Book Video Generator 2.6.0

三分钟精读一本书 视频生成器

概述

将任意书籍自动生成一个 3 分钟解说视频：从书评文案撰写、分镜生成、AI 插图、TTS 配音到字幕合成，全流程自动化。

源于扣子工作流 "Pipadushu_video_1"，本 Skill 遵循 Agent Skills 开放标准，跨平台兼容 WorkBuddy、OpenClaw、Codex CLI、TRAE Work。

使用本地开源工具替代扣子插件：剪映小助手 → ffmpeg，扣子图像生成 → 平台图像生成工具，扣子 TTS → 火山引擎 TTS（默认）/ edge-tts（备选）。

平台工具映射

本 Skill 的工作流涉及 3 个平台相关工具，各平台替代方案如下。执行时根据当前运行平台选择对应工具。

联网搜索（阶段 1 用于搜索书籍信息）

图像生成（阶段 4a 用于生成分镜插图）

无论使用哪个平台，图像生成的 prompt 统一使用分镜中的 desc_promopt 字段。

LLM 调用（阶段 1-3 用于生成文案和分镜）

所有平台均内置 LLM 对话能力，直接将 references/prompts.md 中的 System Prompt 发送给当前平台的 LLM 即可。

输入

环境准备

执行前确保以下 Python 依赖已安装：

pip install edge-tts imageio-ffmpeg pillow

脚本会在首次运行时自动安装缺失的依赖，但建议预先安装以避免中断。

ffmpeg 由 imageio-ffmpeg 包自动提供二进制，无需单独安装系统级 ffmpeg。

TTS 引擎配置（可选）

设置火山引擎凭证：

export VOLC_TTS_API_KEY="your-api-key"

未设置火山引擎凭证时，脚本自动使用 edge-tts，功能完整不受影响。 火山引擎 TTS 2.0 不原生支持词级时间戳，脚本基于返回的音频时长按字符均匀估算时间戳（标点符号占比较短时间），字幕同步精度略低于 edge-tts 但完全可用。

完整工作流（5 个阶段）

阶段 1：生成书评文案

目标：根据书名+作者，用 LLM 生成约 1000 字的 3 分钟视频文案。

操作：

1. 用当前平台的联网搜索工具搜索书籍真实信息（简介、解读、出版年份）
2. 使用 system prompt（见 references/prompts.md 第 1 节），要求 LLM 输出 JSON：

{
  "book_name": "...",
  "author_name": "...",
  "year": "yyyy-MM",
  "content": "1000+字书评文案（含开篇引言+核心内容+观点提炼）",
  "category": "图书分类"
}

要点：

• 文案需满足约 3 分钟口播时长（约 700-1000 字）
• 开篇引言必须极具吸引力
• 信息来源需通过搜索获取，确保内容准确

阶段 2：生成分镜脚本

目标：将书评文案拆分为 8-50 个分镜，每个分镜包含字幕文案、画面描述、AI 图像提示词。

操作： 使用 system prompt（见 references/prompts.md 第 2 节），输入阶段 1 的 content，输出：

{
  "list": [
    {
      "story_name": "分镜名称",
      "desc": "画面描述",
      "cap": "字幕文案（一句话）",
      "desc_promopt": "图像生成提示词"
    }
  ],
  "keywords": ["重点词1", "重点词2"]
}

然后在 list 开头插入引言分镜（模仿原工作流 node 150774 的逻辑）：

list.insert(0, {
    "story_name": "引言",
    "desc": "每日精读一本书",
    "cap": f"3分钟精读一本书，今天我们读《{book_name}》",
    "desc_promopt": "每日精读一本书"
})

风格约束：扁平插画风，人物卡通风简洁线条，背景扁平化符号，柔和明亮低饱和度色调。

阶段 3：生成标题进度条

目标：根据文案内容划分为 4 个板块，每板块 6 字以内标题，用于视频顶部进度条显示。

操作： 使用 system prompt（见 references/prompts.md 第 3 节），输出 4 个标题（title1-title4）。

使用方式：4 个标题通过 segments.json 的 chapter_titles 字段传入 compose_video.py，在视频顶部渲染为进度条（当前板块橙色高亮 + 底部进度线）。同时需要 segment_chapters 字段指定每个分镜所属的板块索引（0-3），未指定时自动均匀分配。

阶段 4：生成素材（并行）

本阶段生成视频所需的全部素材：

4a. AI 插图生成

对每个分镜的 desc_promopt，调用当前平台的图像生成工具生成插图。

统一风格参数（原工作流图像生成节点配置）：

• 尺寸：1024x768
• 风格：扁平风（flat illustration）
• 主角上衣 #FF7F72，裤子 #243139
• 30% 透明玻璃效果背景
• 负向提示词：无

各平台调用方式：

• WorkBuddy：调用 ImageGen 工具（通过 DeferExecuteTool），参数 prompt = desc_promopt，size = "1024x768"
• OpenClaw：调用 frontmatter 中声明的图像生成 tool
• Codex CLI：运行 python3 scripts/generate_image.py --prompt "" --output "scene_001.png"（需自备 API Key）
• TRAE Work：通过 MCP 调用已接入的图像生成服务

