interflow-ip-video

name	interflow-ip-video
description	把中文文稿做成 Interflow Bold-Mono 竖屏口播视频——火山引擎声音复刻配音（你自己的克隆音，1.2x 紧凑口播）、RMS 响度包络驱动口型的常驻 IP 小人（浮动/眨眼/点头/指向/抬手/欢迎）、暗底网格+辉光线稿的数据可视化（d3 平滑图表/迁移弧线/时间轴/象限等 10+ 种形式）、玻璃拟态词级字幕，渲染成 1080x1920 MP4。用户说「IP 小人视频 / 用我的声音出片 / interflow 风格文生视频 / bold-mono 出片」，或给一段中文文稿要做成带小人配音的竖屏视频时使用。

Interflow IP 小人口播视频

输入一段中文文稿 → 你的克隆音配音 + IP 小人讲解 + 数据可视化 → 竖屏 MP4。 底座 HyperFrames（faceless-explainer 管线脚本），设计系统 = Bold-Mono 暗底质感版

• v2 设计 DNA（guizang 秩序：8 档字阶/间距档位/图内文字纪律）+ 动效系统（Emil 决策树：EASE/DUR tokens + fadeUp/popIn helpers），都已进生成器与 gate。

依赖（首次先查；环境搭建步骤见 README.md）

• npx hyperframes --version 可用（≥0.7.5x），ffmpeg/ffprobe 可用
• 管线 skill faceless-explainer（HyperFrames 套件，提供 audio/captions/assemble/transitions 脚本）
• TTS Python 环境：任意 venv 装好 requests soundfile numpy faster-whisper edge-tts（建议再装 zhconv）， 并 export TTS_PYTHON=<venv>/bin/python（未设则脚本用 python3）
• 声音（三档，详见 README「声音的三档」）：第 0 档 edge-tts 免费声——零账号零凭证，走 scripts/tts_free.py，无 .env 时用这档，照常出完整片；第 1 档 火山标准音色 / 第 2 档 你自己的声音复刻——cp .env.example .env 填入你自己的 VOLC_APPID / VOLC_ACCESS_TOKEN / VOLC_SPEAKER_ID（.env 已在 .gitignore，绝不提交/外传）
• 可选但建议：scripts/voice_baseline.py 从你的真实录音提 voice_baseline.json 存 skill 根—— take 筛选与验收的语速项按它比；没有基准时这些检查自动跳过
• 个人层（可选）：skill 根若存在 LOCAL.md（已在 .gitignore，永不入库），先读它——这台机器 主人的私人触发词与默认声音档位在里面，与本文件冲突时以 LOCAL.md 为准。
• 管线脚本路径：必须用 realpath FE=$(cd ~/.claude/skills/faceless-explainer/scripts && pwd -P)。 坑：若 faceless-explainer 目录是 symlink，Node ESM 会 realpath 模块， 导致 captions.mjs 的自运行守卫 resolve(argv[1])===import.meta.url 不匹配 → 静默退出 0、不产字幕 （assemble 报 captions track2: no）。用 pwd -P 拿真实路径调所有 $FE/*.mjs 即可绕过。

