epub2podcast-gpt-image

name	epub2podcast-gpt-image
description	可独立运行的 GPT-Image 增强版 EPUB2Podcast：在本地把 EPUB 转成双人中文音频、GPT-Image/Smart Slide 视觉页、最终 MP4，并生成 YouTube 发布素材。
version	0.2.0
author	Hermes Agent
license	MIT
platforms	["linux"]
metadata	{"hermes":{"tags":["epub","podcast","smart-ppt","smart-slide","gpt-image","youtube","tts","video","mp4","standalone"]}}

EPUB2Podcast GPT-Image Standalone

这个 skill 对应的是 GPT-Image 增强 standalone 版本 的 epub2podcast 管线。旧的 Smart Slide 基础公开版保留在 epub2podcast/。用户只需要下载当前项目本身，就可以把 EPUB 转成：

• 双人中文播客脚本
• 分段音频
• 合并音频 full_podcast.mp3
• Smart Slide 图片 / HTML 源文件
• GPT-Image-2 视觉页（可选）
• 最终视频播客 final_podcast.mp4
• YouTube 标题、description、缩略图 prompt 与发布交接页

核心原则

• 本地运行
• 独立运行（不依赖外部 EPUB2PODCAST_PROJECT_ROOT）
• 不依赖 Supabase 持久化
• 不调用远端运行中的 epub2podcast 服务
• 交付物优先落本地目录，后续可再上传飞书
• 首屏书籍封面应优先走本地文件 + 本地 HTTP 临时地址，避免直接把超长 base64 塞进 HTML 导致模型输出截断、封面缺失

当前默认配置

• language=Chinese
• imageStyle.preset=smart_ppt
• imageStyle.colorTheme=gq_fashion
• imageStyle.pptModel=deepseek/deepseek-v4-flash
• apiProvider=openrouter
• textModel=deepseek-v4-flash
• 中文 TTS 默认走 volcengine
• 对 smart_ppt / antv_infographic 模式，脚本生成现在会同时启用：
  • 长书多章节采样输入（不再只吃书前 200k 字）
  • 更严格的 prompt 约束（覆盖开头/中段/结尾）
  • 硬校验与自动重试（段数、文本长度、预估时长不达标就失败重试）

依赖

当前机器需要：

• Node.js
• npm
• ffmpeg / ffprobe
• Chrome / Chromium（供 Puppeteer 截图 Smart Slide）
• OpenRouter / GPT-Image / Volcengine 等环境变量

注意：本公开版 skill 不会包含任何真实 API key、token、secret 或私有凭证；相关环境变量需由使用者自行提供。

推荐命令

主命令：

• node dist/cli/run.js 或 bash scripts/epub2podcast_local_run.sh
• node dist/cli/generate-gpt-images.js（对已有 delivery 生成 GPT-Image 视觉页，可选重合成 mp4）
• node dist/cli/regenerate-slide.js（只重生某一页，可选自动重合成 mp4）
• node dist/cli/compress-video.js（把最终 mp4 压到更适合上传的体积）
• python3 scripts/publish_podcast_site.py（生成 YouTube 发布交接页）

1) 最简单

node dist/cli/run.js --epub ./book.epub

2) 指定输出目录

node dist/cli/run.js --epub ./book.epub --output-dir ./deliveries

3) 覆盖主题或模型

node dist/cli/run.js \
  --epub ./book.epub \
  --output-dir ./deliveries \
  --color-theme gq_fashion \
  --ppt-model deepseek/deepseek-v4-flash \
  --text-model deepseek-v4-flash

4) 只重生某一页，并可选重合成视频

node dist/cli/regenerate-slide.js \
  --delivery-dir /path/to/delivery \
  --slide-index 0 \
  --recompose \
  --color-theme gq_fashion \
  --ppt-model google/gemini-3-flash-preview

说明：

• --slide-index 0 用于首页/封面页
• 首页会自动把 metadata/book.json 中的 coverImageBase64 落地到本地 assets/cover.*，并通过本地 HTTP 临时地址喂给 Puppeteer 渲染
• --recompose 会基于现有 full_podcast.mp3 + smart_slides/*.png 重写 final_podcast.mp4
• 不传 --recompose 时，只更新指定页的 PNG 和 HTML

