video-recap

name	video-recap
description	从输入视频端到端生成中文解说成片。用户提供 .mp4 / .mov / .mkv / .webm，并要求添加旁白、 配音、总结、短剧/电视剧/电影/纪录片/科普解说时使用。负责编排 video-* 技能链：视频理解 → Agent 制定故事与视听方案 → 剪辑 → 配音 → 合成。触发词：视频解说、视频旁白、生成解说、 视频 recap、video recap、voiceover、narration、auto-dub、recap。

1. 定位与流程

本技能是五个独立技能的轻量编排器。各技能只通过 work_dir 中的 JSON / MP4 产物通信，不共享代码：

video-understanding ─▶ Agent 按 video-script 制定方案并写稿 ─▶ [video-cut] ─▶ video-voiceover ─▶ video-assemble

流程支持断点续跑：写好 narration.json 后重复同一条命令即可继续。第二阶段会校验 recap_run_manifest.json，拒绝复用来自其他源视频或其他运行参数的旧工作目录；视频理解产物也只在来源一致时复用。

2. 创作职责

这不是单纯的 JSON / 渲染流水线。Agent 是本次内容的创作负责人。先判断本轮的创作控制模式；它与 --edit-mode full|cut|dub 是两个维度：

• CREATE：从素材创作新成片。比较真正可行的故事/剪辑假设，再选择主线。
• DIRECTED：用户已经指定结构、镜头、台词或包装方向。把这些决定当作基线落实，不为满足模板而另起方案。
• REVISION：用户针对已有版本看片修改。最新反馈覆盖旧决定；本轮未点名的故事、镜头、声音和包装默认冻结，不重新发散创作。

REVISION 开始前先明确“本轮修改项”和“冻结项”。表达、节奏、字幕反馈写回 style_card.json，镜头、入出点和声音分工写回 visual_audio_board.json；只有观众承诺、POV、主线或故事 beat 改变时才更新 recap_story_plan.json。删除成片内容时同步删除计划中的旧描述，不能让工作产物继续指导已不存在的镜头。

确定模式后，在进入昂贵的下游处理前完成五次判断：

1. 导演判断：确定观众承诺、POV、戏剧问题、情绪终点，以及哪些信息要保留到后面揭示。
2. 故事编辑：CREATE 比较至少两个可行的剪辑假设；DIRECTED / REVISION 继承用户指定或已确认的主线。beat 始终定义为“发生了什么变化”，而不是场景摘要。
3. 画面剪辑：选择真正值得保留的具体时刻、人物反应、入点与出点。
4. 声音/旁白：先分配画面、原声、沉默和旁白的任务，再写解说词。
5. 观众复核：分别检查无旁白、只听声音和第一次观看时的体验，优先修改回报最高的问题。

执行前阅读本技能的 references/creative-editing-playbook.md，并把简洁的创作决定写入：

• recap_story_plan.json：导演意图、适用时的备选假设、选定主线和基于变化的 beat 图。
• visual_audio_board.json：每拍的画面任务、表演/反应选择、原声锚点、audio_owner 与 narration_job。
• style_card.json（有表达要求或表达反馈时）：当前声音、口语节奏、字幕阅读姿态与明确禁忌。

这些文件只记录可审计的当前决定，不记录冗长思维过程；它们不会增加服务或渲染依赖。现有工具可以忽略它们，Agent 与建议型解说评审会用它们保持创作一致。建立这条内容基线不需要平台数据。

3. 环境与脚本路径

# ffmpeg: brew install ffmpeg | apt install ffmpeg | choco install ffmpeg
export MIMO_API_KEY=***

同一个 MiMo key 驱动：

• ASR：mimo-v2.5-asr
• VLM：mimo-v2.5
• TTS：mimo-v2.5-tts

TTS 可通过 --tts-provider fish-audio / TTS_PROVIDER=fish-audio 改用 Fish Audio；此时另需 FISH_API_KEY，默认模型为 s2.1-pro-free，默认使用“娱乐扒妹”音色（5653cea4ac83480aaf2bf45406556185），可用 FISH_TTS_REFERENCE_ID 覆盖。ASR/VLM 仍使用 MiMo。

tp-* Token Plan 密钥默认使用中国区集群，可用 MIMO_TOKEN_PLAN_CLUSTER 覆盖。

可选能力：

• --mimo-video-overview：按场景块补充 MiMo 视频理解。
• --mimo-qc pre-assemble|post-render|both：在合成前、成片后或两个阶段给出建议型复核。

