refactor(video-pipeline): 移除 segments 机制，改为整段音频合成

移除 TTS 阶段逐句切分及 segments 数组逻辑，统一为整段音频合成。
CapCut 字幕切分由组装阶段按字符比例分配，简化音频上传、
时间线构建和字幕生成流程，减少冗余处理分支。

accounts/_template/prompts/通用分镜.md

@@ -62,29 +62,11 @@ source outside the frame begins its slow rotation
 
 → 有明确运动趋势：头正在转向、影子正在拉长——视频模型能推断运动方向。
 
-## 三、3秒钩子规则（Shot 1 强制）
-
-短视频前 3 秒决定用户是否留下。**Shot 1 必须是钩子，不是铺垫。**
-
-| 策略 | 说明 |
-|------|------|
-| **结论前置** | 从文案核心金句提取最冲击的结论，直接放在开头 |
-| **认知冲突** | 一句话打破常识，制造"凭什么"的好奇心 |
-| **身份挑衅** | 直接点中受众身份焦虑 |
-
-钩子规范：
-- 画面有视觉冲击力，不用背影/空走廊等铺垫
-- 文案 ≤ 20 字，一句话讲完
-- 时长 4-5 秒，短狠快
-- 禁止设问式开头（"大多数人..."）、禁止超 20 字、禁止纯铺垫画面
-
-钩子后 Shot 2 负责引入正文，Shot 3 起按原文顺序展开。
-
-## 四、切割规则
+## 三、切割规则
 
 切割分两层：第一层按语义场景做宏观切分（两种模式通用），第二层按气口做微观切分（视频成片专用）。
 
-### 4.1 第一层：语义场景切割（两种模式通用）
+### 3.1 第一层：语义场景切割（两种模式通用）
 
 以语义场景转折为切割依据，不按句号机械切割。
 
@@ -96,7 +78,7 @@ source outside the frame begins its slow rotation
 | 节奏重音 | 强调句、停顿感强、关键意象出现 |
 | 语义完整（仅图文） | 该段表达一个完整观点或例子 |
 
-### 4.2 第二层：气口切割（视频成片专用）
+### 3.2 第二层：气口切割（视频成片专用）
 
 **视频成片在完成语义场景切割后，必须在每个语义场景内部进行第二轮气口切割。**
 
@@ -137,27 +119,27 @@ source outside the frame begins its slow rotation
 - ❌ 丢弃原文的论证、例子、细节来"节省字数"
 - ❌ 跨语义场景合并——气口切割只在同一个语义场景内部进行
 
-### 4.3 字数上限速查
+### 3.3 字数上限速查
 
 | 模式 | 每段字数 | 说明 |
 |------|---------|------|
 | 图文成片 | 50 字左右 | 一帧讲透一个观点 |
 | 视频成片 | 8–22 字 | 气口自然长度，长句必须拆为连续 Shot |
 
-### 4.4 时长控制
+### 3.4 时长控制
 
 - **图文成片：** 每条 Shot 4-10 秒，跟随旁白节奏，完整表达一个观点
 - **视频成片：** 每条 Shot 3-7 秒，目标 5 秒，匹配视频片段长度
 - **总时长校验：** 所有 duration 之和 = 文案朗读总时长
 
-## 五、导演构图语言词库（分镜层专用）
+## 四、导演构图语言词库（分镜层专用）
 
 > 本层只负责：构图逻辑 + 画面内容设计 + 视角选择
 > 光影渲染由图片提示词处理，运动节奏由视频提示词处理
 
 每个 Shot 选定一位导演作为构图参考，写入 `directorRef` 字段向下游透传。下游图片和视频提示词根据此字段执行各自层的风格，不重新选导演。
 
-### 5.1 昆汀·塔伦蒂诺（Tarantino）
+### 4.1 昆汀·塔伦蒂诺（Tarantino）
 
 **构图核心：** 身体局部主导叙事；对话即权力博弈；平静表面下的极度张力
 
@@ -181,7 +163,7 @@ room has not yet realized is coming
 
 **适合选用场景：** 微行为解码 / 潜台词型文案 / 局部细节承载叙事
 
-### 5.2 北野武（Kitano）
+### 4.2 北野武（Kitano）
 
 **构图核心：** 静止即叙事；留白承载重量；人物与空间的关系即情绪
 
@@ -206,7 +188,7 @@ His body has not moved. Neither has his decision.
 
 **适合选用场景：** 孤独/等待/沉默型文案 / 收尾 Shot / 留白叙事
 
-### 5.3 大卫·芬奇（Fincher）
+### 4.3 大卫·芬奇（Fincher）
 
 **构图核心：** 精确的控制感；对称中的破坏；冷静凝视是最深的压迫
 
@@ -231,13 +213,13 @@ The balance of power broke the same moment the geometry did.
 
