给第 6 步的finalize.py统一处理，勿在此步提前 scale。 - 配音 + 字幕 + 安全区混流成片（默认带声音，见 §11；本步是流水线最后一步）：
- 若启用 §10 运动图形层，应先作用于第 5 步的拼接静音片，再进入本步。
- 用tts_natural.py脚本从分句脚本生成带自然停顿与音频后处理的中文配音，并输出与配音逐句对齐的字幕时间轴。
- 用sfx_mix.py按字幕时间轴自动生成音效轨（转场 whoosh / 高亮揭示 pop / 结尾 ding，详见 §11.6），再交给finalize.py叠加。
- 用finalize.py脚本完成四件事：画幅归一为抖音标准 9:16（1080×1920，不足处上下补深色条）、按安全区算法从下往上计算字幕 y 坐标、烧字幕、混流（配音 + 音效轨，音效默认低于人声）。
- 若用户指令含「静音/无声」，则跳过本步，只交付静音画面。 - 落盘 + 交付 + 清理：单条视频存本任务专属文件夹，随消息交付；同轮附一句「做了什么」（主题/数据来源/风格/比例/时长/是否有配音字幕/积分消耗），不在生成前停下来等确认。成片交付后立即清理本任务文件夹里的临时中间文件（关键帧图、分镜视频、配音分段、字幕轴、拼接静音片等，详见 §11.5），只保留成片与可复用源。因为清理脚本只作用于本任务文件夹（见 §0 隔离约定），所以不会误删其他未完成任务的临时文件。
> ⚠️ 积分提示：生成会消耗 WorkBuddy 自带积分（约 1 张 ImageGen 5–15 分 + 1 条 8s VideoGen 约 100–200 分/条）。通过 §9.4 的关键帧复用 + 缓存，单视频图片积分通常压到 2–3 张（约 10–45 分），4 风格模式约 8 张（约 40–120 分），而非原来的 4–6 / 12–16 张。极速模式默认继续，用户如需先确认成本可在指令里加「确认」。
中文渲染铁律
任何含可见中文的画面，必须先经 ImageGen 出关键帧，再图生视频。绝不直接用 VideoGen 纯文生视频去「画」中文（后段模型对中文 glyph 支持差，必乱码）。若用户坚持纯文生，须先警告乱码风险。
数据时效铁律
做视频用的数字，必须是「当下最新」的，不是模型脑子里记的旧数。 执行第 2 步时务必遵守：
- 凡数字 / 价格 / 统计 / 排行 / 法规 → 一律实时搜索，禁止凭记忆作答；
- 搜索带年份与时间词，优先近一年、带发布日期的来源；
- 成片数据标注必须含检索日期，缺日期等于没标注；
- 若话题本身有时效（如「今年 GDP」「最新销量」「当前汇率」），必须明确取到最新一期，不可用往年数据含糊带过；
- 不同口径的数据（如「中国」「全球」「某机构估算」）要标清范围，避免拿 A 口径的数去说 B 的事。
为什么不用「单张海报 + 推近」
Vox / 数据科普爆款的核心是逐拍建构叙事：先抛问题，再铺过程，最后揭示并对比。若把结论全画进一张海报再让相机推近，跳过了推理过程，逻辑断裂、观感生硬。多 Shot 叙事 + ffmpeg 拼接虽多耗几倍积分，但是「符合逻辑」的必要代价。
4 多风格对比（子集可控）
当用户想要「同一主题的多种画风对比」时，按以下规则识别并只生成点名的风格：
- 点名子集：指令列举了 ≥2 种风格名（如「美漫 + 复古报纸」「标准、纪念碑谷、复古报纸对比」）→ 只生成用户点名的那几种，不生成未点名的风格（省积分）。
- 全量：指令含「对比 / 合集 / 多风格 / 风格对比」但没列具体风格，或显式说「全部 / 4种 / 四种风格」→ 生成全部 4 种（标准 Vox 4.0 / 美漫 / 纪念碑谷式柔和几何 / 复古报纸）。
- 只列 1 种风格名 = 单风格任务（走 §0 单一风格约束），不进对比模式。
风格名识别（指令词 → 内部 key）：
- 标准 / Vox / Vox4.0 / 标准 Vox → 标准 Vox 4.0
- 美漫 / 漫画 / comic → 美漫
- 纪念碑谷 / 柔和几何 / 几何 → 纪念碑谷式柔和几何
- 复古报纸 / 报纸 / 报纸风 → 复古报纸
- 自定义 → 需用户给风格描述，读 references/style-presets.md 按自定义处理
执行：
- 每种被选风格各跑一遍上述多 Shot 叙事流水线（每风格 2–3 拍；遵守 §9.4 关键帧复用——每风格只出 hook + 揭示 2 张图，过渡拍复用这两张做运镜变化；N 种风格合计约 2N 张图）。
- 每风格产出一条成片，按用户点名顺序用 ffmpeg 拼接为「风格对比 reel」单文件（如点名「美漫+复古报纸」则顺序 01-美漫 02-复古报纸）。
- 关键帧缓存（§9.4）对每种风格独立命中，重复主题/多次运行仍省积分。
1. 引导模式（用户要求确认时启用）
当指令明确含「确认 / review / 精修 / 先让我看分镜 / 别直接生成」时，切换为以下两次确认流程，且每次确认前停止等待。
1.1 第一次确认：字幕分镜
按语义合并、完整时间区间、向上吸附为 4/6/8 秒 Shot（默认封顶 8s，长镜头最多 10s，详见「时间轴规则」）。只输出分镜表，停止。
1.2 参数选择
让用户明确比例与风格（9:16/16:9/1:1 × 标准/美漫/纪念碑谷/复古报纸/自定义），回显后停止。
1.3 第二次确认：视觉分镜
逐 Shot 输出构图/元素/可见文字/动作/运镜，停止。
1.4 渲染
两次确认后执行 ImageGen 关键帧 → VideoGen 图生视频（同极速模式流水线），并落盘。
2. 时间轴规则（内部参考，极速模式自动应用）
- 中文 240–270 字/分钟，英文 140–160 词/分钟估算口播时长（配音已提速，按偏快口径估）。
