# VOC-SOP 五阶段流水线（产线B 口播/商业短视频）

> 提炼自 `kb-raw/04-SOP工作流/`：
> `SOP-视频脚本生成工作流/`（SOP 正文 + `flow/` 六个流程模板 + `scripts/`）与
> `SOP-变装视频生成工作流/`。
>
> 这是**产线B**（口播 / 商业短视频）的执行骨架。产线A（音乐 MV）走的是 `references/pipeline-a-song-mv.md`。

---

## 一、核心原则

> **人不做初稿，AI 不做终稿。**

| 原则 | 含义 |
|---|---|
| **漏斗式生成** | 对标 → 仿写 → 分镜 → 素材。**不跳步** |
| **人不做初稿** | AI 负责快速生成草稿和逻辑梳理 |
| **AI 不做终稿** | 人类负责经验判断、策略把控、业务修正 |
| **分段作业** | 不一次生成全稿；每阶段单独会话输出，人工确认后再进下一阶段 |

**迭代节奏**：初稿目标 **65 分** → 修正后 **75–80 分** → 终稿。
先做好 **1 个案例**的格式和逻辑，验证通过后套用到其他案例。

---

## 二、五阶段总览

```
阶段0 准备资料（人工）
   ↓  对标视频链接 + 语音转写文案 + 产品信息 + 品牌调性
阶段1 文案获取（AI辅助 → 人工确认）
   ↓  抖音文案.md + video.mp4
阶段2 脚本仿写（AI初稿 → 人工确认）
   ↓  文案-仿写版.md（10 个版本）
阶段3 分镜生成（AI初稿 → 人工确认）
   ↓  分镜{序号}-{篇章名}.md
阶段4 素材生成（AI生成 → 人工确认）
   ↓  output/images/photo1..N.png + output/videos/视频1..N.mp4
阶段4.5 素材修正（AI辅助 → 人工确认）
```

### 各阶段命令映射（本技能仓）

| 阶段 | SOP 原本做法 | 本技能仓对应 |
|---|---|---|
| 0 准备 | 人工找对标视频 | 人工；`fmode-mv talk --script <口播稿>` 可跳过 1–2 |
| 1 文案获取 | yt-dlp 下载 + Whisper 转写 | **仓外环节**（需外部工具，本仓不含下载/转写） |
| 2 脚本仿写 | `flow/2-文案仿写prompt.md` | `templates/copywriting-prompt.md` + `fmode-mv talk`（内置 chatJSON） |
| 3 分镜生成 | `flow/3-分镜prompt1.1.md` | `templates/storyboard-prompt.md` + `fmode-mv storyboard` |
| 4a 照片生成 | `scripts/2-generate-photos.js` | `fmode-mv scene --scene-only` / `fmode-mv keyframe` |
| 4b 视频生成 | `scripts/3-generate-videos.js` | `fmode-mv video`（即梦，含 method=3 降级） |
| 4.5 素材修正 | `scripts/regenerate.js` | 重跑对应工序并加 `--shot <id> --force` |
| — 人物一致性 | 无（靠 prompt） | `fmode-mv character-sheet`（**本技能新增，补最大缺口**） |

---

## 三、阶段 0 · 准备资料（人工主导）

| 资料类型 | 具体内容 | 格式要求 |
|---|---|---|
| 对标视频 | 参考爆款视频链接或文件 | 抖音分享链接 / 本地视频文件 |
| 视频文案 | 对标视频的语音转写文本 | txt / md |
| 产品信息 | 卖点、买点、目标人群 | — |
| 品牌调性 | 语气、禁语、视觉风格 | — |

**人工确认点**

- [ ] 对标视频是否为目标爆款？
- [ ] 视频文案是否完整转写？
- [ ] 产品信息是否准确？品牌调性是否清晰？案例主题是否明确？

---

## 四、阶段 1 · 文案获取（AI辅助 → 人工确认）

**输出物**：`{项目目录}/抖音文案.md`、`{项目目录}/video.mp4`

**AI 作业要点**：一键下载 + 转写；支持抖音分享链接和本地视频；自动提取并保留原始分段结构。

> ⚠️ **本技能仓不含下载/转写**（依赖 yt-dlp / TikHub API / Whisper 等外部工具，
> 属仓外环境依赖）。KB 的做法见 `kb-raw/04-SOP工作流/…/flow/1-抖音文案获取流程.md`。
> 没有对标视频时，可直接用 `fmode-mv talk "主题"` 从零撰写（跳过本阶段）。

