fangyuan025/chaty/tiktok-video

TikTok / 抖音短视频生成

你做创意部分——文案、分镜、搜索关键词、质量审查;{SKILL_ROOT}/scripts/ 里的脚本做机械部分——TTS 逐字时间戳、素材搜索下载、字幕渲染、ffmpeg 合成、响度标准化。脚本已随 Chaty 就位,勿重写。

前置:ffmpeg + python3 在 PATH(macOS: brew install ffmpeg;Windows 需 Git Bash,且下文的 .venv/bin/python 换成 .venv/Scripts/python)。零 API key 即可跑;环境变量 PEXELS_API_KEY / PIXABAY_API_KEY(免费申请)可解锁实拍视频片段,有则优先。

0. 一次性安装(若 {SKILL_ROOT}/.venv 已存在则跳过)

bash {SKILL_ROOT}/scripts/setup.sh

1. 先核实,再写文案 + 分镜

语言规则(最先决定):视频语言 = 用户需求的语言(或用户明确指定的目标受众),永远不是本文档或示例的语言。英文需求 → lang: "en",文案、hook、角标("No.1"/"TOP 1")、CTA 全英文,en-US 音色,TikTok 习惯;中文需求 → lang: "zh",抖音习惯("第1名")。用户点名目标市场("给美国观众")则以市场为准。lang 缺省管线会直接报错,没有默认值。

模型的内部知识可能过期或有错——未经核实的论断禁止进视频。动笔前用你的联网搜索工具核实文案里每一个具体论断:数字、统计、纪录、价格、日期、排名、一切"第一/最大/唯一/最快",以及任何时效性内容(新闻/产品/版本/"今年/最新"),无论你多有把握。规则:按来源改写文案(不是反过来);核实不了就换成能核实的或直接删;把依据的 URL 记入 storyboard 的 "sources": [...](会出现在 report.txt 供用户复核);确实无联网能力时只用教科书级常识、避免具体数字、并向用户声明未核实。

然后读 {SKILL_ROOT}/references/writing-guide.md(hook 公式、节奏、场景结构)。然后在工作区建 <slug>/storyboard.json:

{
  "title": "深海里最诡异的3种生物",
  "lang": "zh",
  "aspect": "9:16",
  "voice": "zh-CN-YunjianNeural",
  "rate": "+10%",
  "caption_style": "karaoke",
  "bgm": {"mood": "mystery", "gain_db": -16},
  "hook": {"text": "深海禁区", "seconds": 2.3},
  "scenes": [
    {
      "text": "你知道吗?在阳光永远照不到的深海,藏着比科幻电影更诡异的生物。",
      "keywords": ["deep sea NOAA ocean exploration", "submarine dark ocean"],
      "providers": ["openverse", "wikimedia"],
      "effect": "kb_in"
    },
    {
      "text": "第一名,鮟鱇鱼。头顶挂着一盏会发光的钓鱼灯,守在黑暗里等猎物送上门。",
      "keywords": ["humpback anglerfish", "anglerfish museum"],
      "badge": "第1名"
    }
  ]
}

字段速查:

经验值(发布线):总长 45–75s、6–9 个场景、每场景一个观点、2–3 个镜头。文案中文 20–45 字 / 英文 14–30 词。低于 ~40s 或全程单镜头会显单薄,别交付。

2. 跑管线

{SKILL_ROOT}/.venv/bin/python {SKILL_ROOT}/scripts/pipeline.py <slug>

也可分段:tts.py → assets.py → bgm.py → compose.py → check.py(都接 <slug> 参数)。改过 storyboard 后重合成很快:pipeline.py <slug> --skip-tts --skip-assets;但改了场景文案必须重跑 tts.py。

3. 审查——质量分水岭(必做)

免费图片搜索不完美,像人类编辑一样审:

1. assets 阶段后用 view_image 看 <slug>/media/assets_sheet.jpg。镜头标号 01a 01b 02a…,任何一镜与文案不符就换词重搜:

``bash {SKILL_ROOT}/.venv/bin/python {SKILL_ROOT}/scripts/assets.py <slug> --scene 3 --shot 2 --keywords "better english nouns" ``

(重搜自动拉黑被否素材,重复到全部匹配;也可自己下载图片后把场景 media 指向它。)目检确认某个被 [!] 标记的镜头其实没问题时(如无描述标题的好图),在 media/manifest.json 给该 shot 加 "approved": true 消除误报——眼见优先于文本审计,严禁盲批。

1. compose+check 后用 view_image 看 <slug>/review/contact_sheet.jpg:字幕可读且同步、无错帧丑帧、hook 可见。有问题就改 storyboard 重合成,直到像营销号编辑敢发的成片。

assets.py 和 check.py 都会自动比对每格素材的来源标题和场景关键词,跑题的直接打 [!] OFF-TOPIC 并给出重搜命令(assets 阶段就 flag,别等合成完)——任何 `[!]` 都必须处理完才能交付。若你无法真正看到图片(非视觉模型),这些标题 flag 就是你的审查:重搜 → --skip-tts --skip-assets 重合成 → 重跑 check,直到零 [!]。

review/report.txt 含时长/响度检查和素材署名文本(CC-BY 来源 + 音乐 credit)——连同 final.mp4 一并交给用户。

搜索技巧(最大质量杠杆)

• 关键词必须英文、1–4 词、具体可见的名词("humpback anglerfish"、"scuba diver silhouette"),忌抽象概念("mystery"、"success")。
• wikimedia 擅长动物/科学/历史/地标;openverse(Flickr 等)擅长生活方式/风景/氛围;nasa 管太空;有 key 优先 pexels_video/pixabay_video 实拍。
• 加语境词消歧:"NOAA"、"museum"、"aquarium"、"macro"。
• 某场景反复搜不到就换视觉概念而不只是换词(讲"仅5%被探索"→拍剪影潜水员,别搜"statistics")。
• wikimedia_video 支持负词过滤——气象/太空搜索会被卫星云图淹没,写 "lightning storm -CIRA -satellite -JPSS";非英语词能挖到更多实拍("Blitz Gewitter"、"tormenta rayos");优先具体名词("Fagradalsfjall lava drone");视频缩略图务必目检:提防内嵌字幕、水印、软件教程和 CGI 宣传片。
• 中国街景配方:Commons 有整个城市漫步视频体裁——搜 "Walking China 城市名"、"Riding a street in Shanghai" 或具体地点("Huaqiangbei electronics market"),分类检索 incategory:"Videos of Shanghai" 也可用;这些素材都是英文标题,中文查询几乎搜不到。

排障

• edge-tts 网络错误:自带 4 次重试,仍失败就重跑 tts.py。
• BGM 下载失败:重跑 bgm.py(有缓存),或 "mood":"none",或放一个 mp3 到 {SKILL_ROOT}/assets/bgm/ 并用 bgm.file 指向它。
• 单个 provider 报错/空结果无妨,其余会补位;看每场景日志。
• 字幕 emoji 仅 macOS 可渲染,别用 emoji 承载语义。

交付

给用户:<slug>/final.mp4 + report.txt 里的署名文本;若要封面给 <slug>/review/cover.jpg。