agentsclimarketplace

Digital human video

Skill ZhiMaHang/playbook/skills/digital-human-video

用抖音系服务(火山引擎·即梦AI)制作竖版短视频,两条路线:数字人口播(OmniHuman,对口型)与氛围画面配旁白(视频生成3.0 Pro,不对口型),动手前先选。先问清场景(给谁看/看完得到什么/要他做什么/片子类型),再定选题;输入=一段文本(主题或原始素材)+目标时长+人像或场景图;文案、生成的图片、分镜与成本表三处均须用户确认(成本确认可被用户常驻豁免),确认后才调计费 API 制作(TTS→数字人或视频生成→ffmpeg 竖版合成,含 AI 标识)。当用户要"做数字人视频/口播视频/宣传视频/AI 生成视频"时使用。首次使用前须先跑 digital-human-video-init 配置密钥。From its SKILL.md

Install
npx -y skills add ZhiMaHang/playbook --skill digital-human-video

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

2 things to look at

  • no licenseNo license file was found in the repository. Code published without one is not open source by default, so using it at work is a question for whoever answers licensing questions where you are.
  • 1 stars1 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.

SKILL.md

33.9 KB, as published. Nobody here has run it

数字人口播视频 · 制作

⓪ 先问场景(硬门,不问清不动手)

2026-08-02 教训:跳过这一步做出来的片子「非常没有意思」。 当时用户给了一份现成的数据稿, 技能直接照做,产出一条讲「我们跑了 45 道题、某引擎提了我们 22 次」的片子——数据全对、合规全过、 观众毫无理由看完。根因是拿内容源当需求用:有人给一段文本,不等于这段文本适合做成这条片子。

动手前必须问到下面四件,缺哪件问哪件,不许替用户假设:

  1. 给谁看——目标观众是谁、他们此刻的处境是什么。写「中小企业市场负责人,老板问他品牌在 AI 里 排第几,他答不上来」这种具体的人,不写「潜在客户」。
  2. 看完得到什么——观众能带走的一件事:学会一个判断方法 / 看懂一个现象 / 避开一个坑。 如果答不出观众能带走什么,这条片子不该做。
  3. 要他做什么(转化目标)——看完去哪、怎么承接(关注公众号 / 私信关键词 / 官网 / 什么都不做只求曝光)。
  4. 片子类型——干货科普 / 现象观察 / 案例拆解 / 观点表达 / 产品演示。

这四问是给一个账号/一个系列定调的,定过一次就不必每条重问;后续每条片子只按下面「输入」那两样收料即可。

引流片 ≠ 推广片(最常见的一次性搞砸)

引流片推广片
主角观众的问题我们的产品
数据的用法当论据支撑一个观众关心的判断当成绩陈列
观众的收获学到能自己用的东西知道了有这么个产品
适用场景冷启动、涨粉、公域引流已有信任的私域、落地页、发布会

默认按引流片写。 用户明确说「做产品介绍/发布」才写推广片。 自查一句:把品牌名全部抹掉,这条片子还有人看吗? 没有 → 是推广片,回炉。

输入(每条片子固定收两样,缺一不做)

① 文案

口播全文,或要点(由本技能改写成口播稿)。时长由文案长度决定:每 13 秒 ≈ 65 汉字。

⚠️ 文案完整性优先于时长——不得为了凑短而删内容(2026-08-03 用户明确要求)。 15 秒是 OmniHuman 单次调用的上限,不是成片的上限:超了就按语义拆成多段、逐段生成、 拼接成一条完整片子。硬压文案会把信息压没——把「五种角色各自是干什么的」压成五个光秃秃的 名词,观众记不住也听不懂,等于白做。

⚠️ 文案是素材不是需求:若 ⓪ 尚未定过调,先问完再动笔。常见情形是用户手边只有一份 内部数据稿,而它并不适合直接做片子——此时据 ⓪ 另提选题给用户选,不要照着硬做。

② 一张图

这张图同时决定成片里的「人」和「背景」——OmniHuman 只接收图 + 音频,没有任何场景 提示词参数(2026-08 核实)。所以图什么样,成片就什么样。

要求:单人、正脸、人脸占比大,JPG/PNG <5MB <4096²(sips -g pixelWidth -g pixelHeight 核验); 竖版 9:16 最省事(横图会按原比例出片,与竖版成片不匹配)。 肖像须已获本人授权(或为 AI 合成形象);用户主动提供并指示用于本片,即视为授权,如实记档, 不必反复追问。

这张图从哪来(按优先级):

