video-product — 一站式短视频制作

Use this skill when:

• 需要从文章/追爆报告/文字主题生成完整短视频
• 用户指定主题和已有素材，生成短视频
• viral-chaser 追爆分析后需要产出视频

本技能支持多种输入来源，统一走短视频制作流程。

输入来源与预处理

来源 1：文章链接

• 微信公众号链接（https://mp.weixin.qq.com/ 开头）→ 使用 wx-mp-hunter 技能获取标题和正文
• 其他网页链接 → 使用 web-fetch 或 browser 工具获取标题和正文
• 获取后将文章标题转为英文作为 topic-en-slug，正文存入 raw_article.md

来源 2：追爆报告（viral-chaser 后续）

• topic-en-slug 和编排目录由 viral-chaser 已创建，直接使用
• 读取 追爆报告.md(也是存储于raw_article.md)，按报告中的内容结构、爆款元素和可借鉴点生成脚本
• 不套用三段式结构，而是按照追爆报告拆解的原视频结构来组织脚本

来源 3：文字主题

• 用户直接给出主题或写作思路 → 基于主题撰写脚本
• 可能附带参考资料（一段话、参考文章、图、视频等）

来源 4：本地文件

• 读取文件内容，提炼标题作为 topic-en-slug

如果输入过于简略或无法获取有效内容，与用户沟通调整，或建议先产出文章再转视频。

⚙️ 执行方式（强制）

本技能涉及多步骤生产流程，你应该 self-spawn 一个 subagent 来执行，原因：subagent 独立上下文，不会因对话历史积累而降低输出质量。

你只负责跟进 subagent 的执行，避免它们长时间卡在某个步骤，必要时可以提供提示或调整执行策略。另外在关键节点要求它向你汇报，你检查后再让它继续执行下一步。

模型选型与时长限制（脚本创作时必须遵守）

视频素材优先使用 gen.py 脚本生成。

平台与模型

• 两个平台的上述模型均支持声画同出（t2v / i2v / r2v 三种模式）。
• 平台自动判断写在 gen.py 里：有 MODELSTUDIO_API_KEY 走百炼，否则有 AWK_GEN_KEY 走火山，两者皆无则输出提示让 Agent 改用 pexels-footage/pixabay-footage（退出码 2）。

百炼模型选择规则

按模式选首选模型，gen.py 自动沿候选链 fallback（happyhorse-1.1 → 1.0 → wan2.7）。

• 候选链（每模式一条）：happyhorse-1.1-{mode} → happyhorse-1.0-{mode} → wan2.7-{mode}。首选模型不可用或任务失败时 gen.py 自动沿链降级，无需人工干预。
• --model <id> 可显式覆盖（关闭候选链 fallback，只用该模型）；非必要不覆盖。

WORKSPACE_ID 端点规则

配了 WORKSPACE_ID 时，happyhorse 走专属端点 https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1（华北2，更快）；没配则走默认 https://dashscope.aliyuncs.com/api/v1。

这个设置对于火山（doubao-seedance系列模型）无效。

火山候选链

• 候选链优先级：Fast → Normal → Mini；1080P 自动跳过 Fast（Fast 仅 720p）。
• ⚠️ 火山视频生成只认 AWK_GEN_KEY，不回退 ARK_API_KEY：ARK_API_KEY 是火山主模型（doubao 对话）的 key，用户可能只想用火山主模型而不用火山生成视频；若回退会误触发火山视频生成。想用火山生成视频必须单独配 AWK_GEN_KEY。

模式与时长上限

脚本规划规则：

• 每个片段时长 不得超过 15 秒
• 超过上限的内容必须在脚本中拆成多个片段

工作流程

Step 1 — 工作区目录准备

在 output_videos/ 下创建项目文件夹，如 output_videos/<topic-en-slug>/，作为 project-dir。

作为 viral-chaser 技能的后续步骤时，不必执行此步骤，因为 viral-chaser 已经创建好了编排目录。

工作区结构：

<project-dir>/
├── raw_article.md         # 原始内容（文章/追爆报告）
├── script.md              # 定稿脚本（含片段拆分和时长标注）
├── character_reference.jpg  # 人物参考图（人物故事模式 A.1，siliconflow-img-gen 生成）
├── artifacts/             # 产出素材
│   ├── 01_xxx.mp4         # 按编号排序的视频片段
│   ├── 02_xxx.mp4
│   └── ...
├── previews/              # 逐段确认用压缩预览（仅用于发聊天确认，不参与合成）
│   └── NN_xxx_preview.mp4
└── video.mp4              # 最终成品

