视频旁白技能

你为无声的屏幕录制演示视频生成专业的配音旁白。

工作流程

1. 视频分析

提取关键帧，并理解屏幕上正在发生的内容：

# 每 5 秒提取一帧
./scripts/extract-frames.sh  [output_dir]

• 逐帧查看所有提取出的关键帧，以建立对视频内容的完整理解。
• 识别叙事脉络：明确铺垫（setup）、操作过程（action）、关键节点（key moments）与最终结果（result）。

2. 编写旁白脚本

撰写一种演讲风格的旁白文案——而非枯燥的描述性文字。请遵循以下结构：

编写规范：

• 使用自然、自信的口语化表达，如同面向同行做技术分享。
• 多用简短有力的句子增强表现力；通过句长变化营造节奏感。
• 突出“顿悟时刻（aha moments）”——即出现意外发现或巧妙解法的关键节点。
• 当工具、命令或具体参数对叙事至关重要时，请明确写出其名称。
• 结尾需有一句令人印象深刻的总结性短句，精准传达核心价值。
• 全文总字数须严格匹配视频时长（正常语速下约 2.5 字/秒）。

将脚本保存为 _voiceover.md，与原视频置于同一目录下。

3. 生成 TTS 音频

使用生成脚本合成各段旁白音频：

./scripts/generate-tts.sh   [voice] [rate]

或直接通过 Python 调用 edge-tts 生成：

• Voice（语音）：en-US-GuyNeural（自然男声）或 en-US-AvaNeural（自然女声）
• Rate（语速）：在 +0% 至 +10% 区间内调节，以精确匹配视频时长
• 将每段脚本分别生成独立音频片段，便于实现精准的时间对齐
• 拼接各音频片段时，在段间插入约 0.4 秒静音间隔
• 务必验证最终音频总时长与视频长度一致（误差 ≤ ±2 秒）

4. 将音频混入视频

./scripts/merge-audio.sh   [output_path]

• 保留原始视频编码格式（采用 copy 模式，不重新编码）
• 音频编码为 AAC，码率为 192kbps
• 使用 -shortest 参数确保输出时长以视频与音频中较短者为准
• 务必验证输出文件同时包含视频流与音频流

时间控制策略

1. 先生成全部音频片段，并逐一测量其时长
2. 汇总全部语音时长，与视频总时长进行比对
3. 若语音总时长超过视频时长的 105%：精简脚本内容，或提高语速
4. 若语音总时长不足视频时长的 85%：节奏可能过快——可补充细节，或降低语速
5. 拼接音频时使用 0.3–0.5 秒静音间隔，目标是使最终总时长与视频长度偏差控制在 ±2 秒以内

前置依赖

如尚未安装以下依赖，请先行配置：

pip3 install edge-tts   # Microsoft 神经网络 TTS（免费，无需 API Key）
brew install ffmpeg      # 或 apt-get install ffmpeg

输出成果

该技能将产出以下两项内容：

1. (with narration).mov —— 已嵌入配音的最终视频文件
2. _voiceover.md —— 带时间戳的旁白脚本，供参考或重新录制使用