Santu ai voiceover editing

三土学AI黑底头像声波口播

把一篇中文文案做成竖屏口播视频：用本地 minimax-tts 把文案转成三土克隆声音，按音频切时间线，生成黑底 gpt-image2 简笔画配图，再用固定头像声波版式剪成成片。若用户给出封面标题，成片后继续生成 9:16 和 6:7 两版爆款视频封面。

核心定位

• santu-ai-voiceover-editing：负责完整生产链路、时间线、剪辑版式、Remotion 工程和交付检查。
• santu-ai-voiceover-illustrations：负责把文案片段转成黑底 gpt-image2 简笔画图片素材方案与提示词。
• 头像素材默认使用已裁剪好的透明圆形头像 assets/santu-avatar.png。若用户提供新头像，先裁剪保存，再替换该资产或在项目素材清单中指定新路径。
• TTS 默认使用本机全局 CLI：minimax-tts tts --model speech-2.8-hd --voice-id SantuVoice20260618B。
• gpt-image2 图片不是“聊天里看到了”就算完成；必须保存为项目内可读文件，并写入 src/timeline.json。
• 封面标题必须由模型直接生成在图里，不默认做后期中文文字叠加；只有用户明确要求才用代码补字或排版。

固定画面结构

• 画幅：1080x1920。
• 背景：纯黑或近黑，默认 #050505。
• 插画素材：使用 gpt-image2 生成的黑底整图，素材清单记录真实像素；剪辑层可为抖音/视频号四周安全区做等比例轻缩，默认保留左右 80-110px、顶部 60-100px 空余。
• 插画缩放：只允许等比例缩放，不拉伸、不裁切、不压扁。常用显示比例 0.90-0.95，不要把正常图片缩成小贴图。
• 插画内容：关键人物和物件应集中在上方视觉区；如果图太大压到字幕，先用 prompt 让主体上移，剪辑层用字幕阴影安全带兜底。
• 字幕区：头像和插画之间，推荐 Y=960-1240，居中显示 1-2 行中文字幕。
• 字幕安全带：字幕背后必须有黑色/近黑柔边阴影区域，放在插画层之上、字幕层之下，覆盖字幕可能出现的位置。
• 头像区：中间偏下，推荐圆心 X=540, Y=1400，圆形头像直径 240-280。
• 声波区：头像左右两侧固定动态声波，推荐左侧 X=120-390、右侧 X=690-960，垂直中心跟头像一致。
• 底部：保持黑色呼吸区，只放很轻的品牌名或完全留空。

素材职责边界

• 简笔画配图必须是 gpt-image2 生成的图片素材，不能用 Remotion/SVG/CSS/Canvas 代码生成。
• 每张简笔画生成后必须落盘到工程媒体目录，例如 public/media/images/img-01.png，并用文件系统校验存在、尺寸和格式。
• 代码可以生成文字、字幕、简单几何、声波、圆形头像裁切、遮罩、淡入淡出和轻微位移动效。
• 缺插画时，回到 santu-ai-voiceover-illustrations 生成 gpt-image2 提示词和图片，不要临时用代码补画。
• 内置生图结果默认先保存在 $CODEX_HOME/generated_images/...；项目素材必须从该目录复制到工程 public/media/images/，不能只停留在聊天预览或默认生成目录。
• 先检查 $CODEX_HOME/generated_images/... 并复制新增文件；只有该目录也没有新增图片文件时，才暂停并向用户确认保存方式。
• 不要说“只能预览、不能保存本地”就停止；先用文件系统查找、复制、校验内置生图落盘文件。
• 不要改用外部生图工具，也不要用代码画图或占位图继续剪。
• 声波是剪辑层固定组件，不是 gpt-image2 素材。
• 爆款封面主视觉和中文标题必须是 gpt-image2 生成的图片内容；代码最多用于保存、校验、等比例尺寸整理、生成清单和预览图。

默认工作流

1. 获取中文文案、头像、输出目录和可选封面标题；若用户已提供音频，可跳过 TTS。
2. 清理文案口播稿：去掉不适合朗读的括号、长列表符号和视觉说明，保留自然口语节奏。
3. 用本地 MiniMax 中国站 CLI 生成音频：minimax-tts tts --text-file script.txt --output voice.mp3 --model speech-2.8-hd --voice-id SantuVoice20260618B --language-boost Chinese --subtitle。
4. 拿到音频后，按音频真实时长切时间线。有词级时间戳优先用词级；没有时按句子/停顿估算，再用音频波形和试听校准。
5. 按 4-7 秒 一个视觉单元拆分文案，给每个视觉单元规划一张黑底简笔画或沿用上一张图。
6. 调用或复用 santu-ai-voiceover-illustrations 生成黑底 gpt-image2 图片素材。逐张保存到 public/media/images/，生成 prompts.json 和 asset-manifest.json。
7. 校验每张插画文件真实存在且可读；只有校验通过的图片才能进入时间线。
8. 生成 timeline.json：音频、分段字幕、插画真实尺寸、字幕阴影带、头像、声波、转场全部可编辑。
9. 生成或修改 Remotion 工程，固定版式为“上方插画 + 字幕黑影安全带 + 中部字幕 + 下方圆形头像 + 左右声波”。
10. 抽关键帧检查黑底、插画清晰度、字幕位置、字幕背后黑影、头像圆裁、声波动态和音画同步。
11. 导出 MP4，并交付音频、时间线、gpt-image2 prompt、素材清单、工程路径和关键帧检查图。
12. 若用户提供封面标题或要求封面，继续生成两张爆款封面：9:16 竖屏封面和 6:7 信息流封面；保存到 public/media/covers/，生成 cover-manifest.json，并返回文件路径、真实像素尺寸和标题校验结果。若用户没有提供封面标题，不要擅自编标题；在交付时提示可补充封面标题后再生成双尺寸封面。