- 合并后完整区间 >8s 须在语义边界拆分。
- 可长不可短：选能覆盖
actual_duration的最小档位4/6/8（默认封顶 8s，长镜头最多 10s）；素材可长不可短，绝不选比实际短的档。 - WorkBuddy VideoGen 单段上限约 10–12s，默认
8s封顶（提速观感），确需长镜头可放宽到10s。
3. 动作与运镜（内部参考）
每 Shot 一个核心视觉隐喻 + 一次主要转变。8s 用「建立初始状态 → 完成核心转变」；10s 最多三段。严格控制复杂度：辅助元素合并为最多三组，可见文字尽量 ≤3 组（标题除外）。运镜连续执行，不作额外动作节拍。
4. 风格视觉规则
- 标准 Vox 4.0：完整读取
references/vox-standard-v4.0.md，逐字执行其视觉/配色/质感/运镜规则。 - 扩展风格（美漫 / 纪念碑谷 / 复古报纸 / 自定义）：完整读取
references/style-presets.md，各用独立构图-材质-镜头语言，不混用。
5. VideoGen 调用规范
prompt：极速模式可直接用关键帧派生的一段英文运镜描述（关键帧已决定画面与中文，prompt 只补运动）。image：ImageGen 关键帧路径（图生视频，必填以保中文清晰与风格一致）。aspect_ratio：纯文生视频时传9:16/16:9/1:1；图生视频（带image）时建议省略该参数，让 VideoGen 跟随关键帧原比例，否则后端可能报unsupported video aspect_ratio（实测 2026-08-05 图生视频传9:16被拒）。seconds：6（默认），封顶8；确需长镜头最多10。resolution：720P（默认）或1080P。negative_prompt：no voiceover, no talking heads, silent video, no audio, no speech, text-only-where-specified（≤2500 字符）。enable_audio：false（画面静音生成——视觉素材无真人说话、无自带音轨；配音由 §11 的 edge-tts 后期叠加，与画面解耦、可控，故此处始终 false）。watermark：默认服务器浮水印；去水印传false。output_dir：可选，指定保存目录。
6. 落盘
极速模式把视频存本任务的专属工作文件夹（命名见 §0 顶部「任务目录隔离」：voxlite-<主题slug>-<YYMMDD-HHMM>/，如 voxlite-boba-sugar-260806-0430/），所有中间产物与成片都只写进这个文件夹；并在同目录写一份 <主题>.md 记录主题/数据来源（含检索日期 YYYY-MM）/风格/参数，便于复用与下游合成。不要把文件散落到工作区根目录或其他任务的文件夹里——那是安全清理与任务隔离的前提。
7. 多 Shot / 成片（进阶）
- 风格一致性：VideoGen 无 seed，靠「ImageGen 关键帧 → 图生视频」锁定；多 Shot 共用同一关键帧派生或同风格关键词。
- 带旁白成片（默认）：极速模式已内置「旁白脚本 → edge-tts 生成 → ffmpeg 烧字幕+混流」流水线（见 §11），一步到位产出带字幕配音的完整成片。VideoGen 只负责静音视觉素材，配音与字幕全部后期叠加。
8. 安全区域（抖音 / 竖屏发布必读）
视频在抖音等 App 全屏播放时，画面会被状态栏、灵动岛/刘海、底部字幕栏、手势条、圆角覆盖或裁切。关键帧若把标题放最顶、来源放最底，在部分手机会直接超出屏幕。字幕如果用手写 y 值"拍脑袋"放到底部，更会被抖音互动栏完全盖住。
8.1 安全区边距（生成时强制遵守）
| 比例 | 顶部禁区 | 底部禁区 | 左右禁区 | 安全区（放所有重要文字/主体） |
|---|---|---|---|---|
9:16（1080×1920） |
顶 12%（≈230px） | 底 20%（≈384px） | 各 5%（≈54px） | 中央约 90% 宽 × 68% 高 |
1:1（1080×1080） |
顶 12% | 底 18% | 各 8% | 中央约 84% 宽 × 70% 高 |
16:9（1920×1080） |
顶 8% | 底 12% | 各 5% | 中央约 90% 宽 × 80% 高 |
- 顶部禁区：放问号/装饰，不放可读标题（状态栏、灵动岛在此）。
- 底部禁区：抖音字幕/进度条/互动按钮在此，任何关键信息、来源小字、数字绝对不放底部 20%。
- 核心原则：把所有可读中文、大号数字、主体都收进中央安全区；边缘只放可裁切的纯背景延伸。
8.2 关键帧提示词必加构图约束
在每张关键帧的 prompt 末尾固定追加：
> Safe-area composition: keep ALL readable text and the primary subject within the central safe zone — between 12% from the top and 20% from the bottom, and within 5% side margins. NEVER place text in the top 12% (status bar / notch) or bottom 20% (caption / gesture bar) of the frame. Edge areas may only hold extendable background, no key information.
