| name | agentkit-multimedia-shopping |
| description | 基于ByteDance agentkit-samples多媒体用例的小省导购员数字人带货视频生成技能，整合多模态内容生成能力（图像、视频、音频），支持AI绘画、语音合成、视频生成，与小省导购员人设融合，9:16竖屏适配，直接对接带货视频生成流程 |
| dependency | {"python":["Pillow>=10.0.0","requests>=2.28.0","numpy>=1.24.0"],"system":["echo \"Skill已加载\""]} |
AgentKit多媒体小省导购员数字人带货
任务目标
- 本技能用于：基于ByteDance agentkit-samples多媒体用例，生成小省导购员数字人带货视频的多模态内容
- 能力包含：
- AI绘画生成（小省导购员角色形象、场景背景）
- 语音合成（导购员语音、背景音乐）
- 视频生成（多模态组合）
- 工作流编排（图像→音频→视频→成片）
- 触发条件：用户需要生成小省导购员数字人带货视频，使用agentkit-samples的多媒体能力
前置准备
依赖说明
本技能依赖以下Python包：
Pillow>=10.0.0
requests>=2.28.0
numpy>=1.24.0
环境准备
- 安装agentkit-samples（如需要）
- 准备API凭证（如涉及第三方服务调用）
- 准备小省导购员角色固定特征描述
前置知识
- 了解ByteDance agentkit-samples多媒体用例的基本功能
- 了解AI绘画、语音合成、视频生成的基本原理
- 了解9:16竖屏视频规格
操作步骤
标准流程
1. 角色形象生成
使用AI绘画生成小省导购员角色形象：
输入信息：
- 角色固定特征（脸型、发型、服饰、气质）
- 场景类型（商务场景）
- 情绪基调（热情、专业、亲切）
生成流程：
- 读取 references/character-profile.md，获取小省导购员角色固定特征
- 调用 scripts/generate_character.py 生成角色形象
- 裁剪为9:16比例，分辨率≥1080×1920
- 保存参考图（供InfiniteTalk使用）
输出：角色参考图（9:16竖屏）
2. 场景背景生成
使用AI绘画生成场景背景：
输入信息：
- 场景类型（商务会议室、书房、洽谈室、大厅、办公室）
- 情绪基调（冷调、暖调、中性）
- 光影描述（侧光、顺光、顶光、逆光）
生成流程：
- 读取场景模板，选择对应场景类型
- 调用 scripts/generate_scene.py 生成场景背景
- 裁剪为9:16比例，分辨率≥1080×1920
- 保存场景参考图
输出：场景参考图（9:16竖屏）
3. 语音合成
使用TTS生成导购员语音：
输入信息：
- 话术内容（带货文案）
- 语音类型（语速、语气）
- 情绪基调（热情、专业、亲切）
生成流程：
- 准备话术内容（符合小省导购员人设）
- 调用 scripts/generate_voice.py 合成语音
- 导出为16kHz单声道wav格式
- 保存语音文件（供InfiniteTalk使用）
输出：语音文件（16kHz单声道wav）
4. 背景音乐生成
使用音乐生成工具生成背景音乐：
输入信息：
- 情绪基调（热情、专业、紧迫、亲切）
- 音乐风格（管弦乐、钢琴、弦乐）
- 时长（5秒/幕）
生成流程：
- 根据情绪基调选择音乐风格
- 调用 scripts/generate_music.py 生成音乐
- 导出为16kHz单声道wav格式
- 保存音乐文件（供InfiniteTalk使用）
输出：音乐文件（16kHz单声道wav）
5. 视频生成
使用多模态组合生成视频：
输入信息：
- 角色参考图（9:16竖屏）
- 场景参考图（9:16竖屏）
- 语音文件（16kHz单声道wav）
- 音乐文件（16kHz单声道wav）
- 提示词（InfiniteTalk专用）
生成流程：
- 读取InfiniteTalk专用提示词（使用infinitetalk-shopping-avatar Skill生成）
- 调用 scripts/generate_video.py 生成视频
- 生成5幕视频（每幕5秒）
- 拼接完整视频（总时长25秒）
输出：完整视频（25秒，9:16竖屏）
可选分支
- 当仅需生成角色形象：执行步骤1
- 当仅需生成场景背景：执行步骤2
- 当仅需生成语音：执行步骤3
- 当仅需生成背景音乐：执行步骤4
- 当仅需生成视频：执行步骤1-5
资源索引
注意事项
- 角色一致性：所有生成的角色形象必须严格遵循角色固定特征
- 分辨率匹配：所有图像必须为9:16竖屏，分辨率≥1080×1920
- 音频格式：所有音频必须为16kHz单声道wav格式
- 情绪适配：语音和音乐必须与场景情绪匹配
- 工作流顺序：严格按照图像→音频→视频的顺序生成
- 与InfiniteTalk协同：使用infinitetalk-shopping-avatar Skill生成提示词
使用示例
示例1：生成完整带货视频
功能说明：生成小省导购员数字人带货视频的完整流程
执行方式：
- 生成角色形象（调用generate_character.py）
- 生成场景背景（调用generate_scene.py）
- 合成导购员语音（调用generate_voice.py）
- 生成背景音乐（调用generate_music.py）
- 生成视频（调用generate_video.py，结合InfiniteTalk提示词）
关键参数：
- 角色固定特征：严格遵循character-profile.md
- 场景类型：商务场景
- 情绪基调：热情专业
- 分辨率：1080×1920（9:16竖屏）
- 音频格式：16kHz单声道wav
输出：完整带货视频（25秒，9:16竖屏）
示例2：仅生成角色参考图
功能说明：仅生成小省导购员角色参考图
执行方式：调用generate_character.py
关键参数：
- 角色固定特征：严格遵循character-profile.md
- 情绪基调：热情专业
- 分辨率：1080×1920（9:16竖屏）
输出：角色参考图（9:16竖屏）
工作流总结
角色固定特征描述
↓
AI绘画生成（角色形象+场景背景）
↓
语音合成（导购员语音+背景音乐）
↓
InfiniteTalk提示词生成（使用infinitetalk-shopping-avatar Skill）
↓
多模态视频生成（图像+音频+提示词）
↓
完整带货视频（25秒，9:16竖屏）
与InfiniteTalk的协同
本技能与infinitetalk-shopping-avatar Skill协同工作：
- 本技能：生成多模态内容（图像、音频）
- infinitetalk-shopping-avatar Skill：生成InfiniteTalk专用提示词
- InfiniteTalk：使用多模态内容和提示词生成视频
协同流程：
本技能生成角色参考图 → infinitetalk-shopping-avatar生成提示词 → InfiniteTalk生成视频
本技能生成语音文件 → chinese-wav2vec2-base编码 → InfiniteTalk使用
本技能生成音乐文件 → chinese-wav2vec2-base编码 → InfiniteTalk使用