来源何时用注意
实拍照片车里、办公室、家里这类随手能拍的场景首选。真脸真光真环境,零 AI 味、零肖像争议;五分钟拍三五张够用很久
用户自备的生成图用户自己做好了图直接用,不必追问怎么来的
gen_scene.py 图生图拍不到、又要人物在场景里见下方「进阶」的实测结论
gen_scene.py 文生图 + make_portrait.sh 合成拍不到的场景,且必须保住真脸脸 100% 不动,代价是可能有贴纸感

前置:配置文件 ~/.config/zmh-dhv/env 存在(所有脚本自动读取);不存在则引导用户先跑 digital-human-video-init。

进阶:自己做输入图(拍不到的场景才用)

两个脚本,都在 scripts/:

# 文生图:生成纯场景空镜(不含人物)
python3 scripts/gen_scene.py --prompt "汽车驾驶座,暖色车内,窗外街景虚化" --out scene.png
# 图生图:带入参考图里的人物
python3 scripts/gen_scene.py --image <人像公网URL> --prompt "同一个人坐在驾驶座上" --strength 0.45 --out shot.png
# 绿幕/透明底人像 + 场景 → 合成输入图(脸 100% 不动)
scripts/make_portrait.sh green <绿幕人像> scene.png out.png [相似度] [羽化]
scripts/make_portrait.sh check out.png          # 人景协调自检(色温/画幅)

2026-08-02 实测结论,别重复踩:

  • 提示词里不要写「留出人物站位」这类话——模型会照办,直接画一个灰色人形占位块。 空镜就老实写「空镜,画面中没有人」。
  • 图生图 strength=0.45 时人脸已被换掉:发色改变、脸型削瘦、五官磨皮成通用 AI 脸, 另有手部结构错误与过曝高光。用户一眼判「很假」。降到 0.25~0.3 能多保住脸,但融合变差, 容易变成「证件照硬贴进场景」的另一种假。
  • 因此:本人出镜的片子优先实拍。生成图的用武之地是拍不到的场景(演播室、机房、 发布会背景板),以及封面配图这类不涉及本人真实呈现的素材。
  • 若仍要用生成图做本人出镜:必须把图交给本人确认「这还是我」,不确认不进 OmniHuman。

两条产出路线(动手前先选,选错整条片子废)

技能有两个互不相通的引擎,区别只有一条,但它决定整条片子的形态:

数字人 OmniHuman视频生成 3.0 Pro
脚本jimeng_dh.pyjimeng_video.py
req_keyjimeng_realman_avatar_picture_omni_v15jimeng_ti2v_v30_pro
接口CVSubmitTask / CVGetResultCVSync2AsyncSubmitTask / CVSync2AsyncGetResult
对不对口型对不对
片子形态真人口播(人在说话)氛围画面配画外音
输入图要求正面、匀光、简背景、嘴部无遮挡(极严)宽松,侧脸暗调都能出
输出画幅不固定:见过 480P 小画幅,也见过 1088x1920 整幅1088x1920(注意不是 1080)
单段长度跟音频走frames 121≈5s / 241≈10s
segments.txt 类型dhclip

别搞混:拿 jimeng_video.py 做口播,会得到「人在动、嘴不动、声音在念」的诡异片子。 要嘴型对得上只有 OmniHuman 一条路。

数字人的输出画幅不固定,合成前必须探

同一个 jimeng_realman_avatar_picture_omni_v15,2026-08-02 回的是 480P 小画幅, 2026-08-04 回的是 1088x1920 整幅。compose.sh 的 dh 分支原先写死「缩到画面上部、 下方留字幕区」,拿整幅素材跑会把画面往下推 200px 再裁掉底部。

现已改为按 ffprobe 探到的实际高度分流(≥1600 视为整幅,走铺满裁切;否则走上部留白)。 教训:输出画幅是服务端的事,不是我们能假设的常量。 任何「XX 一定是 480P」这类 写死的画幅假设,都该换成一次 ffprobe。

数字人段合成时用 - 走 mp4 自带音轨,不要外挂原始 wav:OmniHuman 的输出会比 源音频长 0.04~0.18 秒(收尾帧对齐),外挂 wav 有让口型与声音错位的风险, 自带音轨则严格同源。

