数字人讲解短视频生成

把一段台词做成"数字人/角色讲解"横屏短视频。适用于微课里的角色独讲、教师+角色双师同台、 科普/知识类角色出镜短片。本技能是 ai-teacher-video（7 步大流水线）的聚焦 companion： 专攻"单角色讲解短视频"这一最常见场景，脚本自包含、可一键跑通。

四条铁律（违反必返工）

1. 生成式工具只出"纯场景背景"和"角色透明素材"，绝不把含角色整帧丢给图生视频。 实测：含角色的整帧交给图生视频，角色会被画歪（眼睛半睁、天线消失）。品牌形象必须可控。
2. 生成式场景图里绝不出现文字。 提示词写 absolutely no text no letters no numbers no words no watermark， 所有文字（标题/字幕）后期用 drawtext（见 ffmpeg 坑 2）或视频剪辑软件精确叠加。
3. 每段背景用 5 秒短片 + -stream_loop -1 循环适配配音时长，而非逐段足量生成。成本差数倍。
4. 成品必须逐项程序化验收（水印残留、角色叠加、总时长），本模型无预览环境无法看图。

标准 4 步流程

关键实现细节

目录与工作区

• 所有脚本用 imageio_ffmpeg.get_ffmpeg_exe() 取 ffmpeg，不硬编码路径；用 os.path.dirname(__file__) 定位技能目录，可移植。
• 工作目录默认 <技能目录>/work，可用环境变量 EXPLAINER_WORKDIR 覆盖。
• 角色透明素材默认 <技能目录>/assets/character.gif，用 CHAR_GIF 覆盖；叠加坐标 CHAR_X/CHAR_Y（默认 1340/460，画布 1920×1080）。
• 背景视频放在 <WORK>/bg_videos/ 下，script.json 的 bg 填文件名即可。

edge-tts 配音

• 默认音色 zh-CN-YunxiaNeural（清亮女声，适合数字人），语速 +5%；可用 EXPLAINER_VOICE / EXPLAINER_RATE 覆盖。
• 生成后必须实测探测每段时长（不同音色/语速时长不同），写入 scenes.json 供合成对齐。

ffmpeg 合成（Windows / imageio_ffmpeg）

全部坑见 references/ffmpeg_pitfalls.md，核心三点：

• 用内联 -filter_complex，不要 -filter_complex_script（本环境不支持）。
• 复杂滤镜链下用 libvpx-vp9(webm) + libvorbis；纯转码(webm→mp4)时 libx264 可用。
• 中文/引号字幕用 textfile= 读取；Windows 路径冒号转义 \:。

VideoGen 输出规格与去水印

• 输出约 1924×1076（近 16:9，非精确 1920×1080），24fps，约 5.04s。合成前先 scale=1920:1080。
• 水印固定在右下角 → delogo=x=1680:y=1012:w=234:h=60。
• 任务数有上限，超限报 RequestLimitExceeded.JobNumExceed，隔几分钟重试。

验收清单

• 总时长 ≈ 各段配音时长之和
• 水印区白像素残留 < 1%
• 角色中心像素为角色色（证明已叠加，非黑/背景色）
• 角色形象与品牌原版一致（未被 AI 改动）
• 配音与画面时长对齐，无截断

与其他技能的关系

• ai-teacher-video：更完整的 7 步大流水线（含角色动效序列、面部程序化动画、录屏成片），本技能是其聚焦子集。
• video-to-transcript：视频 → 逐字稿（反向流程），常用于把已录制的讲解视频转成文字稿。