# 产线 B · AI 口播讲解视频完整 SOP

> 口播稿 → TTS 配音 → 讲解画面 → 场景 B-roll → 剪辑成片。全程零实拍。
>
> 与产线 A **共用同一套底层模块**（`chat` / `image` / **即梦** / `tts` / `ffmpeg`），
> 只是编排顺序与镜头类型不同。先把 `references/pipeline-a-song-mv.md` 里的
> 「避坑」通用部分看一遍，本文只讲产线 B 特有的。
>
> **v0.2**：画面链路已改用即梦（人物资产 / 场景图 / 图生视频实测可用）；
> 唇形驱动仍无通道，但可用即梦**数字人**替代。

---

## 一、产线全景

```
① 口播稿        [chat ✅]     → work/script.json + work/script.md
② TTS 配音      [tts ❌]      → work/audio/voiceover.mp3（未开通，见第三节替代）
③ 讲解分镜      [chat ✅]     → work/storyboard.json
④ 人物资产      [即梦 ✅]      → out/character/{1-定妆照,2-上半身,3-全身,4-多视图}.png
⑤ 场景图+关键帧  [即梦 ✅]      → work/scene/shot-XX.png（无人）+ work/frames/shot-XX.png（有人）
⑥ 图生视频      [即梦 ✅]      → work/clips/shot-XX.mp4
⑦ 对口型(可选)  [即梦数字人 ✅]  → 真人对口型镜头
⑧ 剪辑合成      [本地 ✅]      → out/talk.mp4
```

一条命令跑完：

```bash
fmode-mv talk "三分钟讲清楚什么是多租户数据隔离" --duration 90
```

---

## 二、① 口播稿

```bash
fmode-mv talk "三分钟讲清楚什么是多租户数据隔离" \
  --duration 90 \
  --audience "中小企业技术负责人" \
  --points "痛点,方案,成本对比,落地建议"
```

**产物** `work/script.json` + `work/script.md`（可直接改）。

```jsonc
{
  "title": "数据隔离，到底怎么隔离？",
  "durationSec": 90,
  "hook": "你以为你的数据是私有的？其实……",
  "cta": "想搞清楚自己的架构，评论区聊。",
  "hostAnchor": "Asian man in his 30s, short neat black hair, ...",
  "sections": [{ "name": "开场钩子", "text": "..." }],
  "fullText": "完整口播稿（TTS 用这个）"
}
```

**要点**：
- **字数按 3.6 字/秒估算**：90 秒 ≈ 324 字。写多了 TTS 会赶，画面也来不及切。
- `hostAnchor` 是讲者外貌锚点，作用与产线 A 的 `appearanceAnchor` 完全一样。
- 已有稿子直接给文件，跳过自动撰写：
  ```bash
  fmode-mv talk --script my-script.md --duration 120
  ```
  （会按 `--duration` 切分镜；稿子是 md/txt 均可，会自动剥掉 markdown 标记）

**避坑**：
- **口播稿里的数字要写成能读出来的形式**：「30%」读作「百分之三十」，
  「API」在中文 TTS 里可能被念成字母，改成「接口」更稳。技能已在提示词里要求，但改稿时注意保持。
- 稿子改了**必须重跑分镜**（第 ③ 步），否则字幕和画面对不上。

---

## 三、② TTS 配音 ⚠️ 平台暂无通道

```bash
fmode-mv tts --probe                                        # 先看有没有得用
fmode-mv tts --from work/script.md --voice zh-CN-YunxiNeural
```

**现状**：网关**没有** TTS 路由（`/v1/audio/speech` 返回前端兜底页）。

**三条替代路线**：

| 方案 | 做法 | 说明 |
|---|---|---|
| **A. 本地 edge-tts**（推荐） | `pip install edge-tts` | 免费、中文音色多；技能会**自动探测并使用**，无需改代码 |
| B. 对接外部 OpenAI 兼容服务 | `export FEME_TTS_ENDPOINT=https://your-host/v1/audio/speech` | 需自建或采购 |
| C. 自备配音 | `--voice my-voiceover.mp3` 或直接 `fmode-mv talk --voice my.mp3` | 真人配音也行 |