视频生成的两条实测纪律

  1. 每段都锚回同一张原图,不要拿上一段的末帧接龙(2026-08-04 实测踩到)。 接龙的本意是接成一条连续镜头,实际上 ti2v 每次都是拿首帧重新合成人脸与场景, 误差逐代累积:第 2 代人物转身只剩后脑勺,第 3 代换了张脸,第 4 代连街景都从 红霓虹漂成绿路灯。七段下来是七个人物不一致的镜头,不是一条镜头。 正确做法:每段首帧都用同一张原图,靠 --prompt 里的运镜描述做出差异, 靠 --seed 固定可复现。宁可少切几刀——frames 241(10 秒)出 4 段, 比 frames 121(5 秒)出 7 段剪切点少一半,脸也更稳。
  2. 提示词写运镜和动态,不写画面内容。内容已经由首帧图决定了,再描述一遍只会打架。 写「镜头极缓慢推近,人物轻微呼吸与眨眼,背景霓虹光斑流动」, 不写「一个女性站在雨夜街头」。结尾固定加「电影感,人物面容保持一致,画面稳定不变形」。

req_key 备胎(某一个额度用尽时直接顶上)

即梦的视频能力是按 req_key 分别计额度的,一个用尽不影响另一个。实测可互换:

req_key名义实测规格
jimeng_ti2v_v30_pro3.0 Pro 图文生视频吃 image_urls1088x1920,241帧=10.04s
jimeng_t2v_v30_1080p3.0 1080P 文生视频同样吃 image_urls与上完全一致

名字里的 t2v 不代表它不收图(2026-08-04 实测:3.0 Pro 额度耗尽后,同样的 image_urls + frames + aspect_ratio 原样换到 jimeng_t2v_v30_1080p, 两段都一次出成,参数一个字没改)。所以出片脚本应当按 req_key 列表依次退避, 而不是撞到 50400 就停下来问用户充值:

for RK in jimeng_t2v_v30_1080p jimeng_ti2v_v30_pro jimeng_i2v_first_tail_v30; do
  python3 scripts/jimeng_video.py --req-key "$RK" ... && break
done

零成本判断某个 key 还能不能用:拿假 task_id 打 CVSync2AsyncGetResult, 50400 = 该 key 不可用(额度尽或未开通),50500 = 可用(查不到假任务而已), 50200 = 名字不存在。注意这里 50500 反而是好消息,与直觉相反。

已知瞬时错误

  • 50220 Download Url Error — 即梦服务端拉不到我们图床上的首帧图(connection reset)。 不是参数错,重试即可,别去改 URL 或重传图片。批量出片时要能单段补跑。
  • 50400 Access Denied: api forbidden — 这个码有歧义,别一看到就断定「没开通」。 2026-08-04 实测:同一个 jimeng_ti2v_v30_pro,同一批里第 1、3 段成功、第 2、4 段回 50400。 能力显然是开通的,所以此处的 50400 是限流或额度耗尽,不是权限。 判别法:这个 req_key 在本次会话里成功过吗? 成功过 → 限流/额度,隔开重试,别去动权限和 IAM; 从没成功过 → 才考虑是能力未开通(此时再用别的已开通 key 做对照探针)。

批量出片必须能单段补跑:一批里失败几段是常态(上面两个码都会随机命中), 脚本要按段落文件名判断哪些缺失、只补缺的那几段,不能整批重来——重来等于把 成功的那几段再花一次钱。

流程(严格按序,三道确认门)

① 生成视频脚本(不花钱)

前提:⓪ 四问已答完。 未答完不进本步——照着一段现成文本硬写,产出的必然是「数据都对但没人想看」的片子。

开篇 3 秒决定完播率,写之前先定钩子。可用的三种(都不要以「大家好」「今天跟大家聊聊」开场):

  • 反常识:「AI 说错一个产品的价格时,它不会说不知道,它会编一张完整的价目表。」
  • 具体处境:「老板问你品牌在豆包里排第几,你答得上来吗?」
  • 可验证的动作:「教你十分钟自己查一遍,不用买任何工具。」

首尾两段必须是人脸(2026-08-10 用户定的硬规则)

片子的第一段和最后一段一律用数字人,中间可以用图卡。

理由是两端承担的功能不同,都撑不住静态卡:

  • 第一段决定留不留人。留存曲线显示前 7 秒流失 86%,而人脸是短视频里最强的注意力钩子。 开头放一张静态卡等于把最贵的 7 秒交给了最弱的画面。
  • 最后一段决定行不行动。CTA 由一个人说出来,和由一张卡片写出来,说服力不是一回事。

顺带解决一个听感问题:同一段 TTS 配「会动的嘴」和配「静态卡」,听起来是不一样的。 2026-08-10 实测——用户反馈第 3 条「语音跟前两条不一样」,而字节级比对证明 TTS 完全相同 (同一句话两次生成 md5 一致)。差异来自两处:① 该片满是英文专有名词,中文 TTS 读英文韵律不同; ② 全片无人脸。视听整合会改变听感,这不是错觉。所以首尾配人脸也是在稳听感。