MiMo QC 默认关闭；每个选定阶段最多请求一次，写入 mimo_qc.json。任何凭证缺失、限流、超时、格式错误或采样失败都只记录状态，不阻断流程。详细可覆盖配置见 references/config-playbook.md。

下面的 scripts/... 均相对于本技能目录。若执行器从仓库根目录启动，请给脚本路径加上本技能的绝对目录。脚本启动后会自行定位兄弟技能和资源。

4. 标准解说流程

4.1 背景调研

若能识别影片、剧集或主题，先按本技能的 references/research-guide.md 调研并写入 work_dir/background_research.json。视频理解会把人物名和剧情背景折入 VLM 上下文，避免只得到“黑衣男子”一类模糊描述。无法识别来源时可跳过。

4.2 分析并暂停创作

python3 scripts/recap.py <video> --work-dir <work_dir> --context "背景"

命令完成视频理解、写出 agent_narration_brief.md，然后暂停。此时按以下顺序执行 video-script：

1. 查看创作 brief 与原片故事板。
2. 写 recap_story_plan.json 和 visual_audio_board.json。
3. full 模式写 narration.json；cut 模式第一阶段只写 clip_plan.json。
4. cut 模式第二阶段查看剪后故事板，补充输出时间与声音分工，再写 narration.json。

不要从标题或旁白句子开始；先锁定故事体验和素材选择。

时间线有两条不可降级的硬约束：原声只能在可靠句末/静音边界被切入、切出或恢复；旁白必须使用 完整逐段音频，任何 clip 映射裁段、TTS 裁尾或剪映引用更长的加速前素材都阻断。Agent 收到 interrupts_source_sentence / unsafe_clip_sentence_boundary / no_safe_fit / timeline_audio_mismatch 时，应移动边界、缩短整句或删除该块，而不是增加抢断 override。

4.3 多视频与素材库

多视频只支持 cut 模式。项目 brief 会列出稳定的 source_id，clip_plan.json 中每个片段都必须填写来源：

python3 scripts/recap.py ep1.mp4 ep2.mp4 --edit-mode cut --target-duration 10m --work-dir work_dir_multi_ep

可选文件系统素材库：

python3 scripts/recap.py ep1.mp4 --material-library-dir .video-materials --save-materials
python3 scripts/recap.py ep1.mp4 ep2.mp4 --edit-mode cut --material-library-dir .video-materials --use-materials

素材检索只是对 JSON / MD / JSONL 做 grep，例如 grep -R "keyword" .video-materials。当前版本不复制原始媒体，也不提供数据库、向量或语义搜索。

4.4 继续生成成片

写好所需产物后，重复同一条命令：

python3 scripts/recap.py <video> --work-dir <work_dir>  # 可追加 --edit-mode cut / --no-burn-subtitles

流程会校验当前阶段的硬输入（clip_plan.json / narration.json）；两份创作计划仍是 Agent 与建议型评审使用的工作记录，不是渲染门禁。cut 模式随后生成 edited_source.mp4，再合成旁白并输出 recap_<name>.mp4。

若需要建议型 MiMo 复核：

python3 scripts/recap.py <video> --work-dir <work_dir> --mimo-qc both

合成前复核会读取脚本、计划和 TTS 元数据；成片后还会读取最多六张临时 JPEG。相同输入命中内容缓存，--mimo-qc-refresh 可强制刷新。帧的 base64 与凭证不会写入磁盘。

4.5 字幕与克隆旁白

若要把旁白字幕固定在原片字幕区域，先在仓库根目录运行：

python3 tools/measure_subtitle.py <video>

再传入测得的 --subtitle-y-top/--subtitle-y-bot。坐标基于 ffmpeg 自动旋转后的显示画布，区间为半开 [top, bot)，并要求底对齐 ASS 样式；显式设置后，该区域默认使用 60% 透明度的旁白窗口遮罩。

