nutllwhy 白板火柴人拆书视频工作流
把一本书做成 60-90 秒竖屏白板手绘口播短视频。全流程分 6 个阶段，每个阶段产出后都要先向用户确认再进入下一阶段。最终成片用 HyperFrames 本地渲染，不用云端视频生成模型（本地渲染环节无平台水印，不消耗云端视频生成额度）。
总流程（每阶段产出 → 用户确认 → 下一步）
- 选节奏模式（开跑前先问）：问用户要「慢版」还是「高密版」（见下方"节奏模式"）。两种模式各有对应脚本/图片/渲染参数，用户也可自定义画面数。
- 调研与脚本：读懂书的核心内容 → 产出「调研报告 + 拍摄脚本」（含按所选模式生成的分镜表 + 口播逐字稿 + 每镜头生图提示词）。→ 用户确认脚本
- 分镜图：按白板火柴人信息图规范，根据所选节奏模式生成对应数量的竖屏图。→ 用户确认风格/图（含人设或火柴人讲师选择）
- 口播配音：按脚本逐字稿生成配音，先问用户要男声还是女声。→ 用户试听确认
- 背景音乐：生成 BGM，先问用户要活泼还是沉稳（或其他风格）。→ 用户确认
- 渲染装配：HyperFrames 逐步画出动效 + 词级字幕卡点 + BGM 侧链混音 → 无水印成片。
- 交付：拷贝到项目根目录，
present_files交付，留系列化建议。
节奏模式（用户在开跑前二选一，可自定义）
| 模式 | 画面数 | 每画面时长 | 口播字数 | 适合 |
|---|---|---|---|---|
| 慢版 | 约 6-8 画面 | 6-9s | 约 320-380 字 | 讲书逻辑/深度解读，节奏从容 |
| 高密版 | 约 16-20 画面 | 4-5s | 约 280-340 字 | 信息密度高、快节奏、防单调，适合短视频完播 |
- 两种模式都用同一套白板信息图风格与"逐步画出"动效，差异只在画面切分粒度与口播断句。
- 用户未表态时默认问一次；用户自定义画面数时按其要求生成。
- 渲染阶段：慢版直接每画面一镜；高密版可把相邻画面合并成"多小节一镜"（每镜内依次 reveal），减少渲染镜头数，具体见
references/render-and-assemble.md。
关键默认（可被用户覆盖）
- 画幅：竖屏 9:16，1080×1920；单张分镜图 1152×2048（9:16）。
- 时长：60-90 秒；镜头硬切 + 每镜"逐步画出"揭示动效（约 1.9s）。
- 配音时长 = 视频总时长（视频按配音长度铺）。
- 字幕：词级卡点（用 faster-whisper ASR 词级时间戳），白板便签风样式（白底黑边圆角、黑字、红高亮），高密版字幕更多更短、慢版字幕更少更长。
- 画面角色：默认角落简笔画火柴人讲师；若用户提供个人 IP 形象（AI 生成卡通头像），先征询是沿用 IP 当主角还是用火柴人。
阶段细则（按需读取 references）
| 阶段 | 读哪个 reference | 要点 |
|---|---|---|
| 脚本 | references/script-writing.md |
钩子→痛点→核心观点→案例→行动→收尾；7 镜头分镜表+逐字稿 |
| 分镜图 | references/image-prompt.md |
白板/网格底、马克笔线条、红蓝黑三色、角落火柴人、30%+ 留白、单图高密度 |
| 配音 | references/audio-voice.md |
seed-audio T2A；男/女声模板；下载核验真实时长；ASR 词级字幕 |
| 音乐 | references/audio-music.md |
活泼/沉稳/其他风格模板；ffmpeg 循环拼接；侧链 ducking 混音命令 |
| 渲染装配 | references/render-and-assemble.md |
HyperFrames lint/check/render、逐步画出动效、抽帧验证、混音交付 |
必须遵守的纪律
- 每个阶段结束必须停下来等用户确认，不擅自连续跑完。
- 配音和 BGM 的音色/风格是用户点名的选择项，必须先问再生成。
- 生成图片若要做系列延展（保持白板背景/字体/配色一致），用
image_edit并传已确认的核心图 URL，不靠文字重画。 - 涉及书的价格、评分、销量、豆瓣数据等外部事实，必须来自检索结果并标注来源，不编造。
- 成片交付前必须抽帧验证真实渲染画面（逐步画出、字幕位置、无重叠），不只看静态预览。