**人工确认点**

- [ ] 视频是否成功下载？文案转写是否完整？
- [ ] 分段结构是否保留？是否有遗漏的关键词或数据？

---

## 五、阶段 2 · 脚本仿写（AI初稿 → 人工确认）

**输出物**：`{项目目录}/文案-仿写版.md`（**10 个版本**）

**必须做到**（缺一不可）：

1. **必须使用救猫咪 15 节拍表**设计结构（见 `references/narrative-playbook.md` 第一节）
2. **必须选择 10 种爆款故事类型**之一
3. **必须设计人物弧光**（A 状态 → B 状态）
4. **必须使用嘴替式开场**
5. **必须使用 VOC 词汇**（去专业化）
6. 每条文案单独输出，标注序号；时长控制 60–120 秒

**输出格式**

```markdown
## 文案X：{篇章名称}

**标题**：「爆款标题」

**正文**：

{完整口播文案}

---
**素材要点**：
- 人物弧光：{描述}
- 故事类型：{类型}
- 核心冲突：{冲突}
```

**人工确认点（逐条打勾）**

- [ ] 标题是否去专业化？普通老板能看懂吗？
- [ ] 开头 3 秒是否有抓手？（**不能有自我介绍**）
- [ ] 是否有明显的认知反差或痛点？
- [ ] 讲故事时是否自然植入产品？
- [ ] 是否避免了 B 端黑话？（见第九节黑名单）
- [ ] 是否避免了 AI 味句式？
- [ ] 结尾是否有金句强化记忆？
- [ ] 整体是否有对话感，像在跟朋友聊天？
- [ ] 内容是否从**用户买点**出发，而不是产品卖点？
- [ ] 是否有具体数字 / 案例支撑？
- [ ] **是否已完成脱敏处理？**
- [ ] **15 节拍完整吗？人物有弧光吗？选对故事类型了吗？**
- [ ] **有清晰的前提吗？**（性格 + 行动 = 后果）
- [ ] **口播文案总时长与视频总时长匹配？**（语速约 4–5 字/秒）

**关键纠偏**

- **选题大于技巧** —— 好选题本身就是流量
- **讲买点不讲卖点** —— 讲用户完成后的价值
- **痛点共鸣** —— 「不会卖不出去」比「才能选对」更有力
- **故事先行** —— 用案例讲故事，产品自然植入

**语速与字数换算**（决定文案长度，必用）

- 每 10 秒视频**最多 50 个中文字符**，语速 **≤ 4 字/秒**
- 字数 > 35 → 至少 10s 镜头；> 25 → 至少 8s 镜头；**第一段至少 10s**
- 优先用 **5 / 8 / 10 秒**的镜头时长（与即梦 frames 约束对齐）

---

## 六、阶段 3 · 分镜生成（AI初稿 → 人工确认）

**输出物**：`{项目目录}/分镜{序号}-{篇章名}.md`

> 命名规则：**序号**对应文案中的第几个版本（1–10）；**篇章名**从文案标题提取关键词。

**分镜结构选择**（按内容类型）

| 结构 | 适用 |
|---|---|
| 救猫咪 15 节拍 | 90 秒 + 故事型 |
| 黄金三秒钩子 | 30–60 秒快节奏 |
| 嘴替式情感共鸣 | 60–90 秒信任型 |
| 10 种爆款故事类型 | 按类型匹配 |

**必须包含的四块**

````markdown
# {作品标题}

**话题标签**：#话题1 #话题2 #话题3
**总时长**：约90秒
**风格**：{风格描述}

---

#### 场景逻辑描述

```
照片1 → 视频生成 → 照片2 → 视频生成 → ...
```

#### 照片生成表格

| 分镜序号 | Prompt（英文） | 场景说明 |
| ---- | ---- | ---- |

#### 视频生成表格

| 视频段号 | 时长 | 生成方式 | 运镜 | prompt（中文） | 旁白/字幕 | 用到的分镜序号 |
| ---- | -- | ---- | ---- | ---- | ---- | ---- |

#### 口播台词（按时间轴）

| 时间 | 画面 | 口播台词 |
| ---- | ---- | ---- |
| 0:00-0:10 | {画面描述} | {口播台词} |

末尾附完整口播文案（纯文本），方便复制。
````