解说模式如需克隆参考声音，使用 --voice-ref <audio>；它与 dub 模式不同。

4.6 最终观看与交付复核

脚本、接点检测、样帧和 QC 报告都不能替代观看。每轮准备交付前，必须检查本轮实际要交付的最终文件，而不是旧别名、无字幕母版或中间代理：

1. 正常速度完整播放一次短片，不边看边改；先记录真实观看问题。
2. 播放每个拼接点前后约 0.5–1 秒，检查闪帧、原片叠化被截断、动作跳变和半句原声。
3. 完整只听声音一次，检查旁白是否碎成一句一停、场景间声音是否接得上、关键原声是否完整。
4. 单独复看开头、核心情绪/表演点和结尾，确认进入时机、回报停留和收束都成立。
5. REVISION 分别验证本轮修改项已经改变、冻结项没有意外变化；然后再做解码、时长、音画规格等机械检查。

scene score、亮度统计、contact sheet 与自动 QC 只负责定位候选问题；最终判断以真实播放为准。短时间内出现密集候选时，必须判断每个切点来自原片还是本次拼接：原片无关短镜头整段删，相关短镜头扩展到完整动作/反应；人工拼接点优先移动边界、恢复同源连续运动或合并片段，能消除就不保留。修复失败时回到剪点、声音或文案层，不用更多包装掩盖。

5. 英译中原声复刻模式

--edit-mode dub 把英文视频翻译为中文，并用原说话者的克隆音色替换人声；它不是在压低原声上叠加解说。

python3 scripts/recap.py <video> --edit-mode dub --work-dir <work_dir>

准备阶段会转写英文、提取一段参考音频，并写出 dub_brief.md 与 dub_transcript.json。Agent 随后写：

[{"start": 0.0, "end": 2.0, "zh": "中文译文"}]

要求：

• 逐句忠实翻译，不删钩子、不合并、不擅自压缩；原文重复，译文也按时间重复。
• 每句沿用原声 [start, end]，相邻句不重叠。
• 译文尽量控制在约 5 字/秒，使其能在原时间窗内说完。

重复同一命令后输出 dub_<name>.mp4。每句单独克隆并贴回原时间线；只有即将覆盖下一句时才局部加速。当前版本只支持单说话者、整轨替换，不分离背景音乐。

6. 自检命令

python3 scripts/recap.py --doctor

7. 输出与参数

主要输出：

• recap_<video>.mp4：最终成片。
• subtitles.srt / subtitles.ass：字幕。
• work_dir/：全部中间产物，契约见 references/data-schema.md。
• work_dir/recap_story_plan.json / visual_audio_board.json：Agent 创作意图与剪辑决定。
• work_dir/mimo_qc.json：可选的建议型复核，不作为发布门禁。

可透传参数：

--context、--scene-threshold、--style、--edit-mode {full,cut,dub}、--target-duration、 --skip-asr、--mimo-video-overview、--mimo-qc {off,pre-assemble,post-render,both}、 --mimo-qc-refresh、--consolidate、--consolidate-asr、--tts-provider、--mimo-tts-voice、--voice-ref、 --allow-partial-tts、--review-narration、--no-review-narration、--require-narration-review、 --subtitle-y-top、--subtitle-y-bot、--no-burn-subtitles、--output-dir、 --export-jianying、--jianying-bundle-media、--jianying-no-bundle-media、 --material-library-dir、--use-materials、--save-materials。

--style 是原样传给 Agent 的自由文本指导，不是 preset、枚举、开关或有限风格分类。

8. 能力边界

• 编排器不代替 Agent 写 narration.json / clip_plan.json；具体写作遵循创作 brief 与写作阶段契约。
• 语义评审默认建议型、失败开放；只有调用方显式启用严格解说评审时，事实矛盾、残句或评审不可用才会在 TTS 前阻断。确定性校验阶段始终负责硬校验。
• MiMo QC 不能阻断、自动修复或改变退出状态，只提供定位建议。
• 建立内容质量基线不依赖平台分析、留存遥测或发布接入。
• 本技能不是无人值守调度器，不会向任何平台发布内容。
• 各阶段技能不共享代码，只通过 work_dir 产物通信。