生成的图片统一命名为 scene_000.png ~ scene_NNN.png，存放到 output/{book_name}/images/ 目录。

4b. TTS 语音合成

对每个分镜的 cap（字幕文案），使用 TTS 引擎生成 MP3 音频，同时生成词级时间戳（保存为同名 .words.json 文件，用于阶段 5 的逐句字幕精确同步）。

双引擎架构：

• 火山引擎 TTS（默认）：V1 API + X-Api-Key 认证，豆包语音合成 2.0 音色，中文自然度最高，可商用，需设置环境变量 VOLC_TTS_API_KEY
• edge-tts（备选）：免费无需配置，原生 WordBoundary 词级时间戳，未设置火山引擎凭证时自动回退

默认音色：

• 火山引擎：zh_female_zhixingnv_uranus_bigtts（知性女声 2.0，适合读书解说）
• edge-tts：zh-CN-XiaoxiaoNeural（晓晓，女声）

查看所有可用音色：python3 scripts/generate_audio.py --list-voices

运行（所有平台通用，自动选择引擎）：

python3 scripts/generate_audio.py --text "<字幕>" --output "audio_001.mp3"

指定引擎或音色：

# 强制使用火山引擎
python3 scripts/generate_audio.py --text "<字幕>" --output "audio_001.mp3" --engine volcano --voice zh_female_zhixingnv_uranus_bigtts

# 强制使用 edge-tts
python3 scripts/generate_audio.py --text "<字幕>" --output "audio_001.mp3" --engine edge --voice zh-CN-XiaoxiaoNeural

批量模式：

python3 scripts/generate_audio.py --batch captions.json --output-dir audio/ --voice "zh_female_zhixingnv_uranus_bigtts"

4c. 开场封面图

为视频第一帧生成专属封面图（1920x1080），包含书名、作者、品牌文字。

操作：运行 python3 scripts/generate_cover.py

# 用第一张分镜图做模糊背景（推荐，与视频风格一致）
python3 scripts/generate_cover.py \
  --book-name "原子习惯" \
  --author "James Clear" \
  --output output/原子习惯/images/cover.png \
  --bg output/原子习惯/images/scene_000.png

# 无背景图，使用深蓝渐变
python3 scripts/generate_cover.py \
  --book-name "原子习惯" \
  --author "James Clear" \
  --output output/原子习惯/images/cover.png

封面布局：

• 顶部：「3 分钟精读一本书」品牌文字 + 橙色分隔线（#FF7F72，与分镜主角上衣同色）
• 中部：书名大字（自动换行居中，80pt）
• 中下：作者名（42pt）
• 底部：账号名称水印（可选，通过 --ip-name 指定，不传则不显示）

字体：自动检测系统中文字体（Windows: 微软雅黑 / macOS: PingFang SC / Linux: Noto Sans CJK），无需手动修改。

封面图在阶段 5 合成时，通过 segments.json 中的 cover 字段指定，会替换第一分镜的图片（保持开场音频不变）。

{
  "output": "output/书名_三分钟精读书.mp4",
  "cover": "output/书名/images/cover.png",
  "chapter_titles": ["开篇引言", "核心方法", "实践技巧", "总结"],
  "segment_chapters": [0, 0, 0, 0, 1, 1, 1, 1, 1, 2, 2, 2, 2, 3, 3, 3],
  "keywords": ["原子习惯", "微小改变", "复利效应"],
  "segments": [
    {"image": "images/scene_000.png", "audio": "audio/audio_000.mp3", "caption": "字幕文本"},
    ...
  ]
}

• cover：可选，封面图路径，替换第一分镜图片
• chapter_titles：可选，板块标题列表，用于顶部进度条显示
• segment_chapters：可选，每个分镜所属板块索引（0-based），未提供时自动均匀分配
• keywords：可选，关键词列表，字幕中匹配到的关键词显示为橙色高亮

阶段 5：视频合成

目标：将所有素材合成为最终 MP4 视频。

操作：运行 python3 scripts/compose_video.py，该脚本执行：

1. 计算每个分镜时长（基于 TTS 音频时长 + 0.3s 间隔）
2. 图片缩放/裁剪为 1920x1080（16:9）
3. 为每个分镜添加 Ken Burns 缓慢缩放效果（偶数分镜放大 1.0→1.1，奇数分镜缩小 1.1→1.0）
4. 为每个分镜添加 0.3s 淡入淡出转场（dip-to-black）
5. 使用 ffmpeg 将图片+音频合成为视频片段
6. 进度条 overlay：顶部显示板块标题（当前板块橙色高亮+实心圆点，其余灰色+空心圆点），底部进度线显示总体播放进度
7. 生成逐句单行 ASS 字幕（基于 TTS 词级时间戳精确同步语音，按标点+字数拆分为单行短句，白色加粗文字+黑色描边，关键词橙色高亮）
8. 拼接所有片段为完整视频