Step 2 — 脚本创作与定稿

脚本必须包含片段拆分规划——每个片段对应一次 gen.py 调用或一个用户素材，时长不超过模型限制。

2.1a 正常流程（文章/文字主题）

按「开篇抓眼球 → 中段讲卖点 → 结尾促下单」三段式结构撰写脚本。

三段式结构：

2.1b 作为 viral-chaser 技能的后续步骤

读取 raw_article.md（追爆报告），按报告中的内容结构、爆款元素和可借鉴点生成脚本。不套用三段式结构，而是按照追爆报告拆解的原视频结构来组织脚本，保留叙事节奏和钩子类型。

2.2 片段拆分（脚本必含项）

2.2.1 项目音色设定

声画同出模式下，模型按 prompt 中的音色描述生成人声，没有 voice ID 可传。同一项目内旁白音色、同一角色音色必须跨片段一致，否则成片声音段间跳变。脚本必须在片段规划表之前定义一份项目级音色设定，每段旁白逐字复用：

## 项目音色设定

- 旁白音色：<具体到性别/年龄感/音色质感/语速/语气，如"沉稳男声，30岁左右，略带磁性，语速适中偏慢，叙述感强">
- 角色音色（人物故事模式按角色列，非人物故事可省）：
  - 主角（character_reference.jpg）：<如"年轻女性，温柔清亮，语速偏快，口语化">
  - 配角：<…>

上述音色设定是跨片段整个脚本通用的设定，要放置在 script.md 中 ## 片段规划 前面，并最后随片段规划一起发用户确认。

音色一致性规则（强制）：

• 音色描述要具体，不得只写"男声/女声"
• 音色描述只在「项目音色设定」里写一次，片段规划表里不重复——片段规划的「音频描述」列只写旁白文案/BGM/环境音，不写音色
• 调用 gen.py 时，必须把本段对应的音色描述逐字拼进 --prompt（旁白段拼旁白音色，人物对话段拼对应角色音色），逐字复用、不得改写、换词、增删修饰——这是声画同出下成片声音统一的唯一保证
• 同一角色跨段必须用同一条音色描述；换角色才换描述
• ⚠️ 声画同出模型（wan2.7 / happyhorse / 火山 Seedance）均无音色 ID 或参考音锁定能力，--ref-audio 实测三平台都不认。音色一致只能靠每段 prompt 逐字复用同一条音色描述来近似保持——这是目前唯一手段，定稿时务必把音色描述钉死、段间一字不改

2.2.2 片段规划

## 片段规划

| # | 段落 | 画面描述 | 音频描述 | 时长 | 来源 |
|---|------|---------|---------|------|------|
| 01 | 开篇 | 产品特写，科技感背景，光影流转 | 旁白："99%的人都不知道…" + 悬念BGM起 + 无 | 5s | AI生成 |
| 02 | 中段 | 用户使用场景，手机操作画面 | 旁白："只需要三步…" + BGM + 键盘敲击声 | 8s | AI生成 |
| 03 | 中段 | 数据图表动画，对比效果 | 旁白："效率提升300%" + BGM + 无 | 6s | AI生成 |
| 04 | 结尾 | 产品logo+CTA按钮 | 旁白："立即体验" + BGM收尾 + 无 | 5s | AI生成 |

拆分规则：

• 每个片段时长 ≤ 15 秒
• 如果用户提供了素材，在「来源」列标注为 用户素材，并注明素材文件名
• 每个 AI 生成片段的「音频描述」必须写明三层（声画同出，gen.py 照此生成声音，定稿时用户确认的就是成片实际听到的）：
  • 旁白解说：旁白："具体文案"，文案是要朗读的整句（不是"说一段开场白"这种泛指），这就是成片台词，用户定稿即确认
  • 背景音乐：风格/情绪/起止（如"温暖钢琴 BGM 全段铺底，结尾渐弱"）；同一项目 BGM 风格也应统一，跨段复用同一 BGM 描述
  • 环境音/音效：关键音效（如"键盘敲击声""金币叮声"），无则写"无"
• 画面描述同样要足够详细（人物/场景/动作/镜头运动）
• 编号 01, 02, 03… 对应最终 artifacts 中的文件名前缀

