Drama Explainer

短剧解说工作流

核心定位

这个 skill 不是“把剧情讲清楚”就结束的摘要器，而是一个短剧解说成片编辑器。

它的核心任务是：

• 先正确理解剧情、人物和情绪链条
• 再从原片里挑出最有表演张力、最有羞辱感、最有反击快感、最能立住人物的原台词
• 最后用克制的解说把这些高张力片段串成一条节奏清晰、代入感强的成片时间线

如果最终结果只是“信息对了，但不好看、不够狠、没记忆点”，那就是失败。

开始前先读：

• ../references/excellent-short-drama-commentary-playbook.md
• ../references/skill-stack.md

成功标准

只有同时满足以下条件，才算成功：

1. 剧情准确：人物关系、关键事件、时序推进准确
2. 戏眼命中：真正最有戏的原片段被优先保留，而不是只选“能说明剧情”的台词
3. 解说克制：解说只负责铺垫、转场、补信息，不复述原片已经说清楚的内容
4. 情绪完整：成片保留关键情绪链条，例如：羞辱 → 反抗 → 落难 → 安慰 → 反转 → 站队
5. 结构可执行：storyboard.json 可直接用于配音、匹配、裁切、拼接
6. 节奏达标：开头够快、原片不过量、长原片不过多、结尾干净

失败信号

出现以下任一情况，都说明 skill 执行失败，需要返工：

• VO 文案充满空泛短视频腔，比如“命运”“站稳”“移不开眼”这类万能包装词，但缺少人物感
• 选中了“能讲明白剧情”的原片，却漏掉了真正最有表演张力的片段
• 只保留结果，不保留羞辱、反抗、护子、护妻、转折等关键戏眼
• original 段的 text 写成摘要标签，而不是真正要展示的台词
• 同一 source 时间乱跳却没有明确钩子前置策略
• voiceover 紧挨着复述 original 刚说完的信息，造成“台词听两遍”
• 成片更像“原剧高光串起来”，而不是“解说推进 + 原片出刀”
• 长原片太多，却说不清为什么每段都必须保留
• 结尾同时想做原片落刀和 VO 挂钩，导致收尾打架

核心原则

• 检索优先定位戏眼，视觉复核补足表演信息：先用 videoindex / videosearch 缩小范围，再用视觉判断补足 transcript 看不见的表演强度
• 校验先行：人物关系和剧情理解未经校验，不得进入文案步骤
• 文案分两步处理：步骤 5 只写顺 draft_script.md；步骤 6 才做剪辑化编辑
• storyboard.json 为唯一真相源：步骤 6 开始，所有分镜、音频、时间和输出状态都只回写它
• 原片戏眼优先：优先保留最有戏的原片，不优先保留最“完整”的原片
• 向量检索先召回，人工再定稿：先用 videoindex / videosearch 缩小候选戏眼范围，再结合 transcript 与定向视觉复核做最终编辑判断
• VO 必须克制：VO 不能抢原片的戏，不能把原片最强台词提前讲掉
• 按情绪推进，不只按信息推进：一条成片线必须同时考虑剧情信息和情绪抬升
• 时间不重叠：同一 source_index 下所有最终使用时间段不能重叠
• 渲染只读 storyboard.json：裁切、拼接、交接都不再依赖别的片段真相文件

工具清单

项目目录结构

<项目名>/
├── analysis/
│   ├── transcript.json / transcript_01.json
│   ├── mediainfo.json / mediainfo_01.json
│   ├── visual_analysis.json / visual_analysis_01.json
│   ├── plot_analysis.md
│   ├── characters.md
│   ├── retrieval_candidates.json     # 可选检索候选快照
│   └── scene_matching.json          # 可选审查快照
├── scripts/
│   ├── draft_script.md
│   ├── storyboard.json              # 唯一真相源
│   ├── final_script.md              # 从 storyboard 派生的审查稿
│   └── voiceover.md                 # 从 storyboard 派生的 TTS 稿
├── audio/
├── clips/
│   ├── raw/
│   └── merged/
├── output/
│   └── output.mp4
└── state.json                       # 仅记录进度/运行状态