8.3 画幅归一化：输出必须为标准 9:16 / 1:1 / 16:9
ImageGen / VideoGen 可能输出非标准比例（如实测出现 792×1160）。交付前必须用 finalize.py 归一化到目标标准分辨率：
- 默认 9:16 → 1080×1920
- 等比缩放到目标宽度，上下/左右用深色条补齐（色值 #14161A，Vox 深灰），不要留黑边。
- 画面主体偏上放，给底部互动栏更多余量。
8.4 字幕样式与安全区算法（强制）
字幕样式：白字 + 黑描边，不要半透明底框。
底框方案在多行时上下框会互相压叠、观感脏乱，且遮挡画面。描边方案在任何背景上都清晰，是抖音/B站爆款的通用做法。
字幕渲染走 libass（ASS 字幕），不用 drawtext：
| | ASS（推荐） | drawtext |
|---|---|---|
| 描边质量 | 矢量描边，无锯齿 | 位图描边，边缘毛糙 |
| 多行行距 | 逐行独立定位，精确可控 | 需手算每行 y，易重叠 |
| 底部边距 | MarginV 直接锁定 | 手写 y 值，易踩禁区 |
| 关键词变色 | 内联 {\c} 标签 | 需拆成多个 drawtext |
样式参数（9:16 / 1080×1920）：
- 字号 54px，粗体，白色填充 &H00FFFFFF
- 黑色描边 Outline=5，阴影 Shadow=2
- MarginV = 384 + 24 = 408（底部禁区 + 余量），字幕底边锁在 y=1512
- 多行向上生长，行距 pitch = 字号 × 1.34 ≈ 72px
- 关键词用 Vox 黄 &H005EE4FF（即 #FFE45E，注意 ASS 是 BGR 顺序）
断行规则：
1. 每行视觉宽度 ≤ 16（全角字 1.0，半角字 0.55）；
2. 两行时选最接近中点的标点断开——既保语义完整又两行均衡；
3. 三行及以上用贪心填满，优先落在标点后；
4. 超过 3 行自动截断并告警，此时应精简文案。
> ⚠️ 断行必须在解析高亮标记之后做，否则 **词** 会被 \N 从中间劈开，导致裸 ** 泄漏到画面上。finalize.py 已按「片段列表」处理，不要退回字符串切片。
8.5 交付前安全区核查
两种方式，推荐用第 2 种（可量化，不依赖肉眼）：
① 红框目视版（仅自检，最终交付不要带红框）：
python "$SKILL_DIR/scripts/finalize.py" \
--video src.mp4 --audio narration.mp3 --subs subs.json \
--out 成片_安全区核查.mp4 --ratio 9:16 --check
> $SKILL_DIR 为技能安装目录：Windows $USERPROFILE/.workbuddy/skills/voxlite/，Mac/Linux ~/.workbuddy/skills/voxlite/。下文示例里的 $SKILL_DIR/scripts/... 即指代此目录（请替换为你实际的安装路径）。
② 像素级差分校验（推荐）：
再渲染一版无字幕成片，与带字幕版逐帧差分，差异像素即字幕本体，可与画面自身的白色/黄色元素彻底区分，从而精确测出字幕的顶/底 y 坐标与行间距。
> 直接扫描"白色像素"是错的——画面里本来就有大量白色元素，会被误判成字幕（实测误报率极高）。必须用差分。
校验标准：字幕底边 y < 底部禁区起点（9:16 为 1536），行间距 > 0。
9. 视觉语言对齐顶级 Vox（生成时强制）
对照市面爆款（Vox / Johnny Harris / 国内科普号）复盘，把以下「金标准」写进关键帧与运镜：
9.1 一拍一观点 + 慢
每拍只讲一件事，画面停留 4–6 秒（别拖，节奏偏快更跟手）。一个 prompt 描述的视觉想法 ≤3 个，多了拆拍。关键帧里保留可见的 paper label（纸标签）承载核心词——即便静音也能看懂（双通道原则，与「保持静音」兼容）。
9.2 招牌元素（关键帧必含）
- 手绘箭头 + 标注线：指向「重要的那个东西」，不要只摆物体。
- Vox 商标黄
#FFE45E作为高亮色，用于高亮涂抹/强调（见 §10）。 - 粗体 condense 大字：标题/大号数字用厚重无衬线，居中或三分线交点。
- 做旧不完美：纸纹 + 撕边 + 轻微歪斜，明确要「handmade, not perfect」，别生成光滑 corporate 风。
9.3 风格锚点（style-anchor，解决一致性）
- 第 1 拍（标题/hook 帧）先生成，作为风格锚点。
- 把这段逐字固定的「风格句」（palette + texture + typography + mood）原样粘进后续每个 ImageGen prompt；改写风格句 = 十段视频像十个作者。
- 例：
warm cream paper (#FAF9F5), flat paper-cut collage, sharp drop shadows, torn edges, bold condensed sans-serif labels, high-contrast, handmade imperfect feel, film grain, subtle vignette— 每段都原样带这句。