2.3 与用户确认脚本（定稿流程）

完成脚本创作后，必须将脚本原文发送给用户（直接发内容文字，不发文件或路径）。如果用户有意见，按用户意见修改，直到用户确认。

用户确认后，把定稿的脚本存入 script.md，进入下一步。

2.4 脚本定稿打分+盲预测（content-calibrator）

脚本定稿后、进入生产前，对 script.md 做一次盲打分 + 盲预测并落盘到 output_videos/<topic-en-slug>/calibration/（视频成片后不再打分，打分锚在定稿）。per-work：一个视频一次打分+预测，rubric 全平台统一，各平台差异体现在预测的 bucket 上。

前置：目标视频平台中至少有一个已启用 calibration（calibration/<platform>/.platform-state.json 存在）。无任何已启用平台 → 跳过本步。

1. 主 agent sessions_spawn blind sub-agent（一定要 spawn 第二个 subagent，避免同一个 subagent 自创自评），只喂 script.md + calibration/rubric_notes.md（统一 rubric），一次输出： ⚠️ spawn 时 prompt 必须强制要求："你最后一步的 reply 正文里必须包含一个 JSON 代码块（装着 7 维分 + 预测）；不要只 tool-call 后 stop，不要只用 thinking 代替最终文本输出。" 不照此要求会导致某些模型路由下（如 awk/glm-latest）提前 stop 不输出文本，主 agent 拿不到结果。
   • 7 维分 ER/HP/SR/QL/NA/AB/PV（0-5）+ per-dim confidence
   • 盲预测草稿：cold-start 期一句话 bet；过 cold-start 则含每个目标平台的 bucket/中枢（各平台 baseline 不同）
2. 调 score-only.sh --content-path <script.md> --cal-er ? … 判阈值门（全局阈值，一次判定；--platform 可选）。
3. 调 commit-prediction.sh --work-dir output_videos/<topic-en-slug> --platform <主平台> --cal-er ? … --prediction-file <预测草稿> 把 score.json + prediction.md 落盘到 output_videos/<topic-en-slug>/calibration/（同 work 重打覆盖）。score.json 即权威记录，不再往 script.md 写分数区段。
4. passed=false → 向用户报告 failing_dims，由用户决定是否改脚本重打（最多 2 轮，重打覆盖 score.json+prediction.md）；用户不改则保留分数继续。

详见 content-calibrator/SKILL.md 流程 1A。发布时 record.sh --source-folder output_videos/<name> 自动从 calibration/score.json 读分；本步未落盘则 record.sh 报错（或显式 --no-cal 跳过）。

Step 3 — 用户素材预处理

此步骤优先于所有其他生产步骤。无论 AI 生成模式还是 Stock Footage 模式，用户素材都必须先处理。

如果用户提供了素材（视频文件、图片等），按以下流程处理：

3.1 确认素材归属

对照脚本片段规划，确认每个素材对应哪个片段编号。如果脚本中未明确标注，与用户确认：

• 该素材放在哪个段落（开篇/中段/结尾）？
• 是否需要额外配音或配乐？

3.2 处理视频素材

对于用户提供的 视频文件（.mp4/.mov/.webm）：

1. 探测时长：用 ffprobe 获取视频时长（assemble.py 内置此能力，也可直接读文件属性）
2. 配音配乐检查：
   • 如果视频无音轨或用户要求补充配音 → 执行 3.3 补音频
   • 如果视频已有满意音轨 → 直接使用，跳到 3.4
3. 按片段编号命名：重命名为 01_xxx.mp4、02_xxx.mp4 等，放入 artifacts/

3.3 补配音配乐（用户素材需要时）

当用户素材需要补充音频时：

1. 确定目标时长：以素材视频的实际时长为准
2. 生成配音：
   • 优先使用 OpenClaw 内置 TTS 工具（tts_generate）
   • 不可用时回退到 tts.py（需先创建 tts_requirement.md）
   • 生成的音频时长必须与视频时长匹配（TTS 语速可微调以适配）
3. 合成片段：将配音与视频合成为带音轨的片段

python3 ./skills/video-product/scripts/assemble.py <project-dir>/artifacts/ --output <project-dir>/artifacts/<NN>_final.mp4