**硬性要求**

1. **首帧必须是楼外 / 空旷外部场景**（有利于图生视频）。
2. **第一段视频用推镜**（从室外推入室内）。
3. **末帧必须与首帧有视觉呼应**（闭环）。
4. **所有画面比例统一 16:9**（竖版项目统一 9:16）。
5. **每镜时长落在 5/6/7/8/9/10 秒**（即梦图生视频硬约束，见下）。
6. 人物必须使用中国人形象；**避免两个镜头出现同一个人物**（除非有 `character-sheet` 参考图）。
7. 相邻照片保持**色调连续性**。

**人工确认点**

- [ ] 首帧是楼外/空旷外部场景吗？第一段视频是推镜入室内吗？
- [ ] 人物有视觉弧光（服装/表情/环境变化）吗？
- [ ] 三层冲突都有画面表现吗？
- [ ] 景别变化丰富（大远→中→近→特写）吗？
- [ ] 节奏有张弛（每 10–15 秒一个小高潮）吗？
- [ ] 转场有设计（匹配/动势/淡入淡出）吗？
- [ ] 末帧与首帧有视觉呼应吗？
- [ ] AI 提示词足够具体（画面细节、风格、光影）吗？
- [ ] **口播台词时间轴与视频时长匹配？**
- [ ] **照片 → 视频映射完整？**（每张照片都有对应视频段）

---

## 七、阶段 4 · 素材生成（AI生成 → 人工确认）

### 7.1 照片生成

- **首张照片必须为楼外 / 空旷外部场景**
- 人物必须使用中国人形象
- 比例 16:9（竖版 9:16）；画质 2K 起

**即梦尺寸约束（实测，必须遵守）**

| 端点 | 面积 | 推荐尺寸 |
|---|---|---|
| `text2imgV3`（场景图） | `[512², 2048²]` | 1K `1664×936`(16:9) / 2K `2560×1440` |
| `getImgV4`（关键帧/人物） | **`[1024², 4096²]`** | 2K `2560×1440` / 4K `5404×3040` |

> 给 `getImgV4` 传 1280×720 会在**轮询阶段**才报 `height or width invalid`。
> 本技能仓已用 `assertValidSize()` 在本地拦下。

### 7.2 图片压缩（视频生成前预处理）

视频 API 的 base64 输入限制约 **4–5MB**（字符串长度），大 PNG 直接转 base64 会超限。

```js
const sharp = require('sharp');
// 2560×1440 PNG (~5.6MB) → 1280×720 JPEG q80 (~200KB)，base64 从 ~750 万字符降到 ~28 万字符
await sharp(inputPath).resize(1280, 720).jpeg({ quality: 80 }).toFile(outputPath);
```

> **本技能的等价实现**：`lib/jimeng.mjs` 的 `prepareImageUrl()`
> 用 ffmpeg 做同样的压缩（**零 npm 依赖**，不引入 sharp），再上传七牛拿公网 URL。

### 7.3 素材映射预检（视频生成前必做）

```
photo1 → 视频1(首帧), 视频1(尾帧)
photo3 → 视频2(首帧)
photo4 → 视频3(首帧)
...
```

- [ ] 每张照片（photo1..N）在分镜中都有对应的视频段？
- [ ] 视频脚本里的首帧路径都指向存在的文件？
- [ ] method=3 的两张图都存在？
- [ ] 映射关系与分镜文档一致？

> **踩坑记录**：元气森林项目中 photo1（楼外场景）生成了但没有对应视频，后期才发现需要补生成。

### 7.4 视频生成

```
frames = 24 × 秒数 + 1        （5秒=121，6秒=145，7秒=169，8秒=193，9秒=217，10秒=241）
```

**实测硬约束（比 KB 记载更严）**

- `frames` 范围 **`[121, 241]`**，且 **`frames % 24 === 1`** → 合法值只有 121/145/169/193/217/241
- 也就是说：**单镜只能是 5~10 秒的整数秒**
- 分辨率统一 **720p**（省钱；¥0.28/秒）
- 每个 prompt **必须包含背景音效描述**（如「温暖氛围音乐」「励志管弦乐」「科技感电子音」）
- 首段用 `method=3`（首尾帧，`config.image_urls = [首帧, 尾帧]` 数组）；其余用 `method=2`（首帧，单张）

**method=3 降级逻辑（必须内置）**

`method=3` 比 `method=2` 更容易失败（两张图数据量翻倍 + 首尾帧一致性要求更高）。

```js
async function generateVideo(data) {
  if (data.method === '3') {
    const result = await submitVideo({ ...data, method: '3' });
    if (result.data?.workId) return pollAndDownload(result.data.workId);
    console.log('method=3 失败，降级为 method=2');
  }
  return submitVideo({ ...data, method: '2' });   // 降级：只传首帧
}
```