5) 为飞书上传压缩 mp4

node dist/cli/compress-video.js \
  --input /path/to/final_podcast.mp4 \
  --output /path/to/final_podcast_feishu.mp4

6) 使用 GPT-Image-2 视觉页

node dist/cli/run.js \
  --epub ./book.epub \
  --output-dir ./deliveries \
  --visual-mode gpt-image-slide \
  --image-density segment \
  --resolution 1440x1080

如果已有 delivery，只想补生或重生 GPT-Image 视觉页：

node dist/cli/generate-gpt-images.js \
  --delivery-dir /path/to/delivery \
  --recompose

7) 生成 YouTube 发布交接页

metadata/marketing.json 会包含 title、description、thumbnailPrompt。如果 delivery 目录里已有 youtube_thumbnail.png/.jpg，发布脚本会优先原样使用该封面，不裁切、不补边。

python3 scripts/publish_podcast_site.py \
  --delivery-dir /path/to/delivery \
  --output-root ./published-podcasts

默认压缩策略：

• 保持原始分辨率与比例（例如 4:3 的 1440x1080）
• libx264
• -preset medium
• -crf 27
• -maxrate 2200k -bufsize 4400k
• 音频 aac -b:a 96k

适用场景：

• 当 lark-cli drive +upload 因 20MB 限制无法上传最终 mp4 时
• 先压出一个 *_feishu.mp4，再上传到用户指定的飞书云盘文件夹

交付目录结构

输出目录通常包含：

• source/
• audio_segments/
• smart_slides/
• smart_slides_html/
• gpt_image_slides/（使用 GPT-Image 模式时）
• gpt_image_raw/（使用 GPT-Image 模式时）
• metadata/book.json
• metadata/script.json
• metadata/marketing.json（YouTube 标题、description、缩略图 prompt）
• full_podcast.mp3
• final_podcast.mp4
• manifest.json

默认视频合成为 4:3 的 1440x1080（保持当前 slide 比例不变，不拉伸到 16:9）。

YouTube Description 规则

• 优先使用原管线生成的 metadata/marketing.json.description。
• 若必须 fallback，description 写内容价值、关键看点和时间轴，不要写“这期用双人播客的方式……”这类制作说明。
• 时间戳是内容段落划分，格式类似 [MM:SS] Topic / MM:SS 主题；不要把对应台词直接贴上去。
• 主题优先从 visualPrompt 的标题、字幕、关键句或结构化 【标题】... 中提取，缺失时再生成中性的章节标签。
• 发布前核验：至少 5 条有意义章节时间戳；无完整台词摘录；thumbnail prompt 与 description 生成逻辑保持分离。

细节见：references/youtube-marketing-description.md。

实战经验补充

持久输出目录优先

不要把交付目录默认放在 /tmp。

原因：

• /tmp 下的 delivery 目录可能在会话后被清理
• 后续如果要做“只重生某一页”“重新合成视频”“补传飞书”，会失去中间产物

推荐使用持久目录，例如：

./deliveries/epub2podcast-local

飞书上传限制（当前 lark-cli 路径）

lark-cli drive +upload 当前路径对单文件有 20MB 限制。

这意味着：

• full_podcast.mp3、封面图、单张 slide 通常可直接上传
• final_podcast.mp4 若超过 20MB，可能上传失败

典型错误：

file 23.9MB exceeds 20MB limit

遇到这种情况时：

1. 先上传 mp3 / cover / 首图 / manifest / metadata
2. 再决定是否：
   • 重新压缩 mp4 到 20MB 以下
   • 或改走别的交付通道

脚本生成保障（2026-04 更新）

针对 smart_ppt / antv_infographic 模式，当前本地管线已经补上三层保障，用于避免“只生成 6-7 分钟短播客、只覆盖书前半部分”的问题：

1. 长书输入覆盖

   • 不再简单只截取书前 200k 字作为脚本生成输入
   • 优先使用章节级输入：完整章节大纲 + 按全书均匀采样的章节摘录
   • 强制提示模型覆盖开头 / 中段 / 结尾，而不是只围绕前几章

2. 更严格的 smart_ppt 约束

   • 明确要求输出 18-22 段
   • 中文场景下要求更高的对话密度（至少约 3200 中文字符，推荐更高）
   • 明确要求脚本覆盖多个章节 / 主题 / 对象，而不是只讲第一个案例