9.4 关键帧复用与缓存（省积分，必看）
ImageGen 按张计费（单张约 5–15 分），是积分大头。以下规则在不牺牲叙事的前提下把每支视频的关键帧张数压到最低：
- 一图多段（场景级复用）：关键帧按「视觉场景」而非「拍」生成。同一视觉场景的连续多拍（如「奶茶杯」在铺陈拍与对比拍都出现）只生成 1 张关键帧；后续拍用同一张图做图生视频，靠不同运镜 prompt（推/拉/摇/强调）制造差异。典型 4 拍视频可压到 2–3 张图（hook + 1–2 个变化场景），而非 4 张。
- 4 种风格模式降张：每风格只生成 2 张关键帧（hook 帧 + 揭示帧），中间过渡拍复用这两张做运镜变化；4 风格合计约 8 张，而非 12–16 张（详见 §4）。
- 纯数字揭示拍免图：仅含阿拉伯数字 + 图形的揭示拍（无任何中文词）用 ffmpeg
drawtext直接在纯色/渐变背景上画大号数字，不调 ImageGen（数字字形 ffmpeg 渲染不会乱码，且省 1 张图）。含中文词的核心词拍仍必须走 ImageGen（中文渲染铁律）。 - 关键帧缓存（跨任务复用，最大省，流水线强制步骤）：相同「风格 + 场景描述」的关键帧不重复生成。每次 ImageGen 前，先跑下面这一行；命中（exit 0）就直接把缓存图当本拍关键帧用（0 积分），跳过 ImageGen；未命中（exit 1）才正常出图，出图后立刻
--store落缓存。
bash # 出图前：命中则自动把缓存图拷到 keyframe.png（0 积分），未命中 exit 1 python "$SKILL_DIR/scripts/keyframe_cache.py" --resolve "风格名|场景描述" --out keyframe.png \ && echo "[cache HIT] 复用缓存图，跳过 ImageGen" \ || { ImageGen 出图到 keyframe.png; \ python "$SKILL_DIR/scripts/keyframe_cache.py" --store "风格名|场景描述" --file keyframe.png; }
缓存按 (风格, 归一化场景描述) 的哈希存于用户级~/.cache/voxlite_keyframes/，多个任务/多次运行共享。⚠️ 复用前务必肉眼确认缓存图与本次需求一致；若构图/主体有差异，重新生成并覆盖缓存（或--clear清空）。
9.5 数据随「动作」同步（非随音频）
画面虽静音生成，但成片默认带后期配音（§11），故动态排版/计数/增长条优先对齐该拍的动作爆点时刻（如糖块堆满、数字弹入的瞬间）；若用户选静音版，则纯靠动作爆点传达。
9.6 文案去 AI 味 + 爆款潜质（强制）
短视频前 3 秒定生死：文案要让人「刷到就停」，不是「听完就懂」。所有标题与旁白必须过这一节。
A. 标题 / Hook 帧大字（开场 3 秒，即第 1 拍画面主文案）
- 用一句有张力的短句，直接做第 1 拍（标题/hook 帧）的粗体大字。
- 爆款标题公式（任选其一，宁用反差/悬念，不用陈述）：
- 反常识：「你以为的零卡，其实比可乐还甜」
- 身份代入 + 痛点：「爱喝奶茶的你，先看完这杯」
- 数字钩子：「一杯奶茶，藏着 11 块方糖」
- 冲突对比：「同样一杯，凭什么它贵三倍」
- ✅ 用具体、惊人、挑衅、可代入的词；能带数字就带数字（数字=确定性=停留）。
- ❌ 禁用工具感标题：「一文搞懂 / 科普一下 / 干货 / 带你了解 / 关于XX的那些事 / XX 知多少」。
B. 旁白去 AI 味（逐句硬约束）
- 第二人称「你」：把"奶茶含糖高"改成"你手里的这杯，早超标了"。
- 短句为主：一句 ≤16 字，别写长复合句。
- 具体场景 > 抽象结论：不说"糖分摄入超标危害健康"，说"你今天这杯下去，一天糖额度就没了"。
- 情绪词 + 冲突：用"居然 / 偷偷 / 扎心 / 离谱 / 没想到"等口语情绪词，制造惊讶或共鸣。
- 禁止 AI 过渡词：首先 / 其次 / 综上所述 / 想必 / 不难发现 / 值得一提的是 / 由此可见 / 总而言之 / 建议收藏 / 众所周知 / 也就是说 / 事实上。
- 禁止过度工整对仗/排比：AI 爱写"不仅…而且…""一边…一边…"，改零散口语。
- 前 3 秒不铺垫：第一句直接抛钩子/结论/冲突，别先介绍背景。
- 结尾留互动或反转：用"你猜怎么着""下次还敢喝吗""评论区说说你中了几条"，别用"以上就是本期内容 / 总结一下"。
C. 示例对比（珍珠奶茶）
| 维度 | ❌ AI 味写法 | ✅ 爆款写法 |
|---|---|---|
| 标题/hook | 一杯珍珠奶茶含有多少方糖？ | 一杯奶茶，藏着 11 块方糖 |
| 铺陈 | 一杯中杯奶茶大概七百毫升，可倒进杯里的糖比你想象多 | 你手里这杯七百毫升，糖却多到离谱 |
| 揭示 | 算下来足足有十一块方糖 | 数完了——整整 11 块方糖，就在这杯里 |
