| name | hot-video-clone |
| description | 爆款视频复刻 — 推一个爆款视频，自动推理爆款逻辑并生成同款、本人真人出镜的视频。hot video clone, same-style, real-person, 数字人, 口播, BGM |
| version | 1.0.0 |
| icon | 🎬 |
| author | @rsclaw |
爆款视频复刻 (hot-video-clone)
给我一个爆款视频（URL 或本地文件）+ 一个本人档案名，我会：
- 下载并拆解它的爆款逻辑（钩子/节奏/分镜/文案/BGM 情绪）
- 结合你的人设写出同款脚本
- 生成同款视频，用你本人的脸和声音出镜口播
- 配 BGM、拼接、加转场、按节拍近似卡点，交付成片
需要 agent profile 开启 shell 工具（用于 ffmpeg）。ffmpeg 首次使用会自动安装。
优先级规则
- 若 jimeng 插件已安装（存在
skills/jimeng 或可调用其 web_browser 流程），生成阶段优先走 jimeng（它支持 i2v + 声音克隆 + 数字人）。
- 否则走内置工具链：
image_gen → video_gen → avatar_gen → voice_gen → music_gen。
Step 0: 加载本人档案
档案目录：~/.rsclaw/profiles/<name>/，包含：
face.jpg — 本人正脸照voice.wav — 本人语音样本（用于声音克隆）voice.txt — 该样本的文字稿（可选，提升克隆保真）profile.json5 — { name, persona, voice_id?, default_aspect: "9:16" }
读取并校验 face.jpg、voice.wav 是否存在：
{"tool": "shell", "command": "ls -la ~/.rsclaw/profiles/<name>/"}
若 face.jpg 或 voice.wav 缺失，停止并提示用户：先把正脸照放到 ~/.rsclaw/profiles/<name>/face.jpg、语音样本放到 voice.wav（建议 10–30 秒清晰人声），再重试。
Step 1: 下载并拆解爆款逻辑
1a. 拿到本地 mp4
若输入是 URL（用 web-video-download skill 的方式抓真实地址再下载）：
{"tool": "web_browser", "action": "capture_video", "url": "<viral_url>"}
{"tool": "web_download", "url": "<best_mp4_url>", "path": "ref.mp4", "use_browser_cookies": true}
若输入已是本地文件，跳过下载，记其路径为 ref.mp4。
1b. 抽分镜帧 + 抽原声 + 测时长
{"tool": "shell", "command": "ffmpeg -i ref.mp4 -vf fps=1/2 -vframes 12 frame_%02d.jpg -y && ffmpeg -i ref.mp4 -vn -ar 16000 -ac 1 ref.wav -y && ffprobe -v error -show_entries format=duration -of default=nk=1:nw=1 ref.mp4"}
1c. VLM 推理爆款逻辑
把 frame_01.jpg..frame_12.jpg 作为图片输入，让视觉模型分析，产出结构化结论：
- 选题/赛道
- 钩子（前 3 秒发生了什么）
- 节奏（镜头平均时长、快慢）
- 分镜结构（开场→展开→反转→收尾，各占几镜）
- 文案/口播风格
- BGM 情绪与风格（用于后续 music_gen）
- 估算 BPM（从原声节奏粗估，用于近似卡点；测不准则记 null）
把结论以简洁要点写进上下文（后续步骤引用）。
Step 2: 写同款创作方案
结合 Step 1 的爆款逻辑 + 本人档案的 persona，产出一份创作方案（不复制原文案，做同款重写）：
- 口播全文（用户母语，贴合 persona 口吻）
- 分镜脚本：一个有序列表，每镜含
role: talk（本人出镜口播）或 broll（画面镜头）dur: 时长秒（参考原片节奏）desc: 画面描述（broll 用于 image_gen/video_gen 提示词）line: 该镜对应的口播句（talk 镜用）
- BGM 提示词：基于 BGM 情绪/风格，给 music_gen 的一句话描述
把该方案写进上下文，后续生成逐镜引用。建议总时长贴近原片。
Step 3: 生成素材
路线 A（优先）：jimeng 插件可用
按 jimeng skill 的 web_browser 流程：
- 图生视频 / 数字人 / 声音克隆均走 jimeng。
- 用本人档案
face.jpg 作数字人参考、voice.wav 作声音克隆参考。
- 逐镜生成 talk（数字人口播）与 broll（i2v）片段，下载到本地
seg_NN.mp4。
若 jimeng 出整片（已含口播+画面），可直接进 Step 5 交付，跳过 ffmpeg 合成。
路线 B（回落）：内置工具链
B1. 本人口播音轨（声音克隆） — 对每个 talk 镜的 line：
{"tool": "voice_gen", "text": "<line>", "reference_audio": "~/.rsclaw/profiles/<name>/voice.wav", "reference_text": "<voice.txt 内容，可选>"}