3. 硬校验 + 自动重试

   • 生成后做程序化质量闸门：
     • 段数是否在 18-22
     • 对话总长度是否达标
     • 预估时长是否至少约 10 分钟
     • 是否存在过多过短 segment
   • 不达标则直接判失败，交由脚本生成重试逻辑继续尝试

验证结果（真实案例）

在《十件古物中的丝路文明史》样本上：

• 修复前：13 段，约 6分39秒
• 修复后：18 段，约 14分10秒

因此，当用户反馈“播客太短”时，优先检查是否走到了上述新逻辑；如果没有，先同步代码或重建产物，再重新运行。

已知问题与排查

首屏缺少书籍封面（local 版常见）

如果用户反馈：

• 本地版 final_podcast.mp4 第一页右侧没有封面
• 但另一个实现路径同一本书第一页有封面

优先按下面顺序排查：

1. 检查 metadata/book.json 是否存在 coverImageBase64
   • 如果存在，说明 EPUB 解析阶段已经成功提取封面，问题不在 parser。
2. 检查 smart_slides_html/000.html
   • 搜索是否有 <img class="book-cover" ...>
   • 如果 HTML 里有 <img src="data:image/...;base64,...">，但最终 PNG / MP4 里看不到封面，说明问题出在 HTML -> Puppeteer 渲染链路。

经验结论

在当前这套 local 管线里：

• 直接把超长 base64 data URI 塞进第一页 <img src> 不够稳
• 可能出现：
  • LLM 生成的 HTML 里明明有 <img>
  • 但 Puppeteer page.setContent() 后，最终 DOM/截图里封面消失

这会导致：

• smart_slides_html/000.html 看起来有封面代码
• smart_slides/000.png 和最终 mp4 却没有封面

推荐修法

把 local 管线进一步稳固：

• 不要直接把 coverImageBase64 传给第一页 prompt
• 先把封面落成一个可访问资源，再传 URL

推荐优先级：

1. 最稳：启动一个本地 HTTP 可访问地址，再传 http://.../cover.jpg
2. 若项目允许外部存储：上传到对象存储/云存储，传公开 URL
3. 不推荐继续直接传超长 data:image/...;base64,...

调试提示

若要快速确认是不是这个问题：

• 用视觉或直接检查 smart_slides/000.png，确认右侧是否空白
• 再检查 smart_slides_html/000.html 是否仍然包含 <img>
• 如果 HTML 有 <img>、最终图片无封面，基本就能锁定为 local 首屏封面资源引用方式不对

播客时长明显偏短（例如只有 6-8 分钟）

如果用户反馈：

• 一本正常长度的书只生成了很短的播客
• 预期应该在 10-15 分钟甚至更长
• 怀疑不同运行路径逻辑不一致

优先检查以下几点：

1. metadata/script.json 的段数与总文本量
   • 当前经验：如果只有 12-13 段、总文本很短（例如 2000 多中文字符），最终时长通常会落到 6-8 分钟
2. src/services/scriptService.ts 的真实验收逻辑
   • prompt 虽然要求 15 分钟 / 4500 words / 18-22 segments
   • 但某些模型分支若只做极弱校验，13 段短文本也可能被直接放行
3. 输入给脚本生成模型的正文是否被截断
   • 如果只把正文前 200000 字符送入模型，长书就容易只覆盖前半本内容，覆盖度和时长都会受影响

对这个问题的经验结论

当用户说“播客应该至少 10 分钟，为什么这么短”时，优先怀疑：

• 脚本生成约束只写在 prompt 里，没有代码级强验收
• 长书输入被前 200k 字符截断，导致覆盖范围不足

而不是优先怀疑：

• ffmpeg 合成
• TTS 合成
• 封面页逻辑

建议修法

1. 在脚本生成后增加硬校验：
   • 段数必须在 18-22
   • 总文本长度达到阈值
   • 预估总时长达到阈值（例如至少 10 分钟）
2. 若不满足，自动重试或切更强模型，而不是直接进入 TTS
3. 不要只使用前 200k 字符；长书应改为：
   • 章节摘要后再生成，或
   • 从全书多段采样，避免内容只集中在前半本

自然语言触发建议

当用户说：

• “把这个 EPUB 做成带 Smart Slide 的视频播客”
• “生成双人音频 + 最终 mp4”
• “本地跑 epub2podcast，不要依赖 Supabase”

优先使用本 skill。