| 对比 | 而世卫建议每天游离糖不超二十五克，也就是说你这杯严重超标 | 世卫说一天别超 25 克，你这一杯直接干完两天的量 |
> 注意：示例里的数字（11 块、25 克）必须来自实时检索（§0 第 2 步），不得沿用此例的硬编码值。
10. 运动图形增强层（ffmpeg，把"会动的照片"升级为 Motion Graphics）
VideoGen 图生视频只给相机级运动，做不出 Vox 的「动态排版/数字跳动/条形增长/高亮涂抹/停格感」。这一层用 ffmpeg 在 i2v 成片之上叠加，是拉开与「生硬纸贴画」差距的关键。每段 i2v 产出后、拼接前（或拼接后整体）执行。
10.1 中文动态排版（Kinetic Typography）
中文字体用工作目录下的 msyhbd.ttc（微软雅黑粗体；先复制到工作目录：Windows cp /c/Windows/Fonts/msyhbd.ttc ./，macOS cp /System/Library/Fonts/PingFang.ttc ./msyhbd.ttc，Linux 复制任意 CJK 字体为 msyhbd.ttc）。逐词砸入用 alpha 随时间淡入 + 粗描边：
FF=$(python -c "import imageio_ffmpeg;print(imageio_ffmpeg.get_ffmpeg_exe())")
"$FF" -i beat.mp4 -vf \
"drawtext=fontfile=msyhbd.ttc:text='11 块方糖':x='(w-tw)/2':y='h*0.28':fontsize=90:fontcolor=white:bordercolor=#E8625C:borderw=10:alpha='if(lt(t,13),0,min(1,(t-13)*3))'" \
-c:v libx264 -crf 23 beat_k.mp4
10.2 数字跳动（Ticking Counter）
drawtext 用 %{eif\:...} 表达式按时间计数（逗号需转义 \,）：
# t=13 起 7 秒内从 0 数到 11
drawtext=fontfile=msyhbd.ttc:text='%{eif\:trunc(min((t-13)*1.57\,11))\:d}':\
x='(w-tw)/2':y='h*0.45':fontsize=80:fontcolor=#E5A93C:\
alpha='if(lt(t,13),0,min(1,(t-13)*3))':enable='between(t,13,20)'
10.3 增长条形（Growing Bar）
drawbox 宽度随时间增长（变量 iw/t）：
drawbox=x='iw*0.12':y='h*0.70':w='if(lt(t,13),0,min((t-13)*120, iw*0.76))':h=36:color=#E8625C:t=fill:enable='between(t,13,20)'
10.4 高亮涂抹（Highlight Sweep，Vox 招牌）
黄色细条在关键词下「扫」过——近似 Vox 商标黄涂抹：
drawbox=x='iw*0.20':y='h*0.345':w='if(lt(t,13.5),0,min((t-13.5)*230, iw*0.6))':h=18:color=#FFE45E:t=fill:enable='between(t,13.5,16.5)'
10.5 停格感（12fps Stutter / on-twos）
输出降为 12fps，得到手作定格感（避免 corporate 顺滑）：
"$FF" -i final.mp4 -r 12 -c:v libx264 -crf 23 final_stutter.mp4
# 进阶（真·on-twos）：先 select 抽帧再 tblend 保持 24fps 时间轴
10.6 纹理 / 暗角 / 颗粒（最终质感层）
"$FF" -i final_stutter.mp4 -vf "grain=50,vignette=PI/4" -c:v libx264 -crf 23 final_vox.mp4
10.7 转场
多拍之间默认硬切（Vox 本就「cuts are on-style」）。要更顺可拼接时用 xfade（需各段时长精确）：
-filter_complex "[0:v][1:v]xfade=transition=fade:duration=0.3[v]"
10.8 推荐增强顺序（与 §0 流水线严格对齐）
各段 i2v → §0 第 5 步 concat 拼成单条静音片 → 在整条静音片上叠加 §10.1–10.4（动态排版/计数/增长条/高亮）→ §10.5 停格 12fps → §10.6 颗粒暗角（该 build 不支持则跳过）→ §0 第 6 步 finalize.py 归一画幅 + ASS 描边字幕 + 混流 → 交付。
> ⚠️ §10 的叠加统一作用于拼接后的整条视频，不要逐段做（逐段做会导致拼接处运动不连续、且重复编码画质下降）。
10.9 本机实测坑（2026-08-05，imageio-ffmpeg 精简版）
- 字体路径冒号：
