t2video

name: t2video description: 一站式短视频制作工具。整合 SiliconFlow TTS 语音合成、素材搜集（Pexels/Pixabay/AI 生成）和 FFmpeg 组装，从脚本到成品视频一步完成。无 subagent 模式，适合短小视频。 metadata: openclaw: emoji: "🎥" requires: bins: - python3 - ffmpeg - ffprobe env: - SILICONFLOW_API_KEY primaryEnv: SILICONFLOW_API_KEY

t2video — 一站式短视频制作

Use this skill when:

• 需要从脚本生成完整短视频（TTS + 素材 + 组装）
• 用户指定主题和已有素材，生成短视频

本技能是 video-producer 的简化版：适合短小视频制作，且只生成9:16的竖屏视频。

不烧录字幕：大部分平台支持自动生成字幕，无需手动烧录。

⚙️ 执行方式（强制）

本技能涉及多步骤生产流程，你应该 self-spawn 一个 subagent 来执行，原因：subagent 独立上下文，不会因对话历史积累而降低输出质量。

你只负责跟进subagent的执行，避免它们长时间卡在某个步骤，必要时可以提供提示或调整执行策略。另外在关键节点要求它向你汇报，你检查后再让它继续执行下一步。

工作流程

Step 1 — 工作区目录准备

在 output_videos/ 下创建项目文件夹，如 output_videos/<video-name>/，作为 project-dir。

工作区结构：

<project-dir>/
├── script.md              # 三段式脚本
├── tts_requirement.md     # 配音需求（由 Step 3 创建）
├── artifacts/             # 产出素材（TTS音频+视频素材）
│   ├── speech.mp3         # TTS 配音
│   ├── speech.json        # TTS 元数据（含 duration）
│   └── <video>.mp4        # 视频素材
└── video.mp4              # 最终成品

Step 2 — 写三段式脚本

基于用户要求按「开篇抓眼球 → 中段讲卖点 → 结尾促下单」结构撰写脚本，保存为 script.md。

脚本完成后保存到工作区（如 <project-dir>/script.md）。

！检查点：subagent 必须在此步骤完成后向主agent汇报。主agent应在此先自检脚本质量（如是否符合三段式结构、是否预留了用户指定素材的使用位置、是否有明确 CTA），确认无误后提交用户确认。

如果用户有意见，则需要重复执行Step2，直到用户确认后才能让subagent进入 Step 3。

Step 3 — 生成配音

创建 tts_requirement.md，写入配音文案、音色和语速：

# 配音需求

## 配音文案
<!-- 需要朗读