字幕参数（对应原工作流 add_captions_1 节点）：

• 字体颜色：白色 (#FFFFFF)
• 关键词高亮：橙色 (#FF7F72)，通过 ASS 内联颜色标签 {\c&H727FFF&} 实现
• 边框颜色：黑色 (#000000)
• 字号：64pt（加粗）
• 位置：底部居中（MarginV=30）
• 字体：自动检测系统可用中文字体（Windows: 微软雅黑 / macOS: PingFang SC / Linux: Noto Sans CJK SC），无需手动修改
• 字幕格式：ASS（Advanced SubStation Alpha），支持行内颜色标签，关键词高亮显示
• 逐句单行显示：利用 TTS 词级时间戳（火山引擎基于音频时长估算 / edge-tts WordBoundary 原生精确），将长字幕按标点拆分为单行短句，每句时间与语音同步

进度条参数：

• 位置：画面顶部（80px 高度）
• 背景：半透明深色（alpha=130）
• 当前板块：橙色 (#FF7F72) 文字 + 实心圆点
• 非当前板块：灰色 (#AAAAAA) 文字 + 空心圆点
• 底部进度线：橙色填充 + 深灰底色，显示总体播放进度
• 字体：自动检测系统中文字体，44pt

动态效果参数：

• Ken Burns 缩放速率：每帧 +0.0008（约 3 秒内从 1.0 到 1.024）
• 缩放上限：1.1x
• 转场淡入淡出时长：0.3s（短于 0.6s 的分镜自动减半）

输出

最终输出：output/{book_name}_三分钟精读书.mp4

跨平台安装

WorkBuddy

技能已安装在 ~/.workbuddy/skills/book-video-generator/，直接使用。

OpenClaw

# 复制到 OpenClaw 技能目录
cp -r ~/.workbuddy/skills/book-video-generator ~/.openclaw/skills/

# 或通过 ClawHub 安装（如果已发布）
openclaw skills install book-video-generator

如需在 frontmatter 中声明图像生成 tool，参考 OpenClaw 文档的 tools 字段定义。

Codex CLI

# 1. 开启 Skills 功能（如未开启）
echo '[features]\nsskills = true' >> ~/.codex/config.toml

# 2. 复制技能目录
cp -r ~/.workbuddy/skills/book-video-generator ~/.codex/skills/

# 3. 重启 Codex CLI
# 4. 输入 /skills 确认技能已加载

Codex CLI 无内置图像生成，需在 scripts/ 目录中添加 generate_image.py 脚本，调用外部 API（如 OpenAI DALL-E、Stability AI）。脚本需接受 --prompt 和 --output 参数。

TRAE Work

1. 打开 TRAE Work → 规则和技能 → 技能 → 创建 → 导入文件
2. 上传 SKILL.md 文件
3. 确保 scripts/ 和 references/ 目录也复制到技能目录

TRAE Work 通过 MCP 接入图像生成服务。在 TRAE 的 MCP 配置中添加火山引擎或通义万相的图像生成 MCP，然后在执行阶段 4a 时通过 MCP 调用。

原工作流参考

原始扣子工作流文件位于 references/workflow-original.yaml，包含 30+ 节点的完整链路：

开始 → LLM(DeepSeek V3.2)生成书评 → 上标题总结 → 分镜画面描述
→ 代码拼接引言 → 批量图像生成+抠图 → TTS语音合成
→ 创建剪映草稿 → 批量添加图片/字幕/音频 → 保存草稿 → 结束

原始流程依赖剪映小助手插件（视频合成核心）、扣子内置图像生成+抠图和TTS插件。 本 Skill 使用 ffmpeg、edge-tts、平台图像生成工具替代。

快速使用示例

用户说："帮我生成《原子习惯》James Clear 的 3 分钟精读视频"

执行流程：

1. 搜索"原子习惯 James Clear 简介 书评"
2. 用阶段 1 prompt 生成书评文案
3. 用阶段 2 prompt 生成分镜脚本
4. 用阶段 3 prompt 生成标题进度条
5. 对每个分镜：图像生成工具生成插图 + TTS 生成配音（火山引擎默认 / edge-tts 备选）
6. compose_video.py 合成最终视频
7. 输出 output/原子习惯_三分钟精读书.mp4

资源文件

• references/prompts.md — 所有 LLM 提示词原文（平台无关，可直接复用）
• references/workflow-original.yaml — 原始扣子工作流（完整 YAML 备份）
• scripts/compose_video.py — 视频合成脚本（纯 Python + ffmpeg，跨平台，含 Ken Burns 缩放 + 淡入淡出转场 + 字体自动检测 + 封面图支持 + 逐句单行 ASS 字幕精确语音同步 + 关键词高亮 + 顶部进度条）
• scripts/generate_audio.py — TTS 语音生成脚本（纯 Python，双引擎：火山引擎 TTS V1 API + X-Api-Key 默认 / edge-tts 备选，含词级时间戳输出，自动检测凭证切换引擎）
• scripts/generate_cover.py — 封面图生成脚本（纯 Python + Pillow，自动换行 + 模糊背景 + 字体自动检测）