fontfile=C:/Windows/Fonts/msyhbd.ttc里的:会被 ffmpeg 当成选项分隔符报错No option name near ...。正确做法：把字体复制到工作目录，用相对路径fontfile=msyhbd.ttc（先cp /c/Windows/Fonts/msyhbd.ttc ./）。 -filter_complex_script不支持：该精简版无此选项，改用-filter_complex "$(cat 滤镜图.txt)"，且滤镜图必须单行（换行会被当成值结束导致Invalid argument）。grain/vignette可能缺失：实测该 build 解析grain=50,vignette=PI/4报错。若报错，先去掉纹理层只保留fps=12停格；要纹理需装完整版 ffmpeg 或换gradfun/boxblur近似。- 中文字体：用
msyhbd.ttc（微软雅黑粗体）渲染锐利；drawtext的text含中文时确保字体支持中文 glyph。 - 计数跳动（§10.2 的
%{eif\:...}）：逗号需转义\,、冒号需转义\:，且务必放在单行滤镜图里；若屡错，降级为静态大数字 stamp（如本演示）。
11. 配音 + 字幕流水线（默认开启，极速模式第 6 步）
极速模式默认产出带字幕 + 中文配音的完整成片。VideoGen 只出静音视觉素材，声音全部后期叠加，画面与声音解耦、可控（配音质量/音色独立于视频模型，可反复重生成不影响画面）。
11.1 旁白脚本：每拍 1–2 句
为每拍写 1–2 句口语化旁白（与画面同步，不是念标题）。每句作为独立的 TTS 单元；信息密的拍可拆 2 句，但一句一拍是基线。例（珍珠奶茶：4 拍承载 6 句，拍 2 含 2 句）：
- 拍1（hook,3s）：一杯奶茶，藏着 11 块方糖
- 拍2（铺陈,6s）：你手里这杯，七百毫升。糖却多到离谱。
- 拍3（揭示,6s）：数完了——整整 11 块方糖，就在这杯里。
- 拍4（对比,6s）：世卫说一天别超 25 克。你这一杯，直接干完两天的量。
11.2 自然化配音脚本 tts_natural.py（推荐）
> 依赖（首次运行前）：python -m pip install edge-tts imageio-ffmpeg（ffmpeg 二进制由 imageio-ffmpeg 提供，脚本通过 import imageio_ffmpeg 调用）。脚本路径：Windows $USERPROFILE/.workbuddy/skills/voxlite/scripts/，Mac/Linux $HOME/.workbuddy/skills/voxlite/scripts/。
不要整段丢给 edge-tts，否则会有浓重播报腔。用脚本做四件事：
0. 按语义自动套情绪风格：疑问=chat、揭示=enthusiastic、转折=serious、惋惜=empathetic、安利=cheerful、平述=narration-relaxed（详见上），让配音有表情、去平铺直叙；可逐句 style/degree 覆盖；
1. 按句型自动调速（整体偏快）：疑问句/关键数字句略慢（-2%~0%），长铺垫句加快（+12%~+14%），默认 +12%，制造节奏起伏、去播报腔；
2. 句间呼吸停顿：句号后 320-450ms，逗号后 160-300ms；
3. ffmpeg 音频后处理：高通去浑浊、EQ 提亮人声、压齿音、压缩贴耳、轻微空间反射、响度标准化至 -16 LUFS（短视频平台友好）。
# 1. 写分句脚本 script.json
# 2. 生成配音 + 对齐字幕时间轴
python "$SKILL_DIR/scripts/tts_natural.py" \
--script script.json \
--voice zh-CN-XiaoxiaoNeural \
--out narration.mp3 \
--subs subs.json
可选音色：
| 别名 | 实际 voice | 风格 |
|---|---|---|
| female_warm（默认） | zh-CN-XiaoxiaoNeural | 女声，温暖，情绪风格最全（推荐） |
| male_passion | zh-CN-YunjianNeural | 男声，热情，适合 Vox 讲解（支持风格较少） |
| male_sunny | zh-CN-YunxiNeural | 男声，阳光年轻 |
| male_news | zh-CN-YunyangNeural | 男声，新闻感，偏正式 |
| female_lively | zh-CN-XiaoyiNeural | 女声，活泼 |
情绪风格（去平铺直叙的关键）：脚本按语义自动给每句套 <mstts:express-as style> 情绪，让配音有表情——不再是一个调子念到底：
- 疑问/互动 → chat（好奇聊天气口）
- 揭示大数字/反转 → enthusiastic（兴奋着重）
- 转折/对比 → serious（严肃强调）
- 惋惜/风险预警 → empathetic（共情关切）
- 安利/惊喜 → cheerful（明亮上扬）