4. 将合成后的片段放回 artifacts，保持编号

3.4 处理图片素材

用户提供的静态图片（.jpg/.png）禁止直接转视频。图片仅作为：

• AI 生成时的参考图（gen.py 的 --ref-image 传入，本地路径或 URL 均可）
• Stock Footage 搜索时的风格参考

Step 4 — 视频素材生产

前置条件：Step 3 已完成，用户素材已就位并编号放入 artifacts/。

只生产脚本中标注为「AI生成」的片段，用户素材片段已在 Step 3 处理完毕。逐片段调用 gen.py，脚本按平台自动选模型（百炼按模式走候选链，火山走 Fast→Normal→Mini 候选链）。

模式 A：AI 生成模式（gen.py，默认）

按脚本片段规划，根据 Step 2.5 的人物一致性要求，逐个生成。每片段一条 gen.py 调用，串行执行（下一段等上一段下载完成再发）。

模式 A.1：人物故事模式（人物叙事类片段必用，参考图保持人物一致）

人物一致性靠同一张参考图：第 0 步生成人物定妆照，每段都以它为 --ref-image 走 r2v（首选 happyhorse-1.1-r2v（沿链 fallback））。不做段间首尾帧链式生成（实测意义不大）：每段独立生成，画面不强制连续，叙事连续靠 prompt 文字承接。

完整流程：

第 0 步：生成人物参考图（整段故事只做一次）

用 siliconflow-img-gen 技能生成人物定妆照，保存为 <project-dir>/character_reference.jpg。这张图定义人物的脸/发型/年龄/服装，后续所有片段都以它为 --ref-image 保持人物一致。

每段生成（统一 r2v + 参考图）

python3 ./skills/video-product/scripts/gen.py \
  --prompt "画面描述：The same character from the reference image — keep face/hair/age/outfit EXACTLY identical to the reference. 本段场景与动作描述。音频描述" \
  --ref-image "<project-dir>/character_reference.jpg" \
  --ratio 9:16 --resolution 720P --duration 8 \
  --output <project-dir>/artifacts/NN_xxx.mp4

全段同一张参考图，首选 happyhorse-1.1-r2v（沿链 fallback）。不传 --image / --prev-segment（r2v 不收首帧）。

每段生成后必须发给用户确认，确认后才生成下一段（确认流程见下文「逐段确认」）。各段独立生成，下一段不依赖上一段产物。

逐段确认流程（每段视频生成后执行）：

1. 用 compress_preview.py 把该段视频处理成可发送的预览：

   python3 ./skills/video-product/scripts/compress_preview.py <project-dir>/artifacts/NN_xxx.mp4 \
     --output <project-dir>/previews/NN_xxx_preview.mp4

   • 输入 ≤16MB → 脚本直接拷贝，exit 0，打印 [ok] under-limit
   • 输入 >16MB → 脚本逐级压缩到 ≤16MB，exit 0，打印 [ok] compressed
   • 压缩失败 → exit 1，打印 [fail]
2. 根据脚本结果向用户确认：
   • exit 0 → 把预览视频文件本体直接发到聊天里（previews/NN_xxx_preview.mp4），请用户确认本段画面
   • exit 1 → 把原始片段路径发给用户，告知"压缩失败，请在本机打开 <project-dir>/artifacts/NN_xxx.mp4 查看"，请用户确认
3. 用户确认本段 → 继续生成下一段（独立生成，不带 --prev-segment）；用户要求重做 → 调整 prompt 重新生成本段（不推进到下一段）

⚠️ previews/ 下的压缩预览仅用于给用户确认，绝不参与最终合成。assemble.py 只扫描 artifacts/，previews/ 自然被排除；预览文件名带 _preview 后缀进一步避免混淆。禁止把预览放进 artifacts/。

人物故事模式必须遵守：

• 先生成人物参考图，再逐段生成视频；每段都用 --ref-image（同一张 character_reference.jpg），全程 r2v（happyhorse-1.1-r2v），不传 --image / --prev-segment
• 逐段确认：每段生成后必须发用户确认，确认后才生成下一段
• 时长限制：全段 r2v（happyhorse-1.1-r2v）3–15s；脚本拆分时每段 ≤15s
• 平台偏好：人物故事模式优先用百炼（MODELSTUDIO_API_KEY）。火山 Seedance 不支持直接上传含真人人脸的参考图/视频，传 --ref-image 人物图可能被拒
• prompt 对人物明确描述：每段都写"the same character from the reference image — keep face/hair/age/outfit EXACTLY identical"，靠参考图维持人物一致
• 角色音色跨段一致：主角音色由「项目音色设定」中的角色条目统一规定，每段 prompt 的旁白音色描述必须逐字复用同一条，不得段间改写——人物故事里同一张脸却换了声音是硬伤
• 画面描述主焦一个明确动作：单一动作 + 克制摄像机运动，避免同片段引入过多新道具/新人物导致穿帮
• 镜头运动要平和：推荐 subtle slow push-in / minimal motion / static shot
• 叙事承接：各段画面独立，prompt 文案上可承接上一段叙事，但不做首尾帧对齐
• --ref-image 支持本地路径（脚本自动 base64）或 http(s) URL

