🔑 前置:ASR 凭据(仅首次)
本技能的语音转写走公共 ASR 路由(skills/_shared/asr.py),凭据在哪家走哪家:
- 火山录音文件极速版(
VOLC_ASR_*,优先) - 百炼业务空间(
WORKSPACE_ID+MODELSTUDIO_API_KEY/DASHSCOPE_API_KEY):qwen-audio-3.1-asr-flash→qwen-audio-3.0-asr-flash - 百炼 agent plan(
AWK_API_KEY):qwen-audio-3.0-asr-flash
按序尝试已配置的供应商;业务空间内先尝试两个候选模型,均失败才继续 Agent Plan。设置 BAILIAN_ASR_MODEL 后百炼每个端点仅调用该模型。百炼 Flash 单次音频不超过5分钟;较长视频使用火山后端。
三组任一组在环境里即可运行;都缺失时分析器退出码 2 并提示配置。
Viral Chaser(追爆分析 — 报告产出)
Use this skill when:
- 用户提供抖音 / 小红书 / 快手 / TikTok / X / 微博 / YouTube 视频链接,或本地视频,希望拆解分析
- 需要分析爆款视频的结构和公式
本技能仅产出追爆报告,不生成脚本,不制作视频。如需据此生成视频,需另行委托 content-producer (spawn subagent)执行。
采集路由: 抖音、小红书、快手、TikTok、X、微博、YouTube 分别用 douyin-hunter、xhs-hunter、kuaishou-hunter、tiktok-hunter、x-hunter、weibo-hunter、youtube-hunter。其他平台暂不支持,需要使用用户已提供的本地视频,不在本技能恢复下载逻辑。analyzer 不依赖来源平台,只接受本地视频与可选独立音轨。
视频限定: 图文内容的分析不在本技能范围内。
⚙️ 执行方式(强制)
本技能涉及多步骤生产流程,你应该 self-spawn 一个 subagent 来执行,原因:subagent 独立上下文,不会因对话历史积累而降低输出质量。
你只负责跟进subagent的执行,避免它们长时间卡在某个步骤,必要时可以提供提示或调整执行策略。
Workflow
Step 1 — Create workspace
将工作目录建在来源平台的运营文件夹 <platform>/ref/(平台代号 douyin / xhs / kuaishou / tiktok / twitter / weibo / youtube)下:
mkdir -p "<platform>/ref/<slug>/references"
若调用方 workflow 指定了产出落点(如把参考素材收进在制作品目录 <platform>/outputs/<work>/references/),则按指定位置建工作目录,内部结构不变。
来源链接、hunter 返回的作品资料、下载的视频和音轨、分析产物保存在同一工作目录;references/ 存放素材与 analyzer 产生的音频、关键帧。本地输入按调用方指定的工作目录归档,不猜测来源平台。
Step 2 — 调用对应 hunter 获取资料与下载视频
先读取来源平台 hunter 的 SKILL.md,按其流程完成登录检查、链接解析、作品资料获取和视频下载。探活、会话失效、签名与平台风控均在 hunter 阶段处理;失败时停止本次采样,analyzer 不处理这些错误或恢复登录。
| 来源 | 采集技能 | 交给分析阶段的产物 |
|---|---|---|
| 抖音 | douyin-hunter |
本地视频、作品资料与完整来源链接 |
| 小红书 | xhs-hunter |
本地视频、作品资料与含 xsec_token 的真实链接 |
| 快手 | kuaishou-hunter |
本地视频与作品资料 |
| TikTok | tiktok-hunter |
本地视频与作品资料 |
| X/Twitter | x-hunter |
本地视频与推文资料 |
| 微博 | weibo-hunter |
本地视频与微博资料 |
| YouTube | youtube-hunter |
video_paths 中的视频轨、audio_paths 中的同步音轨与视频资料 |
抖音和小红书的独立采集命令示例:
douyin-hunter fetch --url '<视频链接>' --video-only --download-media --output-dir '<工作目录>/references'
xhs-hunter fetch '<视频链接>' --video-only --download-media --output-dir '<工作目录>/references'
这些 hunter 将视频保存为 video.mp4、资料保存为 note.json。以各自实际输出为准;保留原始资料,不让 agent 重写为 analyzer 的输入 schema。新增平台使用 <hunter> fetch <视频链接> --video-only --download-media --output-dir <目录>,视频文件名与扩展名以 media_paths 返回为准。