开场:唯一有实测数据的一条(2026-08-10 首条成片回流)

第一条片子发出后拿到了真实留存曲线,结论比任何经验之谈都硬:

0s 100%  →  7s ≈14%  →  14s ≈10%  →  21s ≈8%  →  28s ≈5%  →  35s ≈0

前 7 秒流失 86%,7 秒之后近似平线。(片长 36.5s,完播率 7.13%,平均播放 10.06s)

三条可直接照用的推论:

  1. 一条片子的成败几乎全在前 7 秒。中后段做什么都影响不到大多数人—— 那条片子 9 秒处才切出精心画的框架图,而那时观众只剩 14%,绝大多数人根本没看到。 所以:先把开场做对,再谈结构。
  2. 别把需要背景知识的专有名词放开头。原开场第一句是「Anthropic 很多团队九成以上的代码」, 对不认识 Anthropic 的人,前 3 秒等于没有信息——而前 3 秒正是决定划走的窗口。
  3. 别在开场把结论说完。原开场以「这套分法过时了」收尾,观众信息到手即可离开。

改法(同一内容只换开头的示范):

原:「Anthropic 很多团队九成以上的代码,已经是 AI 写的。Claude Code 之父说,   正因为人人都能写代码,前端、后端、产品、设计这套分法过时了。」

改:「写代码这件事,正在从『会不会』变成『还要不要人写』。九成——这是 Anthropic 内部   现在由 AI 写出的代码比例。他们团队因此重新分了工,分成五种人,其中一种现在特别抢手。」

三处变化:数字前置(第 3 秒就砸出具体数字)、留悬念(不说是哪一种)、 开头不放需要背景知识的专有名词。

⚠️ 这条数据只来自 1 条片子,是信号不是定律。 但它推翻了我们自己此前的一个推断 (曾从「完播率+平均时长」两个聚合数推出「观众在切图表处流失」,曲线证明是错的), 所以:能拿到留存曲线时,永远不要用聚合数去推流失点。

⚠️ 「改开场」这个变量单独测不出来:同一账号不能把同一条内容发两遍, 新开场必然伴随新选题。留存若改善,无法区分是开场还是选题的功劳。 交付时要如实说明这一点,不要包装成对照实验。

按输入文本与时长产出分镜脚本,格式:

  • 分镜表:段号 | 形态(数字人/图卡) | 口播文案(每段 ≤65 字) | 预计秒数 | 预计成本
  • 成本优化默认形态:数字人只出镜开场与收尾,中段用零成本数据图卡;用户点名全程数字人则照做并重报成本
  • 图卡文案(如有)
  • 合计:总时长、总成本(数字人段秒数合计 × 1 元 + TTS<1 元)

长文案的拆段规则(超 15 秒时按此拆,不许删内容):

  1. 按语义拆,不按字数硬切:一个完整意思落在一段里;拆在句号处,绝不在半句或词中间断开。

  2. 每段 ≤65 汉字(约 13~14 秒 @1.0x 语速),留出余量——TTS 实际时长会因语速与标点浮动, 顶着 15 秒写容易超。写完用 tts.py 实测,以实测秒数为准,不用估的。 注意语速会改变字数与秒数的换算:TTS_RATE=+50%(1.5 倍速)时,同样 65 字只要约 9 秒, 单段可以放到约 95 字。永远以 tts.py 报的实测秒数为准,别按字数硬套。

  3. 拆完先自检衔接:逐段连读一遍,段与段之间不能出现「话说一半」。compose.sh 是 concat -c copy 直接拼接,段间没有过渡也没有留白,是硬切——所以每段的收尾要是一个 可以停顿的位置。

  4. 成本按总秒数线性算:数字人 1 元/秒,拆成 3 段 45 秒就是 ¥45,不因为分段而变便宜。 成本表必须报总时长与总金额,不能只报单段。

  5. 中段若可以用图卡承载(数据、清单、对比),优先用图卡——零成本,且清单类信息看比听记得住。 有先后/层级关系的内容,用 make_diagram.py 画框架图,别用 make_card.sh 罗列文字: 五个角色摆成五行字,观众只看到一张清单;画成「想法→产品→规模」的链路加两个贯穿角色, 观众看到的是一个结构。同一张框架图分段 --highlight 不同节点,能让观众跟着讲解 一步步建立心智模型,比每段换一张不相干的卡有效得多。