爆款封面要求

• 封面标题来自用户输入，必须在 prompt 中声明“精确生成以下中文标题”，并逐字列出标题；生成后人工查看图片，确认没有错字、漏字、多字、乱码或笔画严重变形。
• 默认分别生成两张封面，不从 9:16 直接裁出 6:7，除非用户明确要求复用同一主视觉。9:16 常用目标比例为 1080x1920，6:7 常用目标比例为 1080x1260。
• 封面保持“三土学AI”黑底商业草图风格：黑色或近黑背景，高对比大标题，白色/浅灰线稿，少量蓝色 AI 信号和橙色行动/成交强调，戴眼镜西装小人要参与核心动作。
• 封面可以比正文插画更有冲击力，但不要做成白底海报、PPT、密集信息图、赛博 HUD、机器人俗套图或真人照片。
• 标题是封面核心，必须足够大、清楚、适合手机缩略图；辅助小字最多 0-2 组，不能抢主标题。
• 生成后从 $CODEX_HOME/generated_images/... 找到新增 PNG，复制到 public/media/covers/cover-9x16.png 和 public/media/covers/cover-6x7.png；保留原始生成文件，不删除。
• 如果生图结果不是精确目标像素，先记录真实像素；只有在平台交付明确需要固定像素时，才做不改字、不重排标题的等比例背景扩展或安全裁切，并同时保留原始模型输出。
• cover-manifest.json 至少记录：id、title、ratio、path、source、status、width、height、prompt、titleCheck。
• 抽查两版封面缩略图可读性：主标题完整、中文准确、主体不贴边、黑底不发灰、6:7 版本没有把标题或核心人物裁掉。

时间线要求

• 字幕跟随音频，不按文案字数硬切。
• 优先把 MiniMax 字幕按 ，。！？；： 等中文停顿拆成短段，去掉末尾标点后逐段显示；逗号前后不要堆在同一屏。
• 每条字幕建议 8-18 个汉字，最多 2 行。
• 强观点句可以单独成段，停顿处可以留 4-8 帧呼吸。
• 插画切换不要太频繁；老板/创业者口播优先稳、清晰、有压迫感。
• 同一张插画可以覆盖多个短句，直到语义切换。
• 生成时间线后检查：插画显示框离画布左右和顶部有安全边距，字幕底部至少离头像顶部和声波顶部各 20px，并且 layout.subtitleShadow 覆盖字幕区域。

何时读取参考

• 版式、色彩、头像声波风格：读 references/editing-style.md。
• MiniMax CLI、TTS、音频对齐、时间线字段：读 references/timeline-workflow.md。
• 需要确认或复用 TTS 命令：读 references/minimax-tts-cli.md。
• 生成、保存、校验 gpt-image2 图片资产：读 references/image-asset-workflow.md。
• Remotion 工程和固定组件：读 references/remotion-rules.md。
• 交付前验收：读 references/quality-checks.md。

必要输出

根据任务阶段至少输出以下内容：

• MiniMax TTS 命令记录和生成好的克隆声音音频
• 音频对齐后的时间线
• 黑底简笔画 gpt-image2 prompt 列表
• 已落盘且可读的插画图片素材清单
• 可编辑 Remotion 工程
• 最终 MP4
• 关键帧检查图
• 若提供封面标题：9:16 和 6:7 两版封面、封面 prompt、cover-manifest.json、标题准确性和缩略图可读性检查结果

不要做

• 不要再按白底手绘口播素材处理。
• 不要要求真人口播视频；这个版本默认是音频驱动。
• 不要把头像当 PIP 视频；它是固定圆形头像图片。
• 不要把字幕放到头像下方或贴底。
• 不要让字幕、头像和声波互相遮挡；插画与字幕有重叠风险时，用黑色字幕阴影带保护字幕可读性。
• 不要为了遮字幕把正常生成的插画图片缩成小图；允许为平台四周安全区做 0.90-0.95 左右的等比例轻缩和居中留边。
• 不要用代码生成简笔画主体素材。
• 不要默认用代码给封面叠中文标题；封面标题应直接由 gpt-image2 生成，除非用户明确要求后期排版。