保存返回音频为 talk_NN.wav。
B2. 本人出镜口播段（对口型） — 对每个 talk 镜：
{"tool": "avatar_gen", "image": "~/.rsclaw/profiles/<name>/face.jpg", "audio": "talk_NN.wav"}
等 job 完成，下载为 seg_NN.mp4（竖屏，9:16 或 profile.default_aspect）。
B3. b-roll 画面 — 对每个 broll 镜：
{"tool": "image_gen", "prompt": "<desc>", "aspect_ratio": "9:16"}
拿到首帧 shot_NN.jpg 后做图生视频：
{"tool": "video_gen", "image": "shot_NN.jpg", "prompt": "<desc>", "duration": 5, "aspect_ratio": "9:16"}
等 job 完成，下载为 seg_NN.mp4。
B4. BGM —
{"tool": "music_gen", "prompt": "<BGM 提示词>"}
保存返回音频为 bgm.wav。
生成后：各镜片段按脚本顺序命名 seg_01.mp4 .. seg_NN.mp4，口播总音轨拼成 voice.wav（见 Step 4），bgm.wav 备用。
Step 4: 合成成片（仅路线 B；jimeng 出整片则跳过）
目标规格：竖屏 9:16、1080x1920、30fps、AAC 音频。
4a. 统一每段规格
对每个 seg_NN.mp4：
{"tool": "shell", "command": "ffmpeg -i seg_NN.mp4 -vf scale=1080:1920:force_original_aspect_ratio=increase,crop=1080:1920,fps=30 -c:v libx264 -c:a aac -ar 48000 norm_NN.mp4 -y"}
4b. 近似卡点（可选，BPM 已知时）
拍长 = 60 / BPM 秒。把每段裁到最接近整数拍的时长（≥1 拍），使切换大致落在节拍上：
{"tool": "shell", "command": "ffmpeg -i norm_NN.mp4 -t 1.6 -c copy cut_NN.mp4 -y"}
（-t 取 round(dur/beat)*beat；BPM 未知则跳过本步，直接用 norm_NN.mp4。）
4c. 带转场拼接（相邻段 0.3s 交叉溶解）
按顺序对相邻段用 xfade（多段时链式重复，offset = 上一段累计时长 - 0.3）：
{"tool": "shell", "command": "ffmpeg -i cut_01.mp4 -i cut_02.mp4 -filter_complex \"[0][1]xfade=transition=fade:duration=0.3:offset=1.3\" -c:v libx264 video_only.mp4 -y"}
（多段时逐步把上一步输出与下一段再 xfade；保持 video-only，音频在 4d 统一处理。）
4d. 口播音轨拼接
把所有 talk 镜的 talk_NN.wav 按顺序 concat 成 voice.wav：
{"tool": "shell", "command": "printf \"file 'talk_01.wav'\\nfile 'talk_02.wav'\\n\" > vlist.txt && ffmpeg -f concat -safe 0 -i vlist.txt -c copy voice.wav -y"}
4e. BGM 混音 + ducking（口播时压低 BGM）
用 sidechaincompress 让口播盖过 BGM：
{"tool": "shell", "command": "ffmpeg -i video_only.mp4 -i voice.wav -i bgm.wav -filter_complex \"[2:a]volume=0.35[bg];[bg][1:a]sidechaincompress=threshold=0.03:ratio=8:attack=20:release=300[duck];[1:a][duck]amix=inputs=2:duration=longest[mix]\" -map 0:v -map \"[mix]\" -c:v copy -c:a aac -shortest final.mp4 -y"}
成片为 final.mp4。
Step 5: 交付
把成片发给用户，并附一段文字版「爆款逻辑分析」（Step 1 的结论要点）：
{"tool": "send_file", "path": "final.mp4"}
Rules
- 生成阶段：jimeng 可用则优先；否则内置工具链。
- 口播必须用本人档案的脸（avatar_gen）+ 克隆音色（voice_gen reference_audio）。
- 不复制原视频文案/画面，做「同款」重写，规避侵权。
- ffmpeg 路径：所有中间文件用相对文件名（与 web-video-download 一致），不要
~/ 或绝对路径作为输出 path。
- BPM 测不准就不卡点，按脚本时长顺序拼接，不要硬猜。
- 不自动配 BGM 歌词/人声，只用 music_gen 的纯 BGM。
