Web Video Presentation

Web Video Presentation

把口播稿 / 文章变成可录屏的"伪装成视频的网页"。核心认知：SRT 和音频对齐之后， 每个小节拍的画面非常好确定 —— 本质是一些前端页面，应该很快。 所以本 skill 只锁结果红线（对齐 / 安全区 / token / 事实真实性 / 术语）， 锁法是「脚本校验 + 真机截图」两件实事；过程交给模型自由发挥。

流程总览（4 步，同规模视频目标 ~1.5h）

① 规划（主线程 ~30min）→ plan.md（唯一中间文档）→ 用户一次确认
② 搭台（主线程 ~10min）→ scaffold.sh → npm run gen → 主题就位
③ 章节开发（默认全并行，一章一个 subagent）
④ 终检 + 交付（主线程 ~15min）→ npm run check 全量 + ?auto=1 过片 → 录制指引

各阶段读什么（只有 3 份）：

工作目录约定（agent 在用户当前目录下创建 / 编辑）：

my-video/
├── article.md      # TTS 路径才有（用户原文，不删 —— 画面细节源）
├── script.md       # TTS 路径才有（平台化口播稿）
├── plan.md         # ★ 唯一中间文档（gen 默认读 ../plan.md，即与 presentation/ 同级）
└── presentation/   # 脚手架产出的 Vite + React + TS 项目

① 规划 → plan.md

两条路径，按用户手上有什么定：

VO-First（主路径）：用户已录好口播，有整段音频 + SRT。节奏是物理事实， 一切从 SRT 反推（真人口播必须先录后做 —— 先做动画再录音必返工）：

1. 读 SRT + 素材，核实所有要上屏的事实 —— 协议见 PLAN-FORMAT.md， 核心一句：推断 ≠ 核实，表格数字必须连表头一起看到
2. 按 PLAN-FORMAT.md 写 plan.md：```timeline 块（章 / 步 / 绝对时间戳 / 口播原文 / 一句话画面创意）+ 各章画面备注 + 术语锁定表 + 事实核实记录

TTS（次路径）：用户只有文章。先按 references/SCRIPT-STYLE.md 写 script.md（保留 article.md 不删），再写 plan.md（at / audio / duration 省略）。 音频在 ③ 完成后顺手合成（见下方「TTS 补充」），不设单独停点。 用户啥都没给、只说"帮我做个 X 主题的视频" → 反问要素材，skill 不替用户构思内容。

唯一 checkpoint（硬节点）：plan.md 写完停下来，用户一次确认 4 件事：

1. 章节切分 / 每步画面方向 / 素材缺口 OK 吗（plan.md 是 markdown，可直接编辑）
2. 主题选哪个 —— 动态读 themes/*/theme.json（nameZh / descriptionZh / bestFor）， 按内容匹配主动推荐 2~3 套；用户说"你选" → 取推荐第 1 个并说明理由，给反悔机会； 想要新主题 → 按 references/THEMES.md 造一个
3. 并行度 —— 默认全并行，问一句一次开几章
4. 要不要 anchor 章 —— 可选项：第 1 章先做完给用户看一眼定基调，其余再并行； 赶时间就全并行（主题 token 兜底视觉统一）

另外：事实核实表里标「推断」的项在这里单独列出，请用户裁决。 主题必须明确才进 ②。

② 搭台

bash <path-to-skill>/scripts/scaffold.sh ./presentation --theme=<主题 id>
bash <path-to-skill>/scripts/scaffold.sh --list-themes      # 看可选主题
rm -rf presentation/src/chapters/01-example                  # 删 demo 章
# 并把 src/registry/chapters.ts 里 EXAMPLE_CHAPTER 的 import 和数组项移除
# VO-First：整段口播拷进 public/（原件先在别处另存备份，任何工具不碰原件）
mkdir -p presentation/public/audio
cp <整段口播>.mp3 presentation/public/audio/vo-full.mp3
cd presentation && npm run gen                               # 读 ../plan.md