    ⚠️ 画框架图不等于可以重排用户给的内容(2026-08-03 实测踩到):用户给了五个角色的 有序清单,技能自作主张拆成「主链 + 贯穿全程」两组,把第 3 位的「维护者」挪到了第 4 位 「扩展者」后面——顺序错了,而且那个分组是技能凭空发明的、原文里没有。 规则:结构可以可视化,顺序与语义不能改。 原文是有序列表就照序画成链;要提出别的 组织方式,先在门 A 连同文案一起报给用户,由用户定,不许直接落到图上。

    框架图一律用代码画,不要用 AI 生成图:AI 生成图里的中文几乎必错(缺笔画、造字、 串行),而框架图的信息全在文字上,错一个字整张图就废。代码画的字 100% 可控、可复现, 改词重画成本为零。AI 生成图适合做底纹与氛围,不适合承载文字信息。

语速:由配置项 TTS_RATE 控制(edge-tts 的百分比增量,+0%=1.0x、+50%=1.5x; 豆包与 macOS say 兜底会自动换算成各自的倍率)。短视频平台上 1.5 倍速通常比常速更抓人。

⚠️ 语速只能在 TTS 阶段调,绝不能在成片上加速:数字人口型由音频驱动,成片加速会把口型 一起拉快、看着像快放;而 TTS 按目标语速合成时,口型天然就是那个节奏。 ⚠️ 改语速 = 音频变了 = 数字人段必须重新生成(重新计费)。所以语速要在门 A 确认文案时 一并定下来,别等成片出来再改。

文案红线(违反即返工):不承诺"保证收录/霸屏/快速见效";数字可溯源且带口径限定;竞品不贬损;结尾引导语统一取配置项 BRAND_CTA(grep '^BRAND_CTA=' ~/.config/zmh-dhv/env),未配置则问用户要一句、用户说不加就不加,不得自行编造品牌名或引导语;若文本涉敏感词风险(品牌名密集)在脚本下方注明 50413 备选改法。

确认门 A:文案(硬门)

口播稿写完先给用户看,拿到确认才继续。 给的时候连这几项一起报:全文、分段、每段字数与预计秒数、 钩子是哪句。用户改就改完再确认一次。

为什么单独设这道门:文案是整条片子的地基,改文案要重配音、重生成数字人段——在这里改是零成本, 到成片再改是重新烧钱。

确认门 B:图片(硬门,仅当图由我们生成时)

凡是我们生成的图(文生图/图生图/合成图),一律先发给用户看,拿到确认才往下走。 不确认不上传、 不进 OmniHuman。

  • 本人出镜的片子,确认的问题是「这还是你吗」,不是「好不好看」。2026-08-02 实测:图生图 strength=0.45 就已经换脸(发色、脸型、五官全变),用户一眼判「很假」。这种图拿去驱动口型, 等于用一张不是本人的脸对外说话。
  • 用户自带的图跳过本门(他自己给的,不必替他审)。
  • 确认时一并报清楚:图从哪来(实拍/文生图/图生图/合成)、用了什么提示词与参数——用户要复现或 微调时用得上。

确认门 C:分镜与成本(硬门,可被用户常驻豁免)

本工作区现行豁免(2026-08-04,用户明示):「后续确认好文案后直接生成,不需要确认视频了」。 即门 A 通过后,门 C 视为已授权,可直接带 --confirmed 出片,不必逐段回来问成本。 边界:豁免的是成本确认,不豁免门 A(文案)与门 B(图片);换账号、换计费方式、 或单次量级明显超出既往(例如从几十秒跳到几分钟)时,仍要回来报一次。 用户说「停一下/先别花钱」即刻失效。

无豁免时:把完整分镜脚本 + 成本表报给用户,明确拿到"确认/开做"才进入 ③。用户改稿则改后再确认。 未确认不得调用 CVSubmitTask / CVSync2AsyncSubmitTask(这两个是仅有的计费接口)。

这道门有机器闸兜底:jimeng_dh.py / jimeng_video.py 不带 --confirmed 会直接拒绝提交, 并打印本段的时长与预估。纪律会漏,闸门不会。 有常驻豁免时 --confirmed 才是默认可带的;没有豁免时它应当是「已拿到用户确认」的证据, 不是一个固定参数。