- 平述 → narration-relaxed（松弛自然）
也可在 script.json 里按拍手动指定情绪（覆盖自动推断），让分镜与语气严丝合缝：
[
{"text":"一杯奶茶，藏着 11 块方糖", "style":"chat", "degree":1.3},
{"text":"数完了——整整 11 块方糖，就在这杯里。", "style":"enthusiastic", "degree":1.6},
{"text":"世卫说一天别超 25 克。", "style":"serious", "degree":1.4},
{"text":"你这一杯，直接干完两天的量。", "style":"empathetic", "degree":1.5}
]
> 情绪风格仅部分声音支持：XiaoxiaoNeural/YunxiNeural/XiaoyiNeural 较全，YunjianNeural 仅支持 chat/newscast/narration-relaxed/sports 等少量风格。若所选声音不支持该风格，脚本会自动降级为纯调速（不报错）。degree（1.0–2.0）控制情绪强度，默认按语义 1.1–1.6。
> 备注：当前默认用 edge-tts（微软免费神经语音，免 API Key，支持情绪风格）。若想要更进一步的情感/拟真，可选升级：
> - OpenAI gpt-4o-mini-tts（廉价，支持 instructions 自然语言情绪引导，需 API Key）——把 tts_natural.py 的 TTS 调用层换成 OpenAI 即可；
> - 本地大模型（CosyVoice2 / Fish-Speech / ChatTTS）——情感最自然，但需本地 GPU，安装重；无 GPU 环境不建议。
11.3 画幅归一化 + 安全区字幕 + 混流：finalize.py
手写 y 值非常容易把字幕放到底部禁区，多行底框还会互相压叠。统一用脚本处理：
# 1. 生成音效轨（按 subs.json 自动派生转场/揭示音效，素材首次运行自动合成）
python "$SKILL_DIR/scripts/sfx_mix.py" \
--subs subs.json \
--out sfx_track.wav
# 2. 画幅归一 + 字幕 + 配音 + 音效混流
python "$SKILL_DIR/scripts/finalize.py" \
--video 静音成片.mp4 \
--audio narration.mp3 \
--subs subs.json \
--sfx sfx_track.wav \
--out final.mp4 \
--ratio 9:16 \
--sub-style outline # outline=ASS 白字黑描边（默认推荐）; box=drawtext 降级
> 中文字体（跨平台）：finalize.py 优先用工作目录里的 msyhbd.ttc（微软雅黑粗体）。若缺失：Windows 自动从 C:\Windows\Fonts\ 复制；Mac/Linux 需手动放入任一款含中文的 .ttc/.ttf（如 msyhbd.ttc 或 NotoSansSC-Bold.otf），并按需改 finalize.py 顶部 FONT_FILE。缺字体不报错，但字幕会用默认西文字体、中文可能显示为方框。
脚本做四件事（9:16 标准 1080×1920）：
1. 画幅归一化：等比缩放至 1080 宽，上下补深色条 #14161A（不留黑边），画面偏上放，给底部互动栏让出余量；
2. ASS 白字黑描边字幕：字号 54、描边 5px、无底框，底边锁在 y=1512，多行向上生长且行距 72px（详见 §8.4）；
3. 音效叠加：若传入 --sfx sfx_track.wav，按时间轴把音效铺到画面上（音效先降 0.85× 留余量，再与配音 amix，确保人声始终主导、不抢戏）；
4. 混流：AAC 音轨 + -shortest 对齐。
关键词高亮：在 subs.json 的文本里用 **词** 包裹即自动渲染为 Vox 黄，例如：
{"start": 13.1, "end": 17.06, "text": "算下来，足足有**十一块方糖**。"}
数字、结论词高亮能显著提升 Vox 风格的信息密度感。
降级：若 ffmpeg 未编译 libass（ffmpeg -filters | grep subtitles 无输出），改用 --sub-style box，走 drawtext 描边方案（同样无底框，但描边质量稍差、行距需手算）。
11.4 静音模式
用户指令含「静音 / 无声 / 不要配音」→ 跳过 §11.2–11.3，只交付静音画面（§10 运动图形层仍可做）。
11.5 临时文件清理（成片交付后必做）
流水线在本任务专属文件夹（见 §0 隔离约定）里产生大量中间文件（ImageGen 关键帧、VideoGen 分镜视频、配音分段、字幕轴、拼接静音片等）。成片 final.mp4 交付后，立即清理本任务文件夹里的这些临时产物——既避免目录被垃圾占满，也防止同名文件互相覆盖出错。