文件职责

工作流程

步骤 0：项目初始化

1. 创建项目目录结构
2. 初始化 state.json：只保存 project、progress、last_error
3. 初始化 scripts/storyboard.json：先写空壳
   • project.name
   • project.created_at
   • sources
   • draft_script_path = "scripts/draft_script.md"
   • segments = []
   • output.final_video = null

产出：项目目录 + state.json + scripts/storyboard.json

步骤 1：分析原片

对每个原片独立执行：

• qwenasr → analysis/transcript*.json
• mediainfo → analysis/mediainfo*.json

要求：

• 多源不合并处理
• transcript 必须保留时间戳和说话人标识
• 将原片路径、字幕路径、transcript 路径、时长写入 storyboard.json.sources[]

产出：transcript*.json、mediainfo*.json

步骤 1.5：建立向量索引

在具备 videoindex / videosearch 的环境里，这一步应视为默认流程。

对全部原片执行一次 videoindex：

• 默认用当前项目配置的后端；若无明确要求，可优先使用默认后端
• shot_threshold 以可召回戏眼为先，不要一上来就设得过高
• 目标不是一步切出最终片段，而是为后续“找羞辱 / 找反击 / 找安慰 / 找站队”建立可检索底座

要求：

• 只为当前项目原片建索引，不混入无关素材
• 同一批素材只建一次索引；后续步骤直接复用
• 若用户已明确给出更适合的粒度，再调整 shot_threshold

产出：本地视频向量索引

步骤 2：初步剧情分析

基于全部 transcript 梳理：

• 人物关系
• 剧情阶段
• 关键冲突节点
• 疑似高张力片段

这一步只建立剧情骨架，不做最终选段决策。

产出：analysis/plot_analysis.md（初步版）

步骤 3：定向视觉复核（默认按需触发）

doubaovision 默认不是从头到尾扫完整部片子的必跑步骤。

优先做法是：

1. 先用 transcript 建立剧情骨架
2. 再用 videosearch 召回高张力候选
3. 最后只对这些情况做视觉复核：
   • 候选很多，难以判断哪段更有戏
   • transcript 能说明剧情，但看不出表演强弱
   • 需要判断无台词 / 少台词画面是否值得保留
   • 检索结果语义相关，但怀疑“有信息没戏”
   • 字幕质量差，单靠 transcript 不够可靠

只有在下面情况之一，才升级为全片视觉分析：

• 字幕严重缺失或 ASR 质量差
• 画面表演价值远高于对白信息
• 题材里存在大量无台词冲突、动作、眼神戏
• 已经发现检索召回明显漏掉关键戏眼，且原因来自字幕不足

复核时重点回答：

• 候选里哪一段真的更有戏
• 哪些地方只是信息说明
• 哪些片段靠表情、停顿、场面就很能打人

若执行本步骤，可产出：visual_analysis*.json

步骤 3.5：召回高张力候选片段

基于步骤 2 的剧情骨架，用 videosearch 做候选召回；如步骤 3 已运行，再把视觉判断作为复核依据。

优先检索这些类型的 query：

• 羞辱 / 贬低 / 当众难堪
• 反抗 / 掀桌 / 顶嘴 / 打脸
• 护子 / 护妻 / 站队 / 公开撑腰
• 落难 / 安慰 / 心碎 / 求婚 / 反转

要求：

• 每类情绪至少改写 2-3 种 query，避免只搜一个表述
• 检索结果只是候选，不是最终入选片段
• 必须先回到 transcript 校验台词和时间；只有在表演强度、场面价值或无台词画面存在歧义时，再调用视觉复核
• 如需留审查痕迹，可导出 analysis/retrieval_candidates.json