③ 制作(开始花钱)

cd "${CLAUDE_PLUGIN_ROOT}/skills/digital-human-video"   # 未装插件时为本技能所在目录
python3 scripts/tts.py --script <确认稿.md> --outdir work/<项目名>/audio     # 按「## 段N」分段配音,报每段实际秒数
scripts/make_card.sh work/<项目名>/card1.png "标题" "行1|行2|行3" "脚注"      # 纯文字图卡
python3 scripts/make_diagram.py --out work/<项目名>/diag.png --title "五种角色" \
  --chain "原型师|抓住第一个想法" "构建者|做成产品" "扩展者|放大十倍" \
  --side "维护者|守住它" "收尾人|打磨" --stage "想法" "产品" "规模" --highlight 0 1   # 框架图(有结构关系时用)
scripts/upload_asset.sh <人像图> work/<项目名>/audio/seg_01.wav ...          # 换公网 URL(仅数字人段音频需上传)
python3 scripts/jimeng_dh.py --image <图URL> --audio <段URL> --out work/<项目名>/dh_XX.mp4 --confirmed   # 逐段,串行(并发 1),RTF≈20;--confirmed 仅在门 C 通过后加
# —— 走视频生成路线时改用下面这条(不对口型,配画外音;每段都锚回同一张原图,别接龙)——
python3 scripts/jimeng_video.py --image <同一张图URL> --prompt "<运镜与动态描述>" \
  --frames 241 --aspect-ratio 9:16 --seed <固定值> --out work/<项目名>/clip_XX.mp4 --confirmed
# 写 work/<项目名>/segments.txt
#   dh   <mp4> - <字幕txt>          数字人段(自带音轨)
#   card <png> <wav> <字幕txt>      静态图卡段
#   clip <mp4> <wav> <字幕txt>      生成视频段(铺满整幅,时长以旁白为准)
scripts/compose.sh work/<项目名> work/<项目名>/成品.mp4
  • 音频每段必须 ≤15 秒(超了回 ① 按语义拆段,不是删文案);video_url 1 小时有效,脚本已即时下载。
  • 数字人段生成失败:5041x/5051x=审核不过(按脚本备选改法换词重来,只重做失败段)、50429/50430=限流退避、50500/50501=可重试。
  • 制作完把服务器上的临时素材删掉(尤其人像图):ssh $ZMH_ASSET_SSH rm ...。

④ 交付与归档

  • 给用户成片路径 + 实际总成本(按各段产出秒数合计)+ 生成耗时;
  • 显式「视频由 AI 制作」角标已由 compose.sh 烧录,jimeng_dh.py 输出 aigc_meta_tagged=true 才算隐式标识成功——两者缺一在交付时明示;
  • 运营用途的片子:成片信息按所在工作区的归档约定记档(有台账则记入当期档);提醒发布时在平台侧勾选 AI 生成声明;发布一律人工,不在本技能内。

背景音乐(可选,但只能用自己合成的)

永远不要给成片配一首现成的曲子。 受版权保护的音乐发到公开平台就是侵权,平台的 版权识别还会给视频打标记直接限流——法律和流量两头都是硬伤。素材站上标「免费下载」的, 多半只是免费试听,授权条款经常不许商用或要求署名,逐条核实的成本比自己合成还高。

make_bgm.py 纯代码合成,每个采样点都是现算的,可商用、可修改、无需署名、零成本:

python3 scripts/make_bgm.py --out work/<项目名>/bgm.wav --seconds 33 --mood calm
# mood: calm(夜景/思考类,默认) / bright(结论/产品类) / tense(问题/风险类)

混音:默认恒定音量,不要侧链闪避

侧链闪避(人一说话音乐自动下潜)在广播里是标准做法,但在短视频里听感是「音乐忽大忽小」, 用户会直接抱怨(2026-08-04 实测)。短视频只有几十秒、人声几乎不停,闪避不断触发与释放, 观众听到的就是一层不停呼吸的底噪。默认不用闪避,选一个从头到尾压得住的恒定音量。

两遍 loudnorm,第二遍必须 linear=true——单遍 loudnorm 本身是动态的, 即使去掉了侧链,它也会自己把音乐泵起来又压下去。「忽大忽小」有这两个来源, 只去掉侧链是修不干净的。

# 第一遍:测量
ffmpeg -i 成片.mp4 -i bgm.wav -filter_complex \
  "[1:a]volume=0.09[m];[0:a][m]amix=inputs=2:normalize=0:duration=first[a]" \
  -map "[a]" -c:a pcm_s16le mix_raw.wav
ffmpeg -i mix_raw.wav -af loudnorm=I=-14:TP=-1.5:LRA=11:print_format=json -f null -   # 取 input_i/tp/lra/thresh