只分析本地视频时跳过 hunter 采集。图文不进入 analyzer。
Step 3 — 运行 analyzer(转写与关键帧)
用 viral-chaser wrapper 调用 scripts/analyzer.ts。脚本只读本地媒体,内部完成音频提取、公共 ASR 转写与抽帧,不接收平台 URL、不读取平台登录态、不调用 hunter 或下载器。
viral-chaser --video '<工作目录>/references/video.mp4' --output-dir '<工作目录>/references'
若 hunter 提供独立音轨(与视频同步的独立音轨),用 --audio '<本地音轨路径>' 指定同一视频的同步音轨;不下载音轨 URL。--no-frames 跳过抽帧,只用于用户明确只需转写时。--output-dir 优先于已有 OUTPUT_DIR 环境变量,未指定则写入视频所在目录。
YouTube 下载返回分轨:对本次 video_paths[0] 和 audio_paths[0] 同时传 --video 与 --audio,不能只交静音视频轨。采集失败时停止,不在 analyzer 中补下载或换来源。
The script outputs a JSON object to stdout. Read it and proceed with analysis.
Output JSON structure:
{
"ok": true,
"kind": "video",
"metadata": {
"durationSeconds": 36,
"width": 1080,
"height": 1920,
"orientation": "vertical",
"hasAudio": true
},
"transcript": {
"text": "全文转录...",
"segments": [{ "start": 0.0, "end": 5.2, "text": "开场文案" }],
"estimated": false,
"durationSeconds": 36,
"truncated": false
},
"frames": ["<platform>/ref/<slug>/references/frames/frame_00_0s.jpg", "..."],
"localPaths": {
"video": "<platform>/ref/<slug>/references/video.mp4",
"audio": "<platform>/ref/<slug>/references/analysis-audio.wav",
"tmpDir": "<platform>/ref/<slug>/references"
},
"warnings": []
}
kind: 仅video;图文不下载、不分析,转对应平台专家 workflow。metadata由本地 ffprobe 得到,只含时长、宽高、画幅和视频是否自带音轨。来源平台、作品 ID、标题、作者/简介、发布时间、话题和互动计数从 Step 2 的 hunter 资料读取;缺失写「接口未返回」,本地输入无资料时写「未提供」,不编造。小红书 PC 笔记资料不提供播放数。frames: 最多 12 张,覆盖开场(0s / 3s)、各口播段中点与全片比例点(25% / 50% / 63% / 75% / 90%)——反转植入类作品的反转点通常在 55%-76%,只抽前几秒会完全错过。transcript.estimated=false表示使用公共 ASR 返回的真实时间戳;true表示接口没有返回分段时按音频时长估算。报告据实际结果注明,不能将估算时间写为精确时间。- 音频提取最多前 10 分钟;
transcript.truncated=true/TRANSCRIPT_PARTIAL表示转写未覆盖全片,必须写清转写范围。关键帧仍按完整视频时长采样,不能把未转写区间当作没有口播。 KEY_FRAMES_PARTIAL表示部分抽帧失败;报告记录视觉样本缺口,不能用旧帧或文字推测补齐。
Exit codes:
0= Success1= 本地媒体、音轨、ASR 请求或分析错误,按error/message排查2=ASR_NOT_CONFIGURED,配置公共 ASR 凭据;与平台登录态无关
Step 4 — Read key frames (if available)
For each path in frames, use the Read tool to load the image and analyze it visually.
Read: <platform>/ref/<slug>/references/frames/frame_00_0s.jpg
Read: <platform>/ref/<slug>/references/frames/frame_01_3s.jpg
...
