文言文教学视频制作

0. 定位：在父技能之上加了什么

文言文（小学「小古文」、初中文言文）的教学难点与白话课文完全不同：学生听不懂、不认识器物、读不准字音。
父技能解决的是「把课文做成带配音的视频」，本技能解决的是「把文言文讲明白」。

> 本技能不重复父技能的规则。 分支机制、H3 生成、混音、静帧集、铁律 S1–S20 全部继承并继续生效。
> 本技能只写增量：W1–W10（§8）与四条专属流程。冲突时以本技能为准。

0.5 依赖与目录

~/.workbuddy/skills/
├── 故事情景教学视频制作/     ← 父技能（H3、gen_v2_A、gen_segments、make_stills_pdf）
├── 朗诵与配音duomi-TTS/      ← GEM-3.1 配音（含 --style 钉读音）
├── knowledge-picturebook/    ← I25S 出图
└── 文言文教学视频制作/       ← 本技能

脚本自动定位父技能（相对路径上溯两级）；如需覆盖：
export WENYAN_PARENT_SKILL="/abs/path/故事情景教学视频制作"

1. 核心机制一：三遍法 + 双镜分离

1.1 三遍法（结构骨架）

> W1（硬规则）：通读与回读必须复用精讲段的画面，禁止另做一套「长卷／全景」素材。
> 理由（2026-10-10《司马光》实测教训）：给通读段单独做宽景，学生第一遍看到的是 A 套画面、第二遍精讲看到的
> 是 B 套画面——图文对不上，语感铺垫白做。正确做法是「做一遍视频、讲三遍」。
> 实现：build_read.py 按 plan 的 read_groups 把精讲朗读镜拼接、贴图内标注层、落回 h3/T*.mp4。

1.2 双镜分离（这是「讲解放哪」的标准答案）

每句拆成两个镜头，听觉与视觉各归其位：

为什么不选其它两种：

> W2：禁止在同一镜头内混用文言音与白话音；W3：两个音色必须分开且经闸口确认。

2. 核心机制二：图文标注层（本技能最大增量）

图文结合是文言文学习的关键法门——学生不认识的器物（瓮、牍、磬…）必须在画面上指出来。

2.1 三种标注，各管各的

布局铁律：名词卡顶置（y≈0.045），字幕底置（y≈0.88–0.94），两者绝不打架。

2.2 ⚠️ 标注绝不能进 H3（W4）

带字的图喂给视频模型 = 字被重新渲染成乱码／抖动。 正确分工：

静帧（干净无字） ──▶ H3 出视频 ──▶ 成片段上贴标注层（ffmpeg overlay）──▶ 烧字幕

唯一例外：静帧集 PDF 的封面页是给人看的印刷品，可以带标题（用 PIL 叠在 2K 原图上）。

2.3 定位流程（禁止盲猜坐标）

出图 → 亲自读图确认物体在画面哪个区域 → 写归一化坐标 → 叠加 → 合成预览图 → 目视核对 → 微调 1~2 轮

坐标一律用归一化 (0~1) 写在 overlay_spec.json，脚本按目标分辨率换算——换分辨率不用改数字。

2.4 拼音只进 sub_text，绝不进 line（W5）

line 是送 TTS 的纯文本。若在 line 里写「足跌没（mò）水中」，TTS 会把括号拼音念出来。
正确做法：line 保持「足跌没水中」，sub_text 写「足跌没（mò）水中」。

3. 核心机制三：文本锁的比例陷阱（血泪教训）

这是本技能最难、也最容易翻车的一环。

3.1 相对特征 ≠ 绝对尺寸

《司马光》实测：我把「瓮＝口小肚大」这条相对特征写成了 narrow small mouth + about chest-high to a child，
结果模型画出瓮口窄于孩童肩宽、瓮矮于孩童——学生一眼看出「这孩子根本掉不进去」，直接破坏课文逻辑自洽。

判据：凡文本锁里出现「小／窄／矮／大／高」这类相对形容词，必须追问：
它在画面里要支撑哪个情节动作？绝对尺寸够不够？

3.2 尺寸自检（写锁时必做）

为课文中每个涉及尺寸、容纳、高低的动词，反推所需的尺寸关系并写进锁里：

写法：把相对形容词改成可验证的比较句——
a wide open round mouth clearly wider than a child's shoulders so a small child could fall through it +
standing taller than a small child + big enough to hold a whole child inside。
保留辨识特征：「口 < 肚」仍要写，它描述的是瓮的外形比例，不等于「口小到塞不下人」。