# 第二遍:linear=true 施加单一恒定增益
ffmpeg -y -i 成片.mp4 -i bgm.wav -filter_complex "
  [1:a]volume=0.09[m];[0:a][m]amix=inputs=2:normalize=0:duration=first[mx];
  [mx]loudnorm=I=-14:TP=-1.5:LRA=11:linear=true:measured_I=<I>:measured_TP=<TP>:measured_LRA=<LRA>:measured_thresh=<TH>[a]" \
  -map 0:v -map "[a]" -c:v copy -c:a aac -b:a 192k -shortest 成片-配乐.mp4
  • normalize=0 必带,否则 amix 会把总音量砍半
  • loudnorm=I=-14 是社交平台的通行响度,不做的话在信息流里会明显比别人小声
  • 验收:量音乐层逐秒电平的标准差,σ<4 dB 才算平稳;残余波动应能归因到曲子本身

调平必须量 1~4kHz,不能量全频段(这条最容易错)

2026-08-04 实测:全频段 RMS 显示音乐「低于人声 8.8 dB」,数字很合理, 用户在手机上完全听不见。逐频段拆开才看到真相:

频段音乐 vs 人声手机能不能放
20~150 Hz+27.9 dB放不出
150~400 Hz+8.3 dB很弱
400~1200 Hz−3.3 dB勉强
1200~4000 Hz−19.7 dB手机最响、人耳最敏感
4000~8000 Hz−33.7 dB空

音乐能量几乎全堆在手机放不出的低频,把全频段 RMS 撑得很好看,而真正决定 「听不听得见」的 1~4kHz 是空的。手机喇叭在 1~4kHz 效率最高,人耳也在这一带最敏感。

所以调平只看 1~4kHz 这一段的音乐/人声差值:

位置1~4kHz 音乐应低于人声
人声停顿处6~10 dB
人声最响处14~18 dB
def band_db(x, lo, hi, SR):          # x 为单声道浮点样本
    X = np.fft.rfft(x); f = np.fft.rfftfreq(len(x), 1/SR); m = (f >= lo) & (f < hi)
    return 20*np.log10(max(np.sqrt((np.abs(X[m])**2).sum()/len(x)), 1e-9))

配乐若是外来成品,选曲时就该挑有中高频内容的(钢琴、吉他分解、铃音、轻打击); 纯低频 pad 或纯氛围垫在手机上必然消失,再怎么调音量也救不回来。

另一个测量陷阱:不要拿「混音后 vs 原音轨」去测侧链闪避。音乐在总和里占比很小, 压不压都测不出差别,会误判成「侧链没工作」。必须把音乐支路单独渲出来与人声逐秒比对。

⚠️ zsh 陷阱:本机默认 shell 是 zsh,$2:ratio= 里的 :r、:a 会被当成参数修饰符 (:r 去扩展名、:a 转绝对路径),把滤镜串吃坏且报错难懂。滤镜里引用位置参数一律写 ${2} 带花括号。

结尾引流卡(CTA)

引流片结尾加一张 CTA 卡,配音 + 图卡 + 字幕三处同时给出同一句话。

配音要补静音:TTS 念一句短 CTA 只要 2 秒左右,卡片跟着只停留 2 秒——观众来不及看清、 更来不及去评论。补静音到 3.5~4 秒再进合成:

ffmpeg -y -i cta.wav -af "apad=pad_dur=1.65" -t 3.6 cta_padded.wav

照用户原话渲染,不要替他改写措辞。 CTA 是转化环节,用词是用户的决定。

短标题与描述(发布必备,与成片、封面一起交付)

成片不是交付物的全部。 一条片子要发出去,至少需要四样:成片、封面、短标题、描述。 少任何一样,用户都得自己现编——而临场编出来的东西不会被记进台账,复盘时说不清用的是哪版。

短标题(6~16 字)

平台用它做搜索与话题聚合。规则:

  • 把片子最硬的那个具体事实塞进去,别写概括性的标题。 「九成代码已经是AI写的」优于「聊聊 AI 写代码」;「数据全在小王微信里」优于「企业为什么用不好 AI」。
  • 不重复封面上的字。封面和短标题在信息流里同时出现,写一样等于浪费一个位置。

描述

体例固定四段,按序:

  1. 钩子句 —— 通常就是口播稿的第一句。信息流会截断,第一行决定展不展开。
  2. 内容要点 —— 把片子的骨架用文字再给一遍。这不是冗余:很多人静音刷, 描述是他们唯一能读到的完整内容;而且文字内容会被平台索引。
  3. CTA —— 必须与片尾口播一致。片尾说 A、描述写 B,观众会困惑该做哪个。
  4. 话题标签 3~5 个 —— 多了会被判堆砌,少了进不了话题池。