模式 A.2：t2v 模式（氛围叙事类片段）

不传 --image，只写 prompt。适合手机底面、数据动画、产品特写等不含重要人物的场景：

python3 ./skills/video-product/scripts/gen.py \
  --prompt "画面描述：产品特写镜头，科技感背景，光影流转。音频：转场音效+悬念BGM起" \
  --ratio 9:16 --resolution 720P --duration 12 \
  --output <project-dir>/artifacts/02_xxx.mp4

模式 A.3：r2v 模式（仅用户提供参考图时，对应 Step 3.4）

仅当某片段用户提供了参考图（Step 3.4 静态图片作为参考）时才走 r2v，首选 happyhorse-1.1-r2v（沿链 fallback），传 --ref-image：

python3 ./skills/video-product/scripts/gen.py \
  --prompt "参考图片中的角色/风格在 <新场景> 做 <动作>，音频：…" \
  --ref-image "<用户提供的参考图路径或URL>" \
  --ratio 9:16 --resolution 720P --duration 8 \
  --output <project-dir>/artifacts/03_xxx.mp4

• 百炼 r2v 首选 happyhorse-1.1-r2v（沿链 fallback），时长 3–15s，仅支持 --ref-image（不支持 --ref-video、不支持首帧 --image）。
• A.1 人物故事也走 r2v（同一模型），区别只在参考图来源：A.1 用生成的 character_reference.jpg，A.3 用用户提供的图。
• --ref-image 支持本地路径（脚本自动 base64）或 http(s) URL。

参数说明：

• --prompt：画面+音频统一描述。声画同出，人物对话、旁白、BGM、环境音都写在 prompt 中。
• --ratio：默认 9:16（竖屏）；--resolution 默认 720P，用户要高清用 1080P。
• --duration：按脚本片段时长，不得超过 15 秒（百炼 i2v/r2v 最短 3 秒）。
• --no-audio：用户明确不要配音时关闭声画同出。
• --model：显式指定模型 id，覆盖百炼按模式固定的模型。--platform 可覆盖自动检测。
• --poll-interval / --timeout：默认 15s / 900s，1080P 或长片段可加大 --timeout。

生成后处理：

• gen.py 直接把 MP4 写到 --output（按片段编号命名，如 01_hook_product.mp4），并同目录写 <name>.json 元数据。
• 若生成失败无音轨，后续由 Step 4.5 补 TTS。

生产中常见错误与重试策略

重试上限：gen.py 内部做瞬时 HTTP 重试；百炼沿候选链自动 fallback（happyhorse-1.1 → 1.0 → wan2.7），整链都失败退出非 0 再人工重试 1 次，仍不通就告诉老板，不要 yield 死等。

模式 B：Stock Footage 托底模式（gen.py 退出码 2 时）

当 gen.py 报"未检测到任何视频生成平台的环境变量"（退出码 2）时，回退到此模式。

此模式下需要单独生成 TTS 配音（见 Step 4.5），因为下载的素材无音频。

素材搜集优先级：

1. pexels-footage：从 Pexels 免费素材库搜索下载（9:16 竖屏）
2. pixabay-footage：Pexels 不可用或无结果时，从 Pixabay 下载