 **适合选用场景：** 规律揭示型文案 / 解剖者视角 / 关系结构拆解
 
-## 六、shotDesc 写法规范
+## 五、shotDesc 写法规范
 
-### 6.1 语言
+### 5.1 语言
 
 统一英文输出。shotDesc 是下游图片模型的内容底稿，英文输入更稳定。视频提示词的语言由下游模块根据目标模型自动适配。
 
-### 6.2 必须包含的内容维度
+### 5.2 必须包含的内容维度
 
 **图文成片模式：**
 
@@ -259,7 +241,7 @@ The balance of power broke the same moment the geometry did.
 | 隐性动势 | 画面中隐含的运动趋势（**必填**） |
 | 情绪张力 | 用视觉词而非情绪词传递张力 |
 
-### 6.3 隐性动势（Implied Motion）
+### 5.3 隐性动势（Implied Motion）
 
 **视频成片模式：每条 shotDesc 必须包含至少一个隐性动势词组。**
 **图文成片模式：不强制，可选用以增加画面叙事感。**
@@ -287,7 +269,7 @@ the symmetry of the empty table stretching to both edges
 a man holding a cup and looking down
 ```
 
-### 6.4 隐性动势词库
+### 5.4 隐性动势词库
 
 **人物动势：**
 
@@ -315,12 +297,12 @@ breaks / silence stretching thin / the moment before something that cannot be
 undone
 ```
 
-### 6.5 字数控制
+### 5.5 字数控制
 
 - **图文成片：** 每条 shotDesc **50–80 词**——图片即成品，需要充分描述构图、氛围和视觉隐喻
 - **视频成片：** 每条 shotDesc **30–60 词**——视频模型需要精炼聚焦的运动指令，过长会稀释动势信号
 
-### 6.6 禁止事项
+### 5.6 禁止事项
 
 - 禁止写镜头运动参数（`zoom-in` / `pan`）——留给视频提示词
 - 禁止写色调参数（`cold blue` / `warm orange`）——留给图片提示词
@@ -329,7 +311,7 @@ undone
 - **图文成片：** 禁止连续两张同景别/同构图的 shot
 - **禁止剧透**：不能提前使用文案后续才出现的具体意象、物件、动作
 
-### 6.7 语义-画面对齐规则（剧透、铺垫与承接）
+### 5.7 语义-画面对齐规则（剧透、铺垫与承接）
 
 **三定律**：
 - **禁止剧透**：不能提前使用文案后续才出现的具体意象、物件、动作
@@ -366,19 +348,22 @@ between the two figures" ✅ 承接
 
 **检查方法**：每条 shotDesc 写完后，只看当前 script + shotDesc——画面内容是否只来自当前这段文案？如果不是，重写。
 
-## 七、directorRef 选择规则
+## 六、directorRef 选择规则
 
-| 选 Tarantino | 选 Kitano | 选 Fincher |
-|-------------|-----------|-----------|
-| 需要身体局部特写 | 需要大面积留白和静止感 | 需要精确控制感和对称破坏 |
-| 对话/博弈场景 | 孤独/等待/收尾场景 | 规律揭示/解剖者视角场景 |
-| 日常物件暗藏张力 | 空镜、余韵 | 审讯感、不可逃脱 |
+**每个分镜方案统一使用一位导演**，所有 Shot 的 directorRef 保持一致。在生成分镜前，根据文案整体气质选定一位导演，贯穿始终。
 
-**模式倾向：**
-- **视频成片**优先 Tarantino（微行为动势强）、Fincher（细节暗示运动）
-- **图文成片**优先 Kitano（留白冲击力强）、Fincher（构图控制精确）
+| 导演 | 适合的文案气质 |
+|------|-------------|
+| Tarantino | 微行为解码、潜台词密集、身体局部叙事、张力积压 |
+| Kitano | 孤独、等待、沉默中的对峙、留白冲击、收尾余韵 |
+| Fincher | 规律揭示、拆解者视角、对称破坏、审讯感、不可逃脱的压迫 |
 
-## 八、输入规范
+**选择依据：**
+- 通读全文后，判断文案整体最贴近哪种气质，选定一位导演
+- 如文案气质混合，选占比最高的那位
+- 选定后所有 Shot 统一使用，不中途切换
+
+## 七、输入规范
 
 ```
 【完整口播文案】
@@ -388,7 +373,7 @@ between the two figures" ✅ 承接
 图文成片 / 视频成片
 ```
 