> W6：相对特征不得写成绝对尺寸错误；器物尺寸必须自洽支撑情节动作。
> 这条错误缩略图看不出来——必须放大逐张核对，且让学生能钻牛角尖的地方一律要自查。

3.3 两个「回潮」坑（改词时必查）

改文本锁时最容易把旧坑放回来，每次重出图后按此表自查：

> W7：跨段共现的配角同样上文本锁；NEG 必须含场景与服饰硬约束。
> 这两条在《司马光》项目中都复发过一次（改锁时漏掉了），重出 10 张图才修掉。

4. 核心机制四：多音字／生僻字钉读音

GEM-3.1 在无上下文的短句里会读错多音字与生僻字（《司马光》实测：1:02 处「足跌没水中」的「足」被读成 xū）。

4.1 唯一有效手段：--style 显式钉读音

python {TTS技能}/scripts/tts.py speak \
  --text "足跌没水中" --voice 毅恒 --speed 很慢 --rhythm 抑扬顿挫 \
  --style "「足」读作 zú，是足球的足，不要读成 xū；「没」读作 mò，是淹没的没" \
  --name s3a --out tts_out

写入 plan 时，把这句纠正话存在段的 style 字段（tts_batch.py 自动透传）。
父技能的 note 字段是给分支B 台词块用的，本技能固定分支A，读音纠正一律走 style。

4.2 出片前必查清单

1. 通读全文，标出所有多音字（没 mò/méi、为 wéi/wèi、行 xíng/háng、少 shǎo/shào、长 cháng/zhǎng…）与生僻字（瓮 wèng、迸 bèng、牍 dú…）；
2. 每处写进对应段的 style；
3. 通读段与精讲段都要钉——同一个字在片中出现两次，只改一处等于没改；
4. 必须听审（无本地 ASR，只能人耳）——替换后重合成，重点听那几处。

> W8：多音字／生僻字一律 --style 钉读音并听审；同字多处出现须全部钉。

5. 工作流

Step 0 立项与分句 ──▶ Step 1 文本锁（含比例自检 W6/W7）──▶ Step 2 锚点图 + 双音色试听 ──▶【闸①】
   ──▶ Step 3 分镜静帧（逐张放大核对比例/服装/背景）──▶【闸②】
   ──▶ Step 4 派生 v2 + 逐段配音（style 钉读音）
   ──▶ Step 5 H3 逐段生成 ──▶ Step 6 标注层（读图定位 + 预览核对）
   ──▶ Step 7 通读/回读复用 ──▶ Step 8 合成（标注层+拼音字幕+GEM 原声）──▶【闸③】成片 + 静帧集

验收三项（沿用父技能，出片前必测）：音轨 aac/24000/1；分支A 闭口旁证 mean_volume < -30dB（超标时回到画面抽帧验口型，H3 自生成环境音可接受）；旁白末字未被截。

6. plan.json 扩展字段

父技能字段全部保留，本技能新增/约定：

{
  "project": "司马光",
  "workdir": "E:/.../司马光教学视频",
  "h3_dir": "h3",
  "design_bible": { "画风": "...", "主角": "...", "群演": "...", "核心器物": "...", "主场景": "..." },
  "voices": { "wenyan": "毅恒", "baihua": "栀栀" },
  "voice_params": {
    "wenyan": { "speed": "很慢", "rhythm": "抑扬顿挫", "emotion": "平静", "tag": "朗诵" },
    "baihua": { "speed": "偏慢", "emotion": "平静", "tag": "讲述" }
  },
  "read_groups": {
    "T1": ["s1a", "s2a", "s3a"],
    "T2": ["s4a", "s5a", "s6a"],
    "reuse": { "R1": "T1", "R2": "T2" }
  },
  "segments": [
    { "key": "s3a", "image": "stills/still_s3a.png",
      "source_prompt": "prompts/s3a.txt", "prompt": "prompts_v2/s3a.txt",
      "mode": "A", "audio": "none", "role": "VO",
      "line": "足跌没水中",
      "sub_text": "足跌没（mò）水中",
      "style": "「足」读作 zú；「没」读作 mò，是淹没的没",
      "voice": "wenyan", "duration": 4, "sub": true,
      "scene_name": "足跌没水中", "scene_kind": "瓮边 · 中景" },
    { "key": "R1", "reuse_from": "T1", "voice": "wenyan" }
  ]
}

• sub_text：烧进字幕的文本（可含拼音）；缺省回落到 line。
• style：该段的读音纠正句，透传给 TTS 的 --style（W8）。
• voice：wenyan / baihua，查 voices 表取音色名。
• reuse_from：该段音频直接复制自另一段（回读复用，不重复调 TTS）。
• read_groups：通读组由哪些精讲朗读镜拼成；reuse 回读映射。
• 每段必须 "mode": "A" + "audio": "none"（全片分支A）。

7. 脚本速查

父技能脚本继续用：gen_v2_A.py（分支A 派生 + 四项自检）、gen_segments.py、make_stills_pdf.py、h3_video.py。

8. 铁律（W 系列；S1–S20 继续生效）

9. 排障速查

10. 参考文件