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。
This commit is contained in:
@@ -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：
|
||||
|
||||
|
||||
Reference in New Issue
Block a user