工作流（复制此清单逐步走）

• 1 起项目：bash <SKILL_DIR>/scripts/new_project.sh videos/<项目名>（init + 拷入 frame.md / character.svg / 玻璃字幕皮肤）
• 2 写 SCRIPT.md：先过口语化改写（references/oral-script.md：短句 ≤20 字、标点即停顿标记、…… 思考长停每稿 ≥2 处、语气词进稿、个人语感禁用词——书面语禁止直接进 TTS，稿首加 <!-- oral-rewrite --> 留痕）。一镜一句，格式硬约束——## Line N — <标签> (Frame N) 标题 + 4 空格缩进的口播原文（解析器只认缩进行）。8–12 镜、每句 ≤35 字为宜。写完先分幕：把句子分成 3–5 个场景组（幕），每幕一个论点——这决定步骤 3 的幕尾气口、步骤 4 的转场和步骤 5 的骨架继承，是节奏的总开关。
• 3 配音：正式出片走双 take 路径——"${TTS_PYTHON:-python3}" <SKILL_DIR>/scripts/tts_takes.py --script SCRIPT.md --out-dir . --baseline <SKILL_DIR>/voice_baseline.json --gap-map "<幕尾帧号>"（每句 2 take：ASR 回读毙错读/吞字、语速对真人基准带筛、…… 长停不足在词边界物理补静音；exit 3 = 有句要改写重跑，exit 2 = 拿不准句在 takes/undecided.json 给用户人耳选条后加 --choose "帧:tag" 定稿；额外产 beat_map.json = 词级时间戳唯一时间源）。--baseline 可选：还没提基准就先不传（语速带不筛，只靠 ASR 回读关），但建议尽早用 scripts/voice_baseline.py 从你的真实录音提一份（换克隆音/口播风格变后重提）。首词时间戳信 RMS 起振不信 whisper 句首值（脚本已自动对齐，别手改 beat_map）。冒烟/快速草稿可退回单 take：tts_clone.py --script SCRIPT.md --out-dir . --gap-map "<幕尾帧号>"。没有火山凭证（免费声档/文生视频模式）："${TTS_PYTHON:-python3}" <SKILL_DIR>/scripts/tts_free.py --script SCRIPT.md --out-dir . --gap-map "<幕尾帧号>" [--voice zh-CN-XiaoxiaoNeural]——产物契约完全相同（含 beat_map.json + 首词 RMS 起振对齐，wordT/pauseT 照常可用），口型/字幕/动效照常；双 take 与语速基准筛选是克隆音专用，不适用 产出 audio/NN.wav（尾部已拼气口）+ audio_meta.json（词级时序 + 每帧 30fps RMS 口型包络）。气口：默认 auto 模式——按句尾标点分档（？！0.5–0.65s / ，0.3–0.4s / 。0.4–0.55s）+ 档内随机抖动，幕尾帧（--gap-map）用最长档 0.65–0.85s。没气口 = 语音墙对墙听着喘；气口长度死板整齐（固定 0.45/0.7s 一类）= 听着像节拍器不自然，两个都要避。传 --gap <秒数> 可退回旧的固定等长模式。audio_meta 是项目资产，建帧后禁重算（时序漂移 = 口型/字幕失联）。
• 4 写 STORYBOARD.md：文件头必须 YAML frontmatter format: portrait（缺了 assemble 默认 1920×1080 横屏，整条片方向反掉）。每镜 ## Frame N — 标题 + duration（先估，步骤 6 会同步真值）+ transition_in + scene + voiceover(原文) + media（见下）+ src: compositions/frames/NN-<slug>.html。转场按幕走：幕内 transition_in: cut（同一镜头在推进），幕间 transition_in: crossfade——整片 crossfade 到底 = 每 4s 全屏换血，节奏太跳。 media 字段（语义命中才配，无命中回退）：先 node <SKILL_DIR>/scripts/media_lib.mjs list --project . 看合并素材清单（库层+当天项目 assets/，同 id 项目覆盖库）。beat 口播里的实体/动作/场景与素材 tags/desc 说同一件事 = 命中，写 - media: broll:<id> (media-full|media-pip|media-bg)；无命中一律 - media: none，回退纸雕或图表帧，禁止硬配无关图。命中的素材过 bash <SKILL_DIR>/scripts/prep_media.sh <源> . --dur <beat秒> --id <id> 进 public/media/（视频自动物理静音+裁至 min(beat,4s)+烘焙旋转；beat 控制在 ≤4s 语音）。数字人段不走 media 字段，步骤 5 配 avatar。规范：references/media-library.md。
• 5 建帧（生成器，不派 subagent）：cp <SKILL_DIR>/assets/generator-base.mjs episode.mjs，每镜写一个 config（可视化形式按 references/frame-recipes.md 选型 + 「节奏与场景组」+「变奏轴」两节：全片 distinct 形式 ≤5、幕内帧继承前帧骨架、相邻幕换变奏组合），node episode.mjs。 ⚠ 内容分工铁律（frame-recipes「内容分工」节，最高频返工点）：上层可视化是把这句话抽成一个点（数字/符号/关系/关键词），绝不把 voiceover 原句照抄到画面上——底部字幕已经逐字念了，上层复读=可视化白做。逐帧自检上层文字 vs voiceover 字面重合 ≥60% 就重做。文字+符号同排（信→做/✕✓）用 flex 容器排布，别把符号绝对定位塞进文字缝（会撞字）。旁白词级时间戳（audio_meta.json 的 words[]）就是 reveal 的节拍锚点。每集 ≥1 个菜单外新形式，验收后蒸馏一行回 frame-recipes 选型表（形式库靠出片长大，不是封闭集）。 STORYBOARD 命中的素材帧写 media:{id,type,path,form}（图入帧+自动 Ken Burns，视频帧内只出占位窗）；贴纸 stickers:[...]（≤2/帧，弹入锚 words[]）；数字人段 avatar:{provider:"local-rig"}；确实通篇纯文字的帧标 kind:"text"。建帧同时产 slots.json（gate 媒体红线只查它）。规范见 frame-recipes「媒体帧与贴纸」节。 动效触发时刻禁手写秒数：一律 wordT(帧,"词") / pauseT(帧,n) 从 beat_map 取（poses/nods/reveal/强调全适用，调用自动记进 slots.json 的 anchors[] 供验收核对）；装饰性 stagger 跟在锚点 0.6s 手势窗内。 动效值与字号走 v2 tokens（gate 硬校验）：标准入场一律 fadeUp/popIn/fadeIn（EASE/DUR/RISE/STAGGER 自动带对——入场 power4.out、在场移动 power3.inOut，永不 *.in、永不 scale(0)）；字号只取 8 档字阶 26/34/44/64/92/130/180/260（COMMON 有 .t-* 类，每帧 ≤4 档，SVG viewBox 内除外）。规范：frame-recipes「设计 DNA v2」+「动效系统」。
• 6 管线（顺序执行，FE 见上）：