**安装 edge-tts 后**，`fmode-mv tts --probe` 会显示：

```
状态      可用
提供方    edge-tts(local)
```

常用中文音色：`zh-CN-XiaoxiaoNeural`（女，默认）、`zh-CN-YunxiNeural`（男，年轻）、
`zh-CN-YunjianNeural`（男，沉稳）、`zh-CN-XiaoyiNeural`（女，活泼）。

**避坑**：
- edge-tts 首次运行需要联网拉音色列表，离线环境会失败。
- 配音时长是**后面所有步骤的基准**：分镜时长、字幕时间轴都以配音实际时长为准。
  所以**先配音、后分镜**（本产线的顺序就是这么排的）。

---

## 四、③ 讲解分镜

```bash
fmode-mv storyboard --script work/script.md --duration 90 --shots 8
```
（`fmode-mv talk` 内部会自动调用这一步）

**与产线 A 分镜的区别**：

| | 产线 A | 产线 B |
|---|---|---|
| 镜头类型 | `broll` / `perf` | `broll` / `talking` |
| 新增字段 | — | `narration`（对应口播原文） |
| 字幕来源 | 歌词 | `subtitle`（≤20 字，单行） |
| 节奏依据 | 音乐节拍 | 口播语义分段 |

**要点**：
- **B-roll 要占多数**。讲者镜头（`talking`）越多，没有唇形驱动时画面越尴尬。
  提示词里已要求 `talking` 镜头的 `lipSync` 总数 ≤ 3。
- 每个镜头都要有 `narration`，这是**字幕与画面同步的依据**。

**避坑**：
- 讲数据/讲概念的段落，让 AI 生成「抽象概念画面」容易翻车。
  更好的做法：在 `--points` 里把可视觉化的东西写清楚（「三个并列的方块表示租户」），
  或者事后手工改 `work/storyboard.json` 里那几镜的 `description`/`imagePrompt` 再重生成关键帧。

---

## 五、④ 关键帧 ✅

```bash
fmode-mv keyframe --from work/storyboard.json --dry-run    # 先看
fmode-mv keyframe --from work/storyboard.json
```

同产线 A。**讲者一致性靠 `appearanceAnchor`（来自 `hostAnchor`）**，逻辑完全一致。

**产线 B 的额外建议**：
- 讲者镜头**尽量用同一景别与光线**（如「中景、正面、柔和侧光」写进 `styleKeywords`），
  这样多镜头剪在一起不会有明显的「换了个空间」的割裂感。
- 需要「图表感」画面时，prompt 里明确写 `clean minimal infographic style, flat design, no text`
  —— 否则 AI 会在图里塞满乱码文字。

---

## 六、④ 人物资产 · ⑤ 场景图 + 关键帧 · ⑥ 图生视频（v0.2 新增）

产线 B 与产线 A 共用这三步，命令完全一致：

```bash
# ④ 锁定讲者（不换脸的关键）
fmode-mv character-sheet --desc "35岁东亚男性，短发，身穿深灰针织衫，专业亲和" --limit 4

# ⑤ 场景图（无人）→ 关键帧（有人，多图参考）
fmode-mv scene --from work/storyboard.json \
  --character out/character/4-多视图.png

# ⑥ 图生视频（第一镜首尾帧，其余首帧）
fmode-mv video --from work/storyboard.json
```

> 产线 B 已有整链支持：`fmode-mv talk` 的第 [4/8]~[6/8] 步就是上面这三步，
> 可用 `--character` / `--skip-character` / `--char-steps` / `--tier` / `--video-mode` 控制。

**产线 B 的特殊考虑**：
- 口播视频的 `broll` 镜头用 **Ken Burns 兜底**（`--video-mode still`）**观感损失比 MV 小**——
  观众注意力在听觉信息上，画面只需「不静止、不跳戏」。
  预算紧时，B-roll 用兜底、只给 `talking` 镜头花钱走即梦，是性价比最高的组合。
- `talking` 镜头如果不对口型，用 Ken Burns 推近会**放大「嘴不动」的问题**。
  建议：`talking` 镜头要么做对口型（见第七节）、要么改成**手部动作/物件特写**，别做正脸大特写。