npm run gen（plan.md → 代码骨架，幂等可重跑）产出：

• src/registry/timeline.ts：TIMELINE（全部 at 展平升序）+ VO_FULL_SRC / VO_FULL_DURATION + PARTS（firstStep / lastStep 自动算）+ readPart()
• 每章 src/chapters/<NN>-<id>/narrations.ts：vo 原样成数组（已存在则跳过， 不冲掉章节 agent 的手工微调）
• 每章 src/chapters/<NN>-<id>/BRIEF.md：任务卡（每次覆写）—— step 表 + 绝对时间戳 + CSS 前缀分配 + 铁律摘要
• chapters.ts 缺注册的章打印提醒（注册由主线程手工做，gen 不自动改手工代码）。 注册代码等 ③ 各章组件建好再贴 —— import 指向还不存在的组件 tsc 会挂； ② 的完成态以 npm run check 为准（未开发章记 SKIP 不误报，check 不依赖注册）

gen 写文件前硬校验：at 全局严格升序、TIMELINE 长度 = Σ steps、parts 边界落在 某步 at 上 —— 不过就报错退出。章节结构变更后 bump src/hooks/useStepper.ts 的 STORAGE_KEY（gen 跑完会提醒），否则旧 localStorage 游标落到不存在的 step。

出镜视频在此时定 src/App.tsx 的两个常量：AVATAR_CORNER（头像角，null = 不出镜） 和 SUBTITLE_SAFE（成片是否烧字幕）—— 章节 agent 靠它们避让安全区。

③ 章节开发（默认全并行）

一章一个 subagent，prompt 只需要三个指向：

1. 本章任务卡 src/chapters/<NN>-<id>/BRIEF.md（gen 已生成）
2. references/CRAFT.md —— 先读它再动工，结果红线全在里面
3. 当前主题 src/styles/tokens.css（颜色 / 字体 token；气质参考 theme.json 的 mood）

章节 agent 只写本章目录三件文件（<Comp>.tsx / <Comp>.css / narrations.ts 微调）。 完工自验 = npm run check 全绿 + agent-browser 截 2~3 张关键帧自查布局（方法在 CRAFT.md ⑦）。

narrations.ts 是 step 数与口播文本的唯一真相源：章节代码 step === N 的 最大 N + 1 必须等于 narrations.length（check 校验）。文字可微调，长度不许变 —— 要变节拍就回 plan.md 改，重跑 npm run gen。

选了 anchor 章：第 1 章先做完 → 用户看一眼定基调（视觉气质 / 节奏 / 信息密度）→ 其余全并行。没选就直接全并行。章节间风格差异是预期 —— 主题 token 兜底统一， 多 voice = 人手写视频的呼吸感。用户反馈某章要改 → 只改该章最小切片，不重做整章。

④ 终检 + 交付

1. npm run check 全量：tsc / TIMELINE 升序 / Σ narrations === TIMELINE 长度 / 每章 narrations 数 = 代码 max step + 1 / 红线扫描 / CSS 前缀唯一
2. ?auto=1&mute=1 端到端播一遍（VO-First 多区间时逐 part 过），抽 2~3 张关键帧看：

   agent 自动化验证一律带 &mute=1 —— 音频照常解码、currentTime 照常推进， 翻页行为与有声时完全一致，只是不会从用户音箱里突然放出整段口播。 交给用户录制的指引里不带这个参数（起播蒙层会显示「静音验证」防止误录）。 满屏不偏 / 安全区无侵入 / 翻页跟声音

3. 事实抽查：上屏数字随机抽几个对 plan.md 事实核实表
4. 给用户录制指引：路径选择 / 硬化清单 / 后期装配，见 references/RECORDING.md

TTS 补充：音频合成

③ 完成后顺手做，合成前把 audio-segments.json 给用户扫一眼即可：

cd presentation
npm run extract-narrations       # 扫所有 narrations.ts → audio-segments.json
npm run synthesize-audio         # 默认 minimax provider（mmx-cli），增量
PRESENTATION_TTS=openai npm run synthesize-audio   # 或内置 openai（OPENAI_API_KEY）

其它 provider（ElevenLabs / edge-tts / macOS say / Azure / Google）与故障排查见 references/AUDIO.md + presentation/scripts/tts-providers/README.md。合成完报告哪些段时长异常 （太长 = 该拆 step；太短 = 文案薄），给用户最后一次校准机会，然后进 ④。

结果红线一览（check 管代码，截图管布局，人管事实）

相关资源