Analysis Framework
读完 hunter 资料、analyzer JSON 与全部关键帧后,产出追爆报告,保存到工作目录的 raw_article.md。报告既要能给人看,也要能直接喂 DNA 采样(见最后一节)。
1. 作品 meta 信息
| 项 | 内容 |
|---|---|
| 作品类型 | 视频(kind: video) |
| 时长 | xx s(durationSeconds) |
| 画幅 | 竖屏 9:16 / 横屏 16:9(orientation + width×height) |
| 发布时间 | hunter 的实际发布时间字段(接口未返回时注明) |
| 作者与简介 | hunter 的作者资料与简介(对标账号样本必记,缺失注明) |
| 话题标签 | hunter 返回的话题信息 |
| 互动数据 | hunter 的播放 / 点赞 / 评论 / 分享 / 收藏(逐项写;接口未返回的项注明) |
| 来源 | 原视频 URL + 完整内容 ID + 采集日期;本地输入则标注用户提供 |
2. 内容摘要
1–2 句:这条作品给观众的核心价值或核心情绪是什么。
3. 开头钩子分析(前 0–10 秒)
基于 transcript.segments 中 start < 10 的段:
- 钩子类型:提问型 / 冲突型 / 反转型 / 数字型 / 悬念型 / 痛点型 / 利益型
- 具体文案:逐字摘录开场句
- 声画是否同步:画面、字幕、口播是否在同一秒传递同一个重点
- 效果评估:这个钩子为什么留人(或为什么不留)
4. 结构拆解(按时间占比)
按功能把全片切段,每段给时间区间与占全片百分比:
| 段落 | 时间区间 | 占比 | 功能 | 核心内容 |
|---|---|---|---|---|
| 开场 | 0–Xs | xx% | 钩子/引入 | ... |
| 主体一 | X–Ys | xx% | 信息/剧情推进 | ... |
| 转折 | Y–Zs | xx% | 反转/揭示 | ... |
| 收尾 | Z–结束 | xx% | CTA/情绪收尾 | ... |
必须额外标注:
- 反转点位置(若有):占总时长的百分比,以及反转是靠什么衔接的(口播因果句 / 意象复用 / 身份彩蛋 / 戏中戏)。
- 植入或转化段占比(若有):产品/服务出现在哪一段、占比多少、是否集中。
- 主悬念:一句话复述贯穿全片的悬念;说明它在哪一秒被回答。
5. 关键帧逐帧分析
对 frames 里每一张都用视觉模型读取,逐帧一行(不要只看首帧):
| 帧 | 时间码 / 占比 | 画面内容 | 字幕或贴图文字 | 景别与构图 | 色调与质感 | 品牌/产品是否出现 | 可否作封面 |
|---|---|---|---|---|---|---|---|
| frame_00 | 0s / 0% | ... | ...(逐字抄) | 近景/中景/远景、主体位置 | 冷暖、饱和、颗粒 | 是/否 | 是/否 |
--no-frames 或 frames 为空时注明:「(跳过视觉分析,请重新运行不带 --no-frames 参数)」。
6. 视觉与声音风格汇总
基于逐帧结果与转录:
- 色调风格:暖/冷、高饱和/低饱和、黑白;是否有明显的两段式对比(如解说段冷暗、植入段明亮)
- 画面形态:实拍 / 影视或开源片源 / 录屏 / 图文卡片 / AIGC / 混剪
- 字幕与贴图:字体粗细、位置、背景框、箭头标注、重点字变色放大
- 声音形态:原声口播 / TTS 旁白 / 纯画面 + 字幕;BGM 类型与主从关系;音效使用(如反转处 whoosh)
- 整体视觉标签:3–5 个关键词
7. 内容形态判定与制作指向
判定这条作品属于哪种视频内容形态,并给出制作指向——只能写真实存在的资源名:
| 观测到的形态 | 制作指向 |
|---|---|
| 影视解说 / 剧情解说 + 反转植入(「万万没想到」式) | Content Producer expert-video → Reversal Ad workflow |
| PPT / 幻灯或 B-roll 大画面 + 实拍/数字人口播小窗,或用户音频+B-roll | Content Producer expert-video → Deck Talk workflow |
| 人物全屏口播或其他自由镜头声画制作 | Content Producer expert-video → 不指定类型 workflow,走通用制作流程 |