  node $FE/audio.mjs sync-durations --audio-meta ./audio_meta.json --storyboard ./STORYBOARD.md
  node $FE/captions.mjs build --storyboard ./STORYBOARD.md --audio-meta ./audio_meta.json --hyperframes . --out ./caption_groups.json
  node $FE/assemble-index.mjs --storyboard ./STORYBOARD.md --hyperframes .
  node $FE/transitions.mjs inject --storyboard ./STORYBOARD.md --hyperframes .
  node $FE/transitions.mjs verify --storyboard ./STORYBOARD.md --index ./index.html
  node <SKILL_DIR>/scripts/inject_broll.mjs --project .   # 有视频 B-roll 才生效;必须在 verify 之后
  

  注意：sync-durations 后若 duration 变了，需回步骤 5 重跑生成器对齐（生成器读 audio_meta 的 duration，一般一次到位）。重跑 assemble 会丢注入的视频，末尾的 inject_broll 要跟着重跑（幂等，多跑无害）。
• 7 质检：node <SKILL_DIR>/scripts/gate_redlines.mjs --project . → 必须 GATE PASS（可脚本化红线的硬校验：portrait/气口/字幕产物（symlink 静默缺字幕坑）/vz+data-draw/track-index/红色计数/字阶 8 档+禁 ease-in+禁 scale(0)/lint errors=0）；再 snapshot 逐帧核对 references/frame-recipes.md 底部的质感 checklist。注意：--at 一次只认一个时间点，且每次运行会清空 snapshots/——用循环逐个拍、拍完立刻 cp 到别处再拍下一张；幕内切点要拍帧首快照对比前帧终态。
• 8 渲染：npx hyperframes render --quality high --protocol-timeout=900000 --output renders/video.mp4 → node <SKILL_DIR>/scripts/gate_redlines.mjs --project . --render renders/video.mp4（ffprobe 双流+时长校验已含在内）。若报 Runtime.evaluate timed out 直接重试一次（常见于机器忙，非片子问题）。 ⚠ 1.2x 出片体感（实战反馈）：TTS 的 --speed 1.2 参数体感上不明显，观众会觉得「没有 1.2 倍速」。成片默认交 1.2x 版——渲完对 renders/video.mp4 做整体时间压缩（画面+音频同步、保音高不变调）：ffmpeg -y -i renders/video.mp4 -filter:v "setpts=PTS/1.2" -filter:a "atempo=1.2" -c:v libx264 -crf 18 -pix_fmt yuv420p -c:a aac -b:a 192k renders/video_1.2x.mp4。口型/字幕/动效已烘进帧，整体压缩不失同步；重渲后要重跑这步（非幂等）。交付 1.2x 版，用户嫌快/慢再调倍数。
• 9 一眼假验收（双 take 路径出片必跑）：node <SKILL_DIR>/scripts/review_gate.mjs --project . --render renders/video.mp4 → 脚本判定动效锚点 ≤150ms / 无手写秒数孤儿 / 口型开口对首词 / 无 ≥3s 冻结段 / 语速曲线在真人基准带（无 voice_baseline.json 时语速项自动跳过并留痕）；再看 qc/pauses/ 停顿截帧逐张确认有可读 hold 画面。全过才交付，不过按 REVIEW_REPORT 模式一次修一个变量。免费声档看 a/b/c 项即可：d 语速会拿克隆音的 voice_baseline.json 去比 edge-tts，必然出带（含英文的句子按字符算 cps 还会虚高）——那不是片子的问题，留痕跳过。

