hot-video-clone

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：

1. 下载并拆解它的爆款逻辑（钩子/节奏/分镜/文案/BGM 情绪）
2. 结合你的人设写出同款脚本
3. 生成同款视频，用你本人的脸和声音出镜口播
4. 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。