by 运行时依赖
安装命令
点击复制技能文档
AI Short Film Producer – 低成本AI短剧制作 概述 本Skill提供一套完整的低成本AI短剧制作流程，从脚本创作到最终成片，总成本仅需¥30-50/部（128秒短片）。核心思路：用AI API生成素材 → 本地FFmpeg合成 → WorkBuddy编排调度。
适用场景：
- 用户说“帮我做一个短片/短剧/预告片”
- 用户说“把这段文案做成视频”
- 用户说“生成一个XX题材的短视频”
- 用户需要从零到一完成AI视频制作
核心成本优势：
- 视频生成：Grok Imagine ¥0.05/秒（速创API）
- 配音生成：TTS ¥0.0006/字（速创API）
- 合成剪辑：本地FFmpeg免费
- AI编排：WorkBuddy Lite版约¥0.0022/轮
制作流程总览 Step 1: 脚本创作 ├── 确定主题/时长/风格 ├── 编写分镜脚本（镜头×台词×角色） └── 输出：分镜表 + TTS文本清单
Step 2: 视频镜头生成 ├── 调用速创API Grok Imagine ├── 25个镜头批量异步生成 └── 输出：ep1_shots/.mp4
Step 3: TTS配音生成 ├── 调用速创API audio_tts ├── 多角色多音色 └── 输出：ep1_tts/.mp3
Step 4: 音频驱动剪辑 ├── 逐段按TTS时长裁剪/循环镜头 ├── 短镜头自动stream_loop填充 └── 输出：分段seg_.mp4
Step 5: 字幕生成 ├── Python Pillow生成透明PNG字幕 ├── FFmpeg overlay叠加（因FFmpeg 8.x无drawtext） └── 输出：带字幕的分段视频
Step 6: 最终合成 ├── concat拼接25段视频 ├── concat拼接25段音频 ├── 音视频合并 └── 输出：最终成片.mp4
Step 7: 素材导出 ├── 结构化桌面文件夹 ├── 矩阵表 + JSON └── 成本核算
详细步骤 Step 1: 脚本创作 输入：用户需求（主题、风格、时长、参考素材） 输出：分镜脚本文档 + TTS台词清单 工作流程：
- 与用户确认主题方向（科幻/悬疑/科普/剧情等）
- 编写分镜脚本，包含：镜头编号、画面描述、时长、配音台词、角色分配、音色选择、音效说明
- 输出TTS台词清单（25段以内，每段2-20字最佳）
角色音色分配表： 角色类型 | 推荐音色ID | 说明 旁白/叙述者 | male-qn-jingying | 精英青年男声，通用 男主角 | male-qn-jingying | 精英青年男声 霸道/硬汉 | male-qn-badao | 霸道男声 反派/俊朗 | junlang_nanyou | 俊朗男声 成熟女性 | female-chengshu | 成熟女声 少女 | female-shaonv | 少女音 研究员/学生 | male-qn-daxuesheng | 大学生男声 醇厚长辈 | male-chunhou | 醇厚男声
Step 2: 视频镜头生成（速创API Grok Imagine） API平台：速创API https://api.wuyinkeji.com 模型：Grok Imagine（xAI Aurora引擎） 价格：¥0.05/秒（按生成视频时长计费，不足1秒按1秒） API调用方式：
- 鉴权：Authorization Header 传API Key（不带Bearer前缀）
- 接口：POST /api/async/video/grok_imagine
- 参数格式：扁平JSON
- 结果查询：GET /api/async/detail?id=xxx（轮询直到status=2）
批量生成策略：
- 25个镜头同时提交（用ThreadPoolExecutor）
- 每个镜头约10秒，生成耗时约30-60秒
- 失败自动重试（平均重试3次）
- 英文Prompt效果更稳定
- 包含：场景描述、光线、构图、镜头运动
- 示例："Deep space, Milky Way galaxy slowly rotating, cinematic wide shot, photorealistic, 4K quality"