置顶评论(有归因需求时必备)

置顶评论不是描述的重复,它有两个职责:

  1. 承载归因链接(带参 URL,让服务器日志能识别来源)
  2. 补一件片子里没说的事

第 2 条才是关键。 只放链接的置顶评论没人点开,链接也就白放了。 必须给一个「片子看完了还值得看这条评论」的理由。

好用的三种补法(2026-08 三条片子各用了一种):

补法例子
解释片中一个没展开的概念片尾 CTA 提到一个术语,正文没解释——评论区补上,顺带把断裂变成钩子
把片中的一个自测题扩成一份清单片里给 1 个问题,评论区给 3 个,成为可直接拿去用的自查表
补核实时读到、但片长放不下的内容核实第三方事实时官方页里的次要事实,片子放不下,正好填评论区

最后一种最省力:核实本来就要做,副产品直接就是评论区的料。

写完存台账,与描述放在一起,发布后原样粘贴。

三条硬规矩

  • 引用第三方事实必须标来源,并且发布前自己核实过。 2026-08-10 实测:用户给的一条 AI 资讯,核实后发现基本属实, 但官方页里有一层用户那份没提(检测工具尚未公开),那一层反而成了片子最值钱的落点。 核实不只是防错,还常常能捡到别人没说的东西。
  • 引流片的描述里不出现自有产品名、不写任何效果承诺。判断标准与片子本身一致: 把品牌名全部抹掉,这段描述还有人愿意读完吗?
  • 描述定稿后原样存进台账,发布时复制粘贴,不临场改。改了就和登记的对不上。

封面(发布必备,与成片一起交付)

make_cover.py 从原图或成片抽帧加大字钩子,输出 1080x1440(视频号封面比例)。

python3 scripts/make_cover.py --image 原图.png --out cover.png --anchor 0.78 \
  --tag "Anthropic 内部" --line "九成代码" --line "已经是 AI 写的"

封面是在缩略图尺寸下被看到的,一切取舍由此而来:字要极大、一行 ≤8 字、 最多两行、深底金/白字加深色描边。写满一句话在信息流里就是一团灰。

三条实测纪律(2026-08-04 都踩过):

  1. 用原图,不要从成片抽帧 —— 成片有烧录字幕和 AI 角标,会一起被抠进封面。
  2. 文字不能压在脸上。人脸是封面最大的注意力钩子,压掉它等于自废武功。 人像片子把文字放在胸口/大衣区域(--anchor 0.78)或头顶上方(--anchor 0.15), 出图后一定要看一眼——脚本不知道脸在哪,--anchor 是人来定的。
  3. 钩子里要有具体数字。「九成代码已经是 AI 写的」止得住手指, 「分成了五种角色」缺主语、单看封面不知道在说谁。

成片验收(合成完必做,不做不交付)

抽帧看全画幅,每个分镜至少一帧。 不是看素材图、不是看日志——素材单看都是好的, 毛病全出在叠加之后:字幕条是 45% 半透明黑,压住图上的字不是遮掉,是透出一层鬼影。

for t in 4 14 22 29; do ffmpeg -y -loglevel error -ss $t -i 成片.mp4 -frames:v 1 -vf scale=380:-1 f_$t.png; done
ffmpeg -y -loglevel error -i f_4.png -i f_14.png -i f_22.png -i f_29.png -filter_complex "[0][1][2][3]hstack=inputs=4" grid.png

逐条看:① 图上有没有内容被字幕条压住 ② 字幕有没有标点落行首 ③ 词有没有被拦腰断开 ④ 角标在不在 ⑤ 图里的顺序/措辞与口播稿是否逐项一致(第 ⑤ 条最容易漏,因为图本身好看)。

2026-08-03 实测:同一条片子连交两次都带着「出处小字透在字幕里」,原因就是只看了 框架图 PNG、没看合成后的帧。素材没问题 ≠ 成片没问题。

计费事实(2026-07 文档口径,报价前可复核控制台)

数字人快速模式 1 元/秒(480P,并发 1);即梦视频生成3.0 若用作 B-roll:720P 0.28 元/秒。只有调用成功才计费。

技术路线

数字人与视频生成统一走抖音系服务(火山引擎·即梦AI API),需企业认证账号并在控制台开通「数字人快速模式」。本技能产片定位为实验/宣传用途,成片是否用于正式投放由使用方另行决定。

Keep looking

Skills are one crate of 608,475. Ordering is by how many stacks a row turns up in, so the top of any crate is what has actually been picked rather than what has the most stars.