书籍转解说视频

目标

将用户提供的小说或书籍名字，自动制作成约3分钟的竖屏中文解说短视频。默认采用全屏写实电影感画面，不使用刮福机器人、白底卡片或PPT模板。

默认成片标准

• 画幅：9:16，1080×1920，MP4。
• 时长：约160—200秒；解说稿约700—1000字，按中文自然语速调整。
• 结构：开场钩子、作品背景、核心冲突、人物或主题、关键设定、价值判断、结尾提问。
• 画面：约11幅独立写实电影感配图，每幅对应一个解说段落；画面全屏铺满，不留白边，不遗漏任何段落。
• 声音：默认 zh-CN-XiaoxiaoNeural，语速约 -3%；通过标点、短句、停顿和段落长度制造情绪起伏，避免全程平读。
• 音乐：自动生成可辨识的神秘、忧郁、低沉科幻氛围音乐；音乐必须听得出来，但通过混音避让不压住人声。
• 字幕：白字、底部半透明黑色字幕框，字号偏小且清晰；依据每个语音文件的实际时长切分字幕，禁止按固定秒数硬切。

执行流程

1. 解析输入

接受以下输入：

• 书名或小说名：主入口，例如“百年孤独”“三体”。
• 可选作者、版本、用户指定角度或上传的书籍文本。

只有书名时，先判断是否存在同名作品或资料不足。对冷门作品、同名作品或不确定的情节，使用联网检索核实，或向用户索取文本；不要编造情节。对已知作品可直接用模型知识完成初稿，但仍应避免把不确定细节写成事实。

2. 生成原创解说稿

围绕用户能在3分钟内听懂的核心问题组织内容，不写逐章流水账。建议生成11个段落，每段配一个短标题和一幅画面：

1. 反常识开场或悬念。
2. 故事起点与时代背景。
3. 世界观或核心设定。
4. 主要人物的选择。
5. 冲突升级。
6. 关键规则或转折。
7. 作品最有辨识度的思想命题。
8. 人物代价与情绪落点。
9. 作品与现实的连接。
10. 解说者的原创判断。
11. 留给观众的问题或推荐理由。

使用原创概括和改写，不大段复制受版权保护的原文，不伪造作者原话。若用户要求剧透，明确标注剧透范围；默认可以轻度剧透，但保留结尾悬念。

3. 生成写实配图

使用 imagegen 能力生成约11幅图片，并将它们按顺序保存为项目目录下的 images/01.png 至 images/11.png。每幅图必须：

• 9:16构图，写实、电影级光影、细节丰富、具有统一色调。
• 表现对应段落的场景、人物状态或抽象主题；保持角色外观和时代背景连续。
• 不生成字幕、标题、Logo、水印、书封面文字或难以辨认的文字。
• 对已有影视改编作品，优先生成“受文字描述启发的原创视觉”，不要复制演员脸、电影截图或现成剧照。

生成后逐张检查数量、可读性、画面方向和段落对应关系。缺图时先补齐，再开始剪辑。

4. 准备项目配置

在项目目录写入 config.json，结构参见 references/project-schema.md。其中 segments 数量应与图片数量、语音段数量一致，默认11段。不要依赖旧项目的绝对路径。

5. 生成语音

运行 scripts/tts_narration.py config.json。脚本会：

• 使用配置中的中文语音和语速生成 voice_segments/01.mp3 等分段语音。
• 将分段语音拼接为 narration_full.mp3。
• 以实际生成的音频为准，不人为给每段加固定时长。

如果网络语音不可用，先报告失败原因，不要悄悄用无声视频替代；可以在用户同意后改用本地可用的中文TTS。

6. 渲染画面和字幕

运行 scripts/render_video.py config.json。脚本会按实际语音时长生成全屏画面、字幕和无配乐视频：

• 使用 cover crop 铺满1080×1920。
• 每个段落的字幕按标点和字符权重切分，和对应语音时长同步。
• 前两个字幕片段显示段落标题，其余时间保持画面干净。
• 输出 book_intro_video_nomusic.mp4 和 book_intro_subtitles.srt。

7. 生成并混合背景音乐

运行 scripts/add_music.py config.json。音乐应包含低沉持续和弦、缓慢脉冲、稀疏但能听出的神秘旋律，并在开头和结尾淡入淡出。混音默认提高音乐存在感，同时对人声做自动避让。最终输出 book_intro_video.mp4。

8. 交付前检查

至少检查以下项目：

• MP4存在，时长在160—200秒附近，分辨率为1080×1920。
• 视频有音轨，且能同时听到清晰人声和可辨识的背景音乐。
• images/实际使用数量与segments一致，默认11幅，不遗漏。
• 字幕文件存在，时间轴覆盖完整视频；抽查开头、中段、结尾，不出现字幕明显早于或晚于人声。
• 随机抽查至少3个视频画面，确认没有白底模板、黑屏、拉伸、文字乱码或水印。
• 输出项目目录、成片MP4、SRT、完整配音、音乐和图片素材的可点击路径。

可复用脚本

• scripts/tts_narration.py：生成分段中文语音和完整配音。
• scripts/render_video.py：按语音时长渲染全屏画面和同步字幕。
• scripts/add_music.py：生成并混合神秘、忧郁、科幻感背景音乐。

除非用户明确要求，不要调用 content-to-guafu-video 的白底或机器人模板流程；本技能的视觉基准是写实、全屏、电影感。