Step 3: TTS配音生成（速创API audio_tts） API接口：POST /api/async/audio_tts 价格：¥0.0006/字 参数格式（重要）：扁平JSON，不要嵌套 { "text": "台词内容", "voice_id": "male-qn-jingying", "speed": 1.0 } 注意事项（踩坑经验）： ❌ 不要传 format 参数（会报500"存在未绑定的参数"） ❌ 不要嵌套成 {"model":"audio_tts","params":{...}} ✅ 状态码判断：status=2 完成，status=0/1 处理中 ⚠️ 部分任务会卡住（status一直=0），重试可换IP节点 ✅ 返回tar包，需解压获取mp3
Step 4: 音频驱动剪辑（核心节奏控制） 核心理念：画面长度由语音旁白决定，而非固定时长。先录制/生成TTS配音，再让每段视频精确匹配对应配音的时长。这样保证音画天然同步，且节奏由配音自然驱动。
4.1 节奏控制逻辑 每段（镜头, TTS）的处理流程：
- 获取TTS音频实际时长 tts_dur（用ffprobe精确到毫秒）
- 获取源视频时长 src_dur
- 对比决策：
- 输出：seg_NNN.mp4（时长=tts_dur，精确匹配配音）
为什么用"音频驱动"而非"视频驱动"：
- 传统剪辑：先定视频长度，再往里塞配音 → 配音节奏被画面绑架
- 音频驱动：先定配音节奏，再裁剪画面适配 → 叙事节奏由台词自然决定
- 效果：观众听到的每句话都有对应的画面时长，不会出现"话没说完画面就切了"
4.2 短镜头循环填充（stream_loop） 当源视频时长不够时，用FFmpeg的stream_loop让视频循环播放： /opt/homebrew/bin/ffmpeg -y -stream_loop -1 -i shot.mp4 -t {tts_dur} -c:v libx264 -preset fast seg.mp4 实战经验（三体EP1）：
- 25个镜头中有3个需要循环填充
- 最大修复：pan_han_02火鸡演讲（源视频10s → TTS需要19s，循环补9s）
- 循环填充的视觉重复感在1-2次循环内不明显，超过3次建议换镜头
4.3 逐段精确裁剪避免累积漂移 # 关键：每段独立裁剪，不整体缩放 cumulative = 0.0 for i, (tts_file, shot_file) in enumerate(segments): tts_dur = get_duration(tts_file) # ffprobe获取 trim_video(shot_file, tts_dur, f"seg_{i:03d}.mp4") cumulative += tts_dur # 最终验证：所有seg时长之和 ≈ audio_concat时长 ≈ 最终成片时长
FFmpeg路径（Mac mini M4）：/opt/homebrew/bin/ffmpeg 已知限制：
- FFmpeg 8.x 未编译drawtext/libass/freetype滤镜 → 不能直接加字幕
- anullsrc语法用 cl=stereo 而非 c=stereo
- shell转义用Python subprocess list模式避免zsh问题
Step 5: 字幕生成 方案：Pillow生成透明PNG → FFmpeg overlay叠加 from PIL import Image, ImageDraw, ImageFont img = Image.new('RGBA', (1920, 160), (0,0,0,0)) draw = ImageDraw.Draw(img) font = ImageFont.truetype('/System/Library/Fonts/PingFang.ttc', 48) draw.text((960, 80), "台词文本", fill='white', font=font, anchor='mm', stroke_width=3, stroke_fill='black') ffmpeg -i seg.mp4 -i sub.png -filter_complex "overlay=0:H-h" output.mp4
字幕设计规范：
- 底部居中，距底部约60px
- 白色大字 + 3px黑色描边
- 字号48-56px（PingFang SC字体）
- 可加角色标签（如"旁白："、"汪淼："）
Step 6: 最终合成 拼接视频： for f in seg_.mp4; do echo "file '$f'" >> video_list.txt; done ffmpeg -