素材下载规则：

• 一次只下载一个视频
• 时长精准匹配（根据脚本片段时长设置 --min-duration / --max-duration）
• 下载后按脚本片段编号重命名

质量自检（仅 stock-footage 模式需要）：

python3 ./skills/video-product/scripts/check.py <project-dir>/

check.py 检测黑帧、分辨率、时长缺口。每下载一段素材后运行一次，直到 verdict: "accepted" 且时长满足。

Step 4.5 — TTS 配音（仅 Stock Footage 模式或 AI 生成无音频时）

AI 生成模式下通常跳过此步骤：Wan 系列的 audio: true 已同步生成音频。

当需要单独生成 TTS 时：

优先使用 OpenClaw 内置 TTS 工具（tts_generate 或 agent 内置语音合成能力）。

OpenClaw 内置 TTS 不可用时，回退到本地脚本(要求环境变量已经配置SILICONFLOW_API_KEY）：

python3 ./skills/video-product/scripts/tts.py <project-dir>/ --overwrite

需先创建 tts_requirement.md：

# 配音需求

## 配音文案
<!-- 需要朗读的纯文本，不含 markdown 标题、注释或镜头说明 -->

## 语音要求
- 音色：fnlp/MOSS-TTSD-v0.5:benjamin
- 语速：1.0
- 语气：自然、有吸引力

可用语音:

Step 5 — 合成视频

调用 assemble.py 将所有片段按编号顺序拼接为最终成品。

⚠️ 合成前必须先清理废弃片段：逐段确认过程中产生的废弃版本（如 02_choose_path.v1_bad.mp4、03_traffic_master.v1_old.mp4 等）和正式片段共用同一数字前缀，assemble.py 会把它们当成对应段一起拼进去，导致成片重复/错乱。合成前先删除或移出 artifacts/：

# 把废弃版本移到 artifacts/_deprecated/ 子目录（assemble.py 非递归扫描，子目录不参与拼接）
mkdir -p <project-dir>/artifacts/_deprecated
mv <project-dir>/artifacts/*.v*_*.mp4 <project-dir>/artifacts/_deprecated/ 2>/dev/null
# 或直接删除：rm <project-dir>/artifacts/*.v*_*.mp4

清理后确认 artifacts/ 顶层只剩 01_*.mp4 … NN_*.mp4 每段一个正式片段，再合成：

python3 ./skills/video-product/scripts/assemble.py <project-dir>/artifacts/ --output <project-dir>/video.mp4

合成规则：

• 无外部音频文件（AI 声画同出模式常态）：assemble.py 保留每段视频自带音轨拼接；个别无音轨的片段自动补静音以保持拼接布局一致，不会把成片变无声
• 有外部音频文件（speech.mp3 等，Stock Footage + TTS 模式）：外部音频替换视频原音轨
• 不烧录字幕

assemble.py 按文件名数字前缀（01_、02_、03_…）顺序拼接，同一前缀内按文件名字典序。

合成后确认 video.mp4 存在且非空。

Step 6 — 制作封面

每个视频都必须配封面图。封面要求：

• 必须包含视频标题文字，不允许纯图片封面
• 标题文字必须有设计感（字体选择、排版布局、颜色搭配）
• 竖屏封面 1080x1920
• 可以使用视频关键画面作为背景，但文字是必须元素

使用 siliconflow-img-gen 制作封面，保存为 <project-dir>/cover.jpg。

Step 7 — 用户确认

向用户展示：

• 成品视频（发文件本体）
• 封面图（发文件本体）
• 关键参数（时长、分辨率、片段数）

用户确认后，流程结束。后续发布由 media-operator 调用对应发布技能执行。

脚本清单

禁止事项（强制）

违反以下任何一条都会导致系统死机或产出异常，必须严格遵守：

• 禁止直接写 ffmpeg 命令：不得在 exec 中直接调用 ffmpeg/ffprobe，也不得写 Python 脚本内嵌 ffmpeg 调用。所有视频处理一律通过 ./skills/video-product/scripts/ 下的标准化脚本完成
• 禁止从静态图生成视频：不得将 JPEG/PNG 等静态图片通过 ffmpeg 转为 MP4。用户提供的静态图片仅作为 AI 生成参考图或搜索风格参考

注意事项

• 配音语速不得为匹配视频时长而调整：默认 1.0，只能按用户明确要求修改（Step 3 用户素材补配音时除外，此时语速可微调以适配素材时长）
• 素材按脚本顺序拼接：assemble.py 按文件名数字前缀排序，搜集素材时务必按脚本片段编号命名
• AI 生成模式优先：先调 gen.py；仅当其退出码 2（两个平台 env key 都没配）时才走 Stock Footage 模式
• 用户素材优先于 AI 生成：无论哪种模式，用户提供的素材必须优先使用
• 声画同出：gen.py 默认开启音频生成，prompt 中要详细描述背景音乐+环境音+对话/旁白
• 无配音模式：用户明确不需要配音时，gen.py 传 --no-audio；Stock Footage 模式跳过 TTS 步骤