产出：候选时间段集合（可选落盘 analysis/retrieval_candidates.json）

步骤 4：校验与人物建档

将步骤 2 与步骤 3.5 的检索结果交叉校验；若步骤 3 已运行，再一并吸收视觉修正，产出统一剧情基线：

• 修正人物身份、关系、时序和场景理解
• 产出 characters.md
• 覆盖更新 plot_analysis.md

必须向用户展示：

• 人物列表
• 剧情五段式摘要
• 可疑点 / 修正点

用户确认无误后才能进入步骤 5。

产出：characters.md、校验后的 plot_analysis.md

步骤 5：创作解说文案初稿

本步骤只做一件事：把故事讲顺。

基于 plot_analysis.md 和 characters.md 产出 draft_script.md。

要求：

• 可以略长，但必须顺
• 不提前拆分 mode
• 不提前写时间点
• 不抢戏，不硬写“爽点文案”
• 人物称呼和关键事件必须与 characters.md 一致

禁止：

• 直接写成最终剪辑稿
• 提前决定所有 original / voiceover
• 用夸张包装词替代真实人物状态

产出：draft_script.md

步骤 5.5：节奏预算审查

在进入步骤 6 前，主代理必须先做一次节奏预算：

• 目标总时长
• 目标 VO / 原片比例
• 开头第一刀出现时间
• 预计长原片数量（>15 秒）
• 结尾策略（原片落刀 / VO 挂钩）
• Kill List（哪些桥段必须砍成 VO，哪些原片不能贪长）

若这一步答不出来，禁止进入最终 storyboard 阶段。

步骤 6：dramatic editor 子任务 — 创建最终分镜脚本

这是质量最高优先的核心步骤。

主代理必须先准备最小上下文包：

• characters.md
• plot_analysis.md
• draft_script.md
• transcript*.json / 对应 SRT
• 必要时补充 visual_analysis*.json 中的候选片段复核摘要
• 如已生成，附上 analysis/retrieval_candidates.json

然后派发一个专门的 dramatic editor 子任务。这个子任务只做三件事：

1. 挑出必须保留原声的原片段
2. 压缩和重写 VO，使其只做铺垫 / 转场 / 补信息
3. 产出完整 storyboard.json

dramatic editor 在筛段时必须遵守：

• 先看检索候选，再做人工筛戏：优先消费 videosearch 召回结果，而不是重新盲扫全量 transcript
• 检索只负责召回，不代替判断：最终是否入选，仍以 transcript、真实台词力度、定向视觉复核结论为准

dramatic editor 的硬规则

• 钩子必须真钩人：优先从后文最强冲突、最强反转、最强羞辱、最强护短场面里抽
• 开头第一刀默认在 0-8 秒内出现
• original 优先选最有戏的台词，不是最完整的台词
• 原片默认短而狠：普通原片尽量控制在 4-12 秒；超过 15 秒必须在 notes 里解释为什么不能再压
• 必须保留关键情绪链条：如羞辱、反抗、护子、落难、安慰、表白、站队
• VO 只做三种功能：铺垫、跳转、补信息
• VO 不得复述紧邻 original 已说明的内容
• original.text 必须是真正要展示的台词，不能写“婆婆羞辱儿媳”“男主公开护妻”这种摘要标签
• 默认优先一个干净结尾：要么原片最后一刀，要么 VO 挂钩，不要两种收尾同时抢最后一口气
• 摘要说明如有必要，写入 notes
• 同一 source 内若时间回跳，必须在 notes 标记 hook_preposed=true；否则默认按剧情顺序推进

步骤 6 的失败判定

以下任一命中，必须返工：

• original.text 明显是摘要而不是真实台词
• 缺失最关键的羞辱 / 反抗 / 反转 / 护妻 / 护子场面
• VO 中出现空泛大词：如“命运”“站稳”“移不开眼”“退路”等万能包装词，但没有人物感
• 原片最有戏的句子被改成 VO，导致原台词没被听到
• 选段只是“能说明剧情”，而不是“最有戏”
• 长原片数量明显超标，整条更像原剧剪辑而不是解说成片
• 结尾结构和 notes 自相矛盾

storyboard.json 在步骤 6 的最低要求

每个 segment 至少包含：

• id
• title
• mode：voiceover / original
• source_index
• source_path
• start
• end
• text
• text_raw
• mute_original
• status
• notes

