video-forge

name	video-forge
description	视频制作全链路：素材入库 → 剧本冻结 → 全局配音 → 对齐 → 渲染 → 审查 → 交付。 Use when: 做视频、做 showcase、做教程视频、录屏剪辑、video review、节奏审查。 Not for: 纯代码开发（用 worktree/tdd）、纯文档写作（直接写）、PPT（用 ppt-forge）。 Output: schema 驱动的视频成片 + 多猫审查通过 + 可发布。

Video Forge — AI 视频生产线

关联 Feature: F138 Video Studio 技术收敛纪要: 2026-04-05 三猫收敛

核心原则

视频不是一只猫的活，是多猫流水线 + operator素材。 角色按当前 roster 可用猫分配。

• 主执行猫（当前持球猫）：video-spec 编排 + Remotion 渲染 + 对齐集成
• QA/审查猫（跨 family）：音画同步 QA + 事实审查 + schema review
• 视觉把关猫（跨 family）：节奏/调性审查 + 字幕/排版设计 + retiming 风格把关
• operator：素材录制 + 粗标时间点 + 剧本确认 + 审片

铁规矩

1. 全局音频，不段级切碎 — TTS 拿完整剧本一口气读完，保住情绪和呼吸感（KD-12）
2. 不赌 TTS 原生 timestamps — forced alignment 出时间戳（KD-10）
3. 拒绝暴力慢放 — 画面不够时：FREEZE_STYLIZED > B_ROLL > SLOW_MO（KD-14）
4. Contract 和 Renderer 解耦 — video-spec JSON 是真相源，Remotion/FFmpeg 是可替换渲染器

两条生产路径

	路径 B：先脚本后素材	路径 A：先素材后配音
触发	"做个 showcase/教程视频"	"这段录屏帮我配个音"
人的输入	分镜脚本 + 素材 + 粗标	原始视频 + 风格关键词
spec 来源	人写	模型生成（PySceneDetect + VLM）
Phase	Phase 1 主攻	Phase 3 引入

两条路径共享同一套 segment contract + 渲染层。

开局参数（必须声明）

参数	说明	示例
类型	视频类型	showcase / 教程 / 攻防战 / 播客
时长目标	成片目标时长	60s / 3min / 6-8min
调性	整体情绪基调	真实生活感 / 高燃极客 / 温馨猫咖
受众	谁看这个视频	linux.do 社区 / B 站观众 / 内部
配音方案	猫猫配音 / 纯字幕 / 原声	单猫旁白 / 多猫声线 / 无配音

没有开局参数 = 审查没有标准。开工前必须和operator确认。

场景路由（路径 B）

触发	场景	主导	说明
operator说"做个视频"	A: Brief + 素材盘点	主执行猫	确认开局参数 + 分镜表 + 素材需求清单
operator确认分镜	B: 素材入库	operator录 + 主执行猫压缩归档	素材放 docs/videos/{project}/assets/，粗标写 asset-markers.md
素材到齐	C: video-spec 冻结	主执行猫	写 video-spec JSON（4 层 segment contract），operator确认
spec 确认	D: 全局配音 + 对齐	主执行猫	CosyVoice 全局配音 → Qwen3-ForcedAligner → word_timestamps
对齐完成	E: Remotion 渲染	主执行猫	schema → inputProps → preview render
预览版出来	F: 审查 Gate	全部参与猫 + operator	见下方审查标准
审查通过	G: Final Render + 交付	主执行猫	高质量渲染 + 封面导出 + 发布
operator不满意	R: Patch Loop	主执行猫 + 视觉把关猫	retiming / 重录 / 重写段落

审查 Gate（F 场景）

F1: 音画同步审查（QA/审查猫）

级别	维度	判定
P1	配音和画面脱节	说到 X 时画面不是 X
P1	时间戳偏移	字幕和声音对不上（>200ms）
P1	音频断裂	段间有不自然的静音或跳跃
P2	音量不均	原声和配音音量差异大

F2: 节奏/调性审查（视觉把关猫）

级别	维度	判定
P1	暴力慢放	画面被强行降速拉伸，卡顿拖沓
P1	节奏断裂	高燃段突然变慢 / 温馨段突然快切
P2	vibe 不连贯	整体情绪没有起承转合
P2	字幕风格不一致	不同段落字幕样式混乱

F3: 内容审查（operator）

级别	维度	判定
P1	事实错误	展示的功能/数据不对
P1	敏感信息泄露	截图里有 token / API key / 私人信息
P2	画面选取不佳	"这段换个更好的片段"

素材管理规范

目录结构

docs/videos/{project-name}/
├── asset-markers.md       ← 素材标注表（operator + 主执行猫共同编辑）
├── video-spec.json        ← segment contract（主执行猫生成）
├── voice-script.md        ← 配音剧本（主执行猫草稿 + operator确认）
└── assets/                ← 原始素材（gitignore, 仅本地）
    ├── 1-xxx.mov
    ├── 2-xxx.mov
    └── ...

素材压缩标准（入库前）

ffmpeg -i input.mov -c:v libx264 -crf 23 -c:a aac -b:a 128k output.mp4
# 目标：1080p, CRF 23, AAC 128k

粗标格式（operator填）

时间 | 画面内容
0:00 - 0:50 | operator在打字
0:50 - 1:20 | Ragdoll开始回复，1:20 Maine Coon跟上

retiming 策略优先级

当配音长度和画面长度不匹配时，按以下优先级选择策略：

优先级	策略	说明	适用场景
1	TRIM	裁剪多余部分	画面比配音长
2	FREEZE_STYLIZED	定格末帧 + 毛玻璃/排版	配音比画面长，差距小
3	B_ROLL	插入空镜/截图/动效	配音比画面长，差距大
4	SLOW_MO	适度降速（≥0.7x）	仅当画面本身适合慢放
5	LOOP	往复循环	最后手段

绝对不允许 <0.7x 的慢放。 如果需要填充超过 30% 的时间差，必须用 B_ROLL 或 FREEZE_STYLIZED。

常见错误

错误	修正
TTS 逐段切碎生成	完整剧本全局配音，forced alignment 分段
赌 TTS 原生 timestamps	用 Qwen3-ForcedAligner / WhisperX
画面不够就暴力慢放	按 retiming 优先级处理
没压缩就用原始素材	入库前统一压缩（CRF 23）
segment contract 扁平不分层	4 层：source/narration/render/control
加速后沿用原始时间轴切段	加速会压缩时长，后续段的起始时间必须重新计算。 例：A 段原 130s 以 2x 输出 65s，B 段在 final timeline 从 65s 开始而非 130s。用 output duration 逐段累加，不要用 source timestamps 直接拼
只加速长等待段忽略短等待	分段不够细时，"Thinking"状态可能散落在多个区间里。逐段审素材，把所有等待态都标出来分别处理

技术栈

层	组件	License
渲染	Remotion v4（Phase 1）/ FFmpeg（底层）	Remotion License / LGPL
TTS	CosyVoice（已有猫猫声线）	Apache-2.0
对齐	Qwen3-ForcedAligner（首选）/ WhisperX（备选）	Apache-2.0 / BSD-2
队列	BullMQ（Phase 2 引入）	MIT
切分	PySceneDetect（Phase 3 路径 A）	BSD-3
VLM	Qwen2.5-VL-3B（Phase 3 路径 A）	Apache-2.0

Next Step

路径 B 完整流程跑通后 → quality-gate（自检）→ request-review（QA/审查猫审音画，视觉把关猫审节奏）