-## 九、输出格式
+## 八、输出格式
 
 输出前附加总览行：
 

accounts/军事账号/prompts/分镜.md

@@ -154,41 +154,11 @@ geometry. The balance of power broke the same moment
 the geometry did.
 ```
 
-## 六、3秒钩子规则（Shot 1 强制）
-
-短视频前 3 秒决定用户是否留下。**Shot 1 必须是钩子，不是铺垫。**
-
-### 钩子策略
-
-| 策略 | 说明 | 示例 |
-|------|------|------|
-| **结论前置** | 从原文结尾或核心金句中提取最具冲击力的结论，直接放在开头 | "你混得不好，不是因为你太善良。" |
-| **认知冲突** | 一句话打破用户常识，制造"凭什么这么说"的好奇心 | "这个世界不奖励好人，也不惩罚坏人。" |
-| **身份挑衅** | 直接点中目标受众的身份焦虑 | "你把80%的认知带宽，花在了管理别人对你的评价上。" |
-
-### 钩子 shotDesc 规范
-
-- **画面必须有视觉冲击力**：不用背影、走廊等铺垫画面；用裂开的盾牌、燃烧的铁器、破碎的对称等"破坏感"画面
-- **构图禁止大面积留白**：留白是铺垫用的，钩子要"满"或"炸"
-- **文案 ≤ 20 字**：一句话讲完，不留悬念尾巴
-- **时长 4-5 秒**：钩子要短、狠、快
-
-### 禁止的钩子写法
-
-- "大多数人..."、"你有没有想过..." — 设问式开头太慢
-- 纯铺垫画面（空走廊、远背影）— 3 秒内没有视觉锚点
-- 超过 20 字的钩子文案 — 用户来不及看完就划走了
-
-### 钩子之后的 Shot 2
-
-钩子说完冲击性结论后，Shot 2 负责"收回来"引入正文：
-> Shot 1（钩子）："你混得不好，不是因为太善良。" → Shot 2（引入）："为什么？让我拆给你看。" → Shot 3 起按原文顺序展开
-
-## 七、切割规则
+## 六、切割规则
 
 切割分两层：第一层按语义场景做宏观切分（两种模式通用），第二层按气口做微观切分（视频成片专用）。
 
-### 7.1 第一层：语义场景切割（两种模式通用）
+### 6.1 第一层：语义场景切割（两种模式通用）
 
 以语义场景转折为切割依据，不按句号机械切割。
 
@@ -200,7 +170,7 @@ the geometry did.
 | 节奏重音 | 强调句、停顿感强、关键意象出现 |
 | 语义完整（仅图文） | 该段表达一个完整观点或例子 |
 
-### 7.2 第二层：气口切割（视频成片专用）
+### 6.2 第二层：气口切割（视频成片专用）
 
 **视频成片在完成语义场景切割后，必须在每个语义场景内部进行第二轮气口切割。**
 
@@ -241,14 +211,14 @@ the geometry did.
 - ❌ 丢弃原文的论证、例子、细节来"节省字数"
 - ❌ 跨语义场景合并——气口切割只在同一个语义场景内部进行
 
-### 7.3 字数上限速查
+### 6.3 字数上限速查
 
 | 模式 | 每段字数 | 说明 |
 |------|---------|------|
 | 图文成片 | 50 字左右 | 一帧讲透一个观点 |
 | 视频成片 | 8–22 字 | 气口自然长度，长句必须拆为连续 Shot |
 
-### 7.4 时长控制
+### 6.4 时长控制
 
 - **图文成片：** 每条 Shot 4-10 秒，跟随旁白节奏，完整表达一个观点
 - **视频成片：** 每条 Shot 3-7 秒，目标 5 秒，匹配视频片段长度
@@ -402,18 +372,18 @@ an unseen object — darkness conceals what passes between the two figures"
 
 ## 八、directorRef 选择规则
 
-每个 Shot 根据旁白语义和画面特征选定一位导演：
+**每个分镜方案统一使用一位导演**，所有 Shot 的 directorRef 保持一致。在生成分镜前，根据文案整体气质选定一位导演，贯穿始终。
 
-| 选 Tarantino | 选 Kitano | 选 Fincher |
-|-------------|-----------|------------|
-| 需要身体局部特写 | 需要大面积留白和静止感 | 需要精确控制感和对称破坏 |
-| 对话权力博弈场景 | 孤独、边缘化、等待场景 | 规律揭示、人性解剖视角 |
-| 日常物件暗藏张力 | 空镜、余韵、收尾 | 审讯感、不可逃脱的压迫 |
-| 旁白有「潜台词解码」结构 | 旁白有「沉默」「位置」「等待」 | 旁白有「逐帧拆」「拆解者视角」 |
+| 导演 | 适合的文案气质 |
+|------|-------------|
+| Tarantino | 微行为解码、潜台词密集、身体局部叙事、张力积压 |
+| Kitano | 孤独、等待、沉默中的对峙、留白冲击、收尾余韵 |
+| Fincher | 规律揭示、拆解者视角、对称破坏、审讯感、不可逃脱的压迫 |
 
-**模式倾向：**
-- **视频成片**优先 Tarantino（微行为动势强）、Fincher（细节暗示运动）
-- **图文成片**优先 Kitano（留白冲击力强）、Fincher（构图控制精确）
+**选择依据：**
+- 通读全文后，判断文案整体最贴近哪种气质，选定一位导演
+- 如文案气质混合，选占比最高的那位
+- 选定后所有 Shot 统一使用，不中途切换
 
 ## 九、输入规范