无人值守模式（服务端 / Agent Runner 跑法）

被服务端 Runner 调用、或任务说明"无人值守/产品出片"时，在标准工作流上叠加以下约定：

1. 关闭新形式探索：只用 frame-recipes 选型表内已验证形式 + 变奏轴组合，「每集 ≥1 菜单外新形式」规则不适用（那是交互式出片时的复利机制）——无人值守的目标是质量方差最小，不是探索。
2. 质检自动化：快照自查照跑（发现问题修复以一轮为限），结束前必须跑 scripts/gate_redlines.mjs --project . --render renders/video.mp4，以其退出码为最终成败判定。
3. 产物约定：成片 renders/video.mp4 + 封面 qc/cover.png（开场帧 ~1s 处快照）。
4. 失败约定：gate 不过 / 渲染失败重试一次仍败 → 打印 FAIL: <原因> 后退出，不交付半成品；audio_meta 相关失败必须整链重跑而不是带着漂移出片。
5. 换机/镜像验证：部署新环境先跑 bash <SKILL_DIR>/checks/smoke.sh（3 镜零 LLM 全链路冒烟；无火山凭证的环境改跑 bash <SKILL_DIR>/checks/smoke_free.sh 免费声档版，零凭证零费用）；改到素材层/媒体形式/gate 时加跑 bash <SKILL_DIR>/checks/smoke_media.sh（3 图+1 视频六镜:media 形式/贴纸/avatar 降级/注入/媒体红线），双绿再接真实任务。

红线（违反 = 返工）

0. 素材红线（gate 查 slots.json）：连续纯文字帧 ≤2；非纯文字帧占比 ≥40%；素材语义命中才配（无命中回退纸雕/图表，禁硬配）；视频 B-roll 必须过 prep_media.sh（物理静音+裁 ≤4s）；贴纸 ≤2/帧且不入字幕安全区（y≥1500）；全片仅一个音色；avatar 只认 local-rig（heygen 自动降级，永不阻塞）。
1. 每帧红色（#E63946）只出现一处，字幕永远零红。
2. 底部对话排 y1500–1750（皮肤已锁死）：IP 小人在左下（框 40–236, 1500–1750），字幕是带小尾巴的玻璃对话气泡，排在小人右侧（x264–1044）、垂直居中对齐——内容全部在 y≤1360，对话排不进内容。kicker ~y260 起，主体带 y280–1360，y1360–1500 留空当呼吸带。
3. 每个 class="clip" 唯一 data-track-index（生成器自动自增，别手改）。
4. 动效 seek-safe：无 repeat/yoyo/Math.random/Date.now；循环感一律用「时间 t 的确定性函数」在 onUpdate 里算。
5. 定位容器内的标签用容器相对坐标，不是画布坐标（最常犯的坑，见 pitfalls.md）。
6. 设计 DNA/动效红线（已进 gate）：字号 ∉ 8 档字阶或帧内 >4 档、GSAP *.in ease、scale(0) 入场 = GATE FAIL；图内标签 2–5 字 ≤5 个、一帧一隐喻、stagger 60–90ms 靠快照复核。

深入

• 环境搭建 / 首次使用 / 自定义（换小人、换品牌色、换语感）：README.md
• 可视化选型 + 质感/图表/动效规范：references/frame-recipes.md
• 素材库（B-roll/贴纸/数字人）：manifest schema / 合并 / 命中与回退 / 注入链路：references/media-library.md
• 口语稿规范（书面语禁进 TTS：短句/标点停顿/……长停/语气词/个人语感层）：references/oral-script.md
• 真人语音基准（可选，不随包）：voice_baseline.json——用 scripts/voice_baseline.py 从你自己的真实录音提取（语速带/停顿分布/句长），声音层筛 take 和验收语速曲线都对它比；没有它相关检查自动跳过
• HyperFrames 隐藏契约与踩坑：references/pitfalls.md
• 完整可跑的 12 镜生成器实例（作者一集已公开发布片源的实战原件：6 幕 / 骨架继承 / 点阵贯穿 / 气口留白）：assets/_generator-full-example.mjs
• 验收评估场景：references/evals.md