**场景跨度大时禁用 method=3**（硬规则）：
室内→室外、人物→空镜这类差异过大的两帧会崩坏。
`method=3` 只用于：同场景连续动作、相似场景过渡、数据/状态渐变。

> 本技能的 `jimeng.img2video()` 已内置该降级，并在返回值里用 `degraded: true` **留痕**
> （绝不悄悄降级）。

### 7.5 人工确认点

- [ ] 照片按分镜序号生成了吗？人物形象符合要求吗？
- [ ] 场景与分镜描述一致吗？色调连贯吗？
- [ ] 视频生成成功吗？时长符合要求吗？运镜方式正确吗？
- [ ] 照片 → 视频映射完整？
- [ ] base64 大小未超限？（压缩后 < 50 万字符）
- [ ] 首段视频降级策略已准备？**每张照片都有对应视频？**

---

## 八、阶段 4.5 · 素材修正（AI辅助 → 人工确认）

**触发场景**：某张照片效果不符预期 / 某张照片没对应视频 / 某段视频运镜不理想 / 素材间视觉一致性需微调。

**作业流程**

```
人工检查素材 → 指出需修正项 → 重跑对应工序 → 验证修正结果
```

**本技能仓的修正方式**（比重写脚本更简单）：

```bash
# 单镜重做：只重跑第 3 镜，覆盖旧产物
fmode-mv scene  --from work/storyboard.json --shot 3 --force
fmode-mv video  --from work/storyboard.json --shot 3 --force

# 整个人物形象不满意 → 换描述重跑
fmode-mv character-sheet --desc "新的设定…" --force

# 素材全跳过只想重拼 → 直接重跑剪辑（零 API 费用）
fmode-mv assemble --from work/storyboard.json
```

**人工确认点**

- [ ] 修正后的素材与分镜描述一致？
- [ ] 修正后的素材与相邻素材色调连贯？
- [ ] 原有映射关系未破坏？

---

## 九、合规与表达边界

### 9.1 词汇黑名单（B 端黑话 → 人话）

| 禁止词 | 替代词 |
|---|---|
| 赋能 | 帮助、让…能做到 |
| 解决方案 | 方法、路、招 |
| 闭环 | 做完还能接着做 |
| 打法 | 做法、玩法 |
| 赛道 | 领域、市场 |
| 生态 | 体系、系统 |
| 矩阵 | 一套、组合 |
| 操盘 | 运作、运营 |
| 颗粒度 | 具体程度 |
| 链路 | 流程、步骤 |
| 认知 | 想法、认识 |
| 心智 | 印象、想法 |
| 壁垒 | 优势、护城河 |
| 精准 | 准、到位 |

### 9.2 脱敏处理规则（五条，逐条过）

1. **真实品牌名 → 泛指代称**（某品牌、某竞品）
2. **具体人名 → 「某总」、「某人」、「创始人」**
3. **真实地名 → 「某地」、「某某城市」**
4. **具体数字 → 模糊化**（如「数十亿」而非「23 亿」）
5. **可识别特征 → 抽象化描述**

### 9.3 其他红线

- 开头 3 秒**不得自我介绍**（详见 `references/narrative-playbook.md` 2.3）
- 禁用「值得注意的是…」这类 AI 报告腔
- 讲**买点**不讲卖点
- 不得伪造数据、案例、客户评价

---

## 十、质量检测清单（发布前总检查）

### 10.1 文案（阶段2）

- [ ] 标题去专业化 / 开头 3 秒有抓手 / 有认知反差或痛点
- [ ] 故事自然植入产品 / 避免 B 端黑话 / 避免 AI 味句式
- [ ] 结尾有金句 / 有对话感 / 从用户买点出发 / 有具体数字案例
- [ ] **完成脱敏处理 / 15 节拍完整 / 人物有弧光 / 选对故事类型**

### 10.2 分镜（阶段3）

- [ ] 首帧是楼外场景 / 第一段是推镜 / 人物有视觉弧光
- [ ] 三层冲突有画面 / 景别变化丰富 / 节奏有张弛 / 转场有设计
- [ ] 末帧与首帧呼应 / AI 提示词具体 / 比例统一
- [ ] **口播台词时间轴与视频时长匹配**
- [ ] **每镜时长 ∈ {5,6,7,8,9,10} 秒**

### 10.3 素材（阶段4）

- [ ] 照片按序号生成 / 人物是中国形象 / 场景与分镜一致 / 色调连贯
- [ ] 视频生成成功 / 时长符合要求 / 运镜正确
- [ ] **照片→视频映射完整**
- [ ] **base64 未超限**
- [ ] **首段视频降级策略已准备**
- [ ] **人物一致性有 `character-sheet` 参考图锁定**