> 🔒 隔离即安全：因每个任务各占一个独立文件夹，清理脚本只对本任务文件夹生效，绝不会碰到其他未完成任务的文件。务必把 --dir 指向「本次任务的文件夹」（如 voxlite-boba-sugar-260806-0430/），不要指向工作区根目录或包含多个任务文件夹的上级目录。脚本本身非递归、只删直接子项，所以即便指错上级目录，也不会跨文件夹删除其他任务——但那样会清不干净，请始终指向具体任务文件夹。
删除（临时 / 中间产物）：
- ImageGen 关键帧原图：*.png *.jpg（已内嵌进成片，无需保留）
- VideoGen 分镜视频：shot*.mp4 clip*.mp4
- 拼接静音片 / 中间片：silent.mp4 concat.mp4 raw.mp4 *_silent.mp4
- 配音分段与中间音频：_seg*.mp3 _*.mp3 narration.mp3（已混进 final.mp4）
- 字幕中间轴：subs.json（已由 finalize 烧入成片）
- Python 缓存：__pycache__/
保留（交付物与可复用源）：
- final.mp4（或最终交付文件名）——成片
- <主题>.md——本片制作记录（主题 / 数据来源 / 风格 / 参数）
- script.json——旁白分句脚本（重新渲染配音 / 字幕的唯一来源，体积小）
- msyhbd.ttc 等字体文件（跨平台复用）
推荐方式（跨平台、带保护，首选）：用技能自带清理脚本，默认只删本目录匹配项，且对成片 / 记录 / 字体 / 旁白源做二次保护；先 --dry-run 确认最稳：
python "$SKILL_DIR/scripts/cleanup.py" --dir <成片所在目录> --dry-run # 先预览
python "$SKILL_DIR/scripts/cleanup.py" --dir <成片所在目录> # 确认后真删
等价手动方式（Git Bash / macOS / Linux）：
# 仅删本目录匹配的中间文件，不上溯、不动其他目录
rm -f *.png *.jpg shot*.mp4 clip*.mp4 silent.mp4 concat.mp4 raw.mp4 *_silent.mp4 \
_seg*.mp3 _*.mp3 narration.mp3 subs.json
rm -rf __pycache__
> Windows PowerShell 等价：Remove-Item *.png,*.jpg,shot*.mp4,clip*.mp4,silent.mp4,concat.mp4,raw.mp4,*_silent.mp4,_seg*.mp3,_*.mp3,narration.mp3,subs.json -Force。
> ⚠️ 清理仅针对本次任务在工作目录生成的中间文件，绝不动用户个人目录（Desktop / Downloads / 文档等）。
11.6 音效（SFX，让视频更"高级"）
不加背景音乐（版权 + 与短视频调性不符），改为在转场 / 揭示瞬间精确触发音效，提升质感与节奏感。音效全部由 sfx_lib 程序合成（免版权、离线、零 API），首次运行 sfx_mix.py 自动生成 assets/sfx/*.wav，无需手动准备。
音效类型表：
| 类型 | 触发场景 | 听感 |
|---|---|---|
whoosh |
镜头切换 / 段落转场（相邻句间隔 > 0.7s 自动判定） | 咻的气声扫过 |
swoosh |
更长的甩动转场 | 更长的咻声 |
pop |
元素 / 大数字弹入（含 **高亮** 的句自动触发） |
轻脆弹出 |
click |
UI 轻点 / 标签出现 | 短促点击 |
ding |
关键揭示 / 收尾提示（成片结尾自动触发） | 清亮提示音 |
impact |
重击 / 强调落地 | 低频冲击 |
chime |
结尾铃音 | 双音铃 |
自动派生（推荐，无需手写）：sfx_mix.py --subs subs.json 会读字幕时间轴，自动在「转场间隔 → whoosh」「**高亮**出现 → pop」「结尾 → ding」三个位置铺音效。
手动覆盖 / 追加：传 --sfx sfx.json 指定任意时刻的音效（会叠加在自动事件之上）：
[
{"t": 1.2, "type": "pop", "gain": 0.3},
{"t": 4.5, "type": "impact", "gain": 0.4},
{"t": 9.0, "type": "swoosh", "gain": 0.3}
]
t = 触发秒数；type = 上表类型；gain = 该音效音量（0–1，默认 0.3）。
音量铁律：音效是"点缀"不是"主角"。sfx_mix.py 单事件默认增益 0.25–0.3，finalize.py 叠加时再降 0.85× 并置于配音之下——人声永远比音效响，音效只负责"点睛"，绝不允许盖过旁白或喧宾夺主。若某拍音效过响，调低该事件的 gain。
> 静音模式（§11.4）下通常不加音效；若用户要"静音画面但保留转场音效"，可单独跑 sfx_mix.py 并给 finalize.py 传 --sfx（不传 --audio）。