---

## 七、⑦ 对口型（可选）—— 改用即梦数字人 ✅

唇形驱动通道（`/lipsync/generations`）平台**仍无此路由**，但 v0.2 起有了**实测可用的替代**：

```bash
fmode-mv jimeng digital-human \
  --ref out/character/3-全身.png \
  --audio work/audio/voiceover.mp3 \
  --prompt "固定机位，手臂自然轻微挥动，神情专注自信，眼神直视镜头"
```

- 走即梦数字人 v1.5 三步（主体识别 → 视频生成），**¥1/秒**。
- 这是**真人对口型**，比唇形驱动通道更适合竖屏口播。
- 产线 B 场景下的建议：
  - 讲解视频**对口型的需求比 MV 强**（观众盯着讲者看），所以这一步值得花钱。
  - 预算有限时：把讲者镜头压到 1~2 个，用**中景/中近景**，其余用 B-roll 盖过。

---

## 八、⑦ 剪辑合成 ✅

```bash
fmode-mv assemble \
  --from work/storyboard.json \
  --voice work/audio/voiceover.mp3 \
  --bgm work/audio/bgm.mp3 \
  --out out/talk.mp4
```

**与产线 A 的差异**：

| | 产线 A | 产线 B |
|---|---|---|
| 主音轨 | `--music`（音量 1.0） | `--voice`（音量 1.0） |
| 辅助音轨 | — | `--bgm`（自动压到 **0.18**） |
| 卡点 | `--beat-sync` 用得上 | 一般不用（口播跟着语义走） |

**混音规则**（`lib/ffmpeg.mjs` 的 `amix`）：
多轨时按各自 `volume` 混，背景乐默认 0.18 —— 这个值是「人声清楚、音乐有存在感」的平衡点，
觉得音乐太响/太轻就调 `--bgm-volume 0.12` 或 `0.28`。

**避坑**：
- 配音轨短于画面时，`-shortest` 会直接截断成片 → 成片比预期短。
  **先确认配音时长**（`fmode-mv tts` 会打印时长），再决定分镜时长。
- 口播字幕建议**每屏 ≤ 20 字**（提示词已要求），太长会挤满画面下方。

---

## 九、端到端速查

```bash
# 全自动
fmode-mv talk "主题" --duration 90 --points "要点1,要点2"

# 分段（推荐）
fmode-mv talk "主题" --duration 90            # ① 口播稿（只看 work/script.md，Ctrl-C 中断即可）
vim work/script.md                            # ② 手工润色稿件（强烈建议）
fmode-mv tts --from work/script.md            # ③ 配音（装 edge-tts 后可用）
fmode-mv storyboard --script work/script.md --duration 90 --shots 8
fmode-mv character-sheet --desc "讲者设定" --limit 4          # ④ 人物资产
fmode-mv scene --from work/storyboard.json --character out/character/4-多视图.png  # ⑤
fmode-mv video --from work/storyboard.json                    # ⑥
fmode-mv jimeng digital-human --ref out/character/3-全身.png --audio work/audio/voiceover.mp3  # ⑦（可选）
fmode-mv assemble --from work/storyboard.json --voice work/audio/voiceover.mp3 --bgm bgm.mp3
```

**省钱组合（实测花费）**：④ 完整四步 ≈ ¥1.98 → ⑤ ≈ ¥0.42/镜 → ⑥ ≈ ¥1.41/镜（720p 5 秒）。
8 镜口播片：④⑤⑥ ≈ **¥16.6**。预算再紧就把 ⑥ 换成 `--video-mode still`（¥0）。

**产线 B 特有的两条经验**：

1. **稿件必须人工润色一遍**。AI 写的口播稿结构没问题，但「像人说的话」这点还差一口气。
   TTS 会把书面语读得格外生硬，改稿的性价比比调任何参数都高。
2. **B-roll 占比决定成片观感**。讲者特写越少、B-roll 越多，成片越稳
   （对口型失败的风险只在 `talking` 镜头上）。