| 一句文稿转视觉隐喻的纸拼贴动画 | Content Producer expert-video → Collage B-roll workflow |
| 纯 AIGC 动画 / 剧情短片 / 蒙太奇(需从零出脚本分镜) | Content Producer expert-video → 不指定类型 workflow(CP 按其通用制作流程做,据创意自定叙事 / 动效 / 蒙太奇手法) |
| 已有素材简单拼接、加旁白、烧字幕 | main video-edit |
| 已有真人口播素材去口气词、剪高光 | main talking-head-cut |
| 产品操作录屏 | main ui-demo |
判定要写依据:口播占比、素材来源、画面是否连续叙事、有无产品段。
8. 内容创意
- 创意内核:一句话说清这条作品的创意是什么
- 展开逻辑:悬念 / 反转 / 递进 / 对比 / 清单 / 实测
- 记忆点:观众会记住或复述的那一个点
- 可复用套路:换成别的主题还能怎么用(这是 DNA 的
content-idea维度要的)
9. 爆款元素评估
每项评 强 / 中 / 弱 + 一句说明:
| 元素 | 评级 | 说明 |
|---|---|---|
| 前 3 秒吸引力 | ||
| 痛点共鸣度 | ||
| 悬念设置 | ||
| 情绪触发 | ||
| 价值清晰度 | ||
| CTA 效果 | ||
| 视觉冲击(基于关键帧) | ||
| 节奏把控 |
10. 可借鉴点与目标受众
- 可借鉴点:3–5 条,每条一句、可直接执行。
- 目标受众:一句话人群画像。
- ASR 校正注记:转写与画面字幕不一致时(谐音、专有名词、案名),逐条列出原文与校正依据(哪一帧的字幕)。
11. DNA 样本归档(喂 style-profiler 用)
这条作品要进 DNA 时,把报告转成一份样本文字稿,落 <platform>/ref/<dna-id>/transcripts/<sample-id>.md,格式如下(<platform>-style-profiler report --input 直接吃这个文件:首个一级标题即作品标题):
# 样本文字稿:<作品标题>(sample-id: <sample-id>)
> 来源:<对标账号名 + 账号 ID / 用户提供>
> 原视频 URL:<url>(内容 ID <id>)
> 时长:xxs | 画幅:竖屏 9:16 | 点赞 x | 评论 x | 播放量:<数值或「接口未返回」>
> 发布时间:<publishTime 或「未返回」> | 抓取日期:YYYY-MM-DD | 拆解报告:<platform>/ref/<slug>/raw_article.md
> ASR 说明:公共 ASR 路由;时间戳为<真实/估算>(estimated=<实际值>),转写覆盖<实际范围>
> ⚠️ ASR 谐音校正:<逐条列出,注明依据的画面字幕帧;无则写「无」>
> 转录约定:逐字引语为原话引用(含时间戳);标注 [剧情概括] 的段为报告中段转述,非逐字。
## 口播全文(含时间戳)
- 0.04–5.32s:<逐字>
- 5.36–8.84s:<逐字>
- 8.9–14.3s:[剧情概括] <转述>
## 结构标注(取自拆解报告)
- 0–24.6s(≈71%):<段功能与内容>
- 24.7–25.7s(≈3%):<反转过渡>
- 25.7–35.3s(≈26.5%):<植入段>
- 逐字引语与转述必须分开标注,不得把概括写成原话。
- DNA 工具只统计「口播全文」节内的逐字内容,自动去除列表前缀和时间码;来源、备注、结构与视觉分析放在该节之外。该节包含
[剧情概括]/[转述]时,口播密度不参与聚合;不能把概括补写成逐字原话来获得统计值。 - 拿不到的字段写「接口未返回」或「未观测」,不编造。
Notes
- 原始平台资料由 hunter 保存;analyzer 仅生成本地媒体分析数据,不增加新平台适配器。
- 快手/TikTok/X/微博沿用“hunter 采集 → 本地 analyzer → 拆解报告”的流程,登录检查、短链解析与下载限制以各 hunter 文档为准。
- 只有转写与抽帧完成并核对结果后才写分析结论;hunter 失败不运行 analyzer,本地分析失败不重新采集或恢复平台登录。