### 10.4 修正（阶段4.5）

- [ ] 修正后素材与分镜描述一致 / 与相邻素材色调连贯 / 原有映射未破坏

---

## 十一、版本迭代节奏

### 11.1 单案例迭代

| 版本 | 目标 | 说明 |
|---|---|---|
| v1–v2 | 探索期 | AI 自由探索，发现方向 |
| v3–v4 | 收敛期 | 结合人工反馈逐步修正，收敛方向 |
| v5–v6 | 定型期 | 格式标准化，内容基本确定 |
| v7–v8 | 精修期 | 细节打磨，合规确认 |

### 11.2 跨案例标准化

1. 先完成 1 个案例的完整流程，验证模板可行性
2. 提取通用模板和 SOP
3. 套用到其他案例，按品类差异做局部调整
4. 最终形成标准化的智能体流程

---

## 十二、常见问题（Q&A）

**Q1：`binary_data_base64` 超限怎么办？**
现象：`Image Decode Error: invalid binary data file size`。
原因：API 对 base64 大小有限制，约 4–5MB（对应 ~3–4MB 原始图片）。
解决：压缩为 1280×720 JPEG quality 80 后再提交。本技能用 `prepareImageUrl()` 自动做。

**Q2：`method=3` 首尾帧模式请求失败怎么办？**
原因：两张图数据量翻倍，更容易超限；首尾帧对画面一致性要求更高。
解决：① 降级 `method=2` 重试；② 把 `method=2` 的 prompt 改成描述「从首帧到预期的过渡效果」；
③ 必须用首尾帧时，把两张图压到更小尺寸。**场景跨度大时改用 `method=2`。**

**Q3：照片没有对应视频怎么办？**
解决：跑素材映射预检；发现缺失时补视频段或调整分镜。

**Q4：视频生成结果和照片视觉效果不一致怎么办？**
解决：进入阶段 4.5，对照片重新压缩后再生成对应视频，并更新分镜文档中的 prompt。

**Q5：人物在不同镜头换脸怎么办？**（KB 未解，本技能新增解法）
先用 `fmode-mv character-sheet` 产出人物**多视图**，
再用 `fmode-mv scene --character out/character/4-多视图.png` 生成关键帧。
一致性从「靠提示词猜」变成「有像素级锚点」。

---

## 十三、变装视频工作流（另一套 SOP）

`kb-raw/04-SOP工作流/…/SOP-变装视频生成工作流/` 是一套**独立场景**的流水线（电商服装），
流程为六步，与本 SOP 共用底层即梦通道：

| 步 | 产出 | flow 文档 |
|---|---|---|
| 1 | 产品照片白底图 | `1-产品照片白底生成.md` |
| 2 | 衣架挂衣照片 | `2-衣架挂衣照片生成.md` |
| 3 | 模特上身效果 | `3-模特上身效果生成.md` |
| 4 | 3×3 细节网格 | `4-3x3细节网格生成.md` |
| 5 | 单张细节照片提取 | `5-单张细节照片提取.md` |
| 6 | 视频生成 | `6-视频生成.md` |

对应端点：`getImgV4_goods`（商品提取）、`getClothesV2`（虚拟换装）、`getActorV2`（动作模仿，¥0.4/秒）。
**成本**：换装跳舞视频 8–12 秒约 **¥15–24/条**（人工 ¥10 + 照片 ¥2 + 视频 ¥3.2–5）。

---

## 十四、参考文件索引

**本仓内**

- `references/narrative-playbook.md` —— 脚本层方法论（15 节拍 / 爆款类型 / 弧光 / 分镜）
- `templates/copywriting-prompt.md` —— 文案仿写模板
- `templates/storyboard-prompt.md` —— 分镜生成模板
- `templates/video-prompt.md` —— 视频生成模板
- `references/jimeng-api.md` —— 即梦通道全部端点与参数
- `references/production-evolution.md` —— 版本 1~6 演进与踩坑清单

**知识源（kb-raw，仓内保留）**

- `kb-raw/04-SOP工作流/…/SOP-视频脚本生成工作流.md`（含第九章合规边界）
- `kb-raw/04-SOP工作流/…/flow/`（1 获取 / 2 仿写 / 3 分镜 / 4 素材 / 4 封面）
- `kb-raw/04-SOP工作流/…/SOP-变装视频生成工作流/`