额外要求：

• original 段在步骤 6 就必须有精确 start/end 和 text_raw
• voiceover 段允许先无时间，但必须有成型 text
• 每个 segment 的 notes 必须解释：为什么留原声 / 为什么此处必须 VO
• 如果 original 段 > 15 秒，notes 里必须明确说明为什么不能再压

派生文件

步骤 6 完成后：

• 从 storyboard.json 派生 final_script.md
• 从 storyboard.json 里所有 mode = voiceover 的段落派生 voiceover.md

产出：storyboard.json、final_script.md、voiceover.md

步骤 7：生成解说音频

只对 mode = voiceover 的段落生成音频。

回写：

• storyboard.json.segments[].audio_file
• storyboard.json.segments[].audio_duration_sec
• voiceover.md 的对应音频时长

禁止：

• 给 original 段生成空音频
• 让 voiceover.md 和 storyboard.json 漂移

步骤 8：画面匹配（仅匹配 voiceover 段）

必须优先使用 videosearch；如果尚未建索引，先补做步骤 1.5。

这一步不再负责剧情编辑决策，只负责：

• 为所有 voiceover 段找能承载该段解说的画面
• 时间必须覆盖 audio_duration_sec
• 匹配理由必须体现情绪承载作用，不是只写“画面相关”

匹配要求：

• 先为每条 VO 写检索 query，再用 videosearch 召回候选片段
• 至少尝试 2 个不同 query；若结果偏“语义相关但没情绪”，继续改写 query
• 优先匹配有表情、动作、关系 tension 的画面
• 不要匹配纯信息说明性画面，除非别无选择
• 与同一 source 其他时间段不能重叠
• 选中时间段后，必须先回看 transcript；只有在候选冲突、画面承载力不明确或存在无台词镜头时，再做视觉复核确认不是误召回
• 匹配结果回写 storyboard.json
• 可选导出 analysis/scene_matching.json 作为审查快照

步骤 9：按 storyboard.json 逐段渲染

按 storyboard.json 顺序逐段：

• 使用 FFmpeg 按 start/end 裁切原片
• voiceover 段：静音原声并叠加 TTS
• original 段：保留原声
• 统一分辨率、帧率、像素格式、音频格式
• 输出到 clips/merged/

步骤 10：拼接输出最终成片

使用 FFmpeg concat demuxer 无损拼接 clips/merged/*.mp4。

回写：

• storyboard.json.output.final_video
• 各 segment 的最终状态

步骤 11：字幕确认与交接（可选）

如用户需要字幕，交接给专门字幕 skill，并携带：

• output/output.mp4
• scripts/final_script.md
• scripts/storyboard.json

质量检查清单

• draft_script.md 读起来顺，不是最终剪辑稿
• storyboard.json 是唯一真相源
• 已先用向量检索召回候选片段，再做人工筛选和定稿
• doubaovision 只在候选歧义、字幕不足、无台词强表演等必要场景介入；没有和检索重复扫片
• 已做节奏预算：知道目标 VO/原片比例、开头第一刀时间、长原片数量、结尾策略
• original.text 都是真实展示台词，不是摘要标签
• 最有戏的原片台词被优先保留
• voiceover 没有复述紧邻 original 已说清的内容
• 保留了完整情绪链条，而不是只保留结果
• 长原片数量没有失控；若有超长原片，notes 已写明理由
• 同一 source 时间顺序合理；如有回跳，notes 明确说明是钩子前置
• 开头足够快进入第一刀
• 结尾足够干净，只采用一种主要收尾策略
• voiceover.md 与 storyboard.json 一一对应
• 裁切、拼接、交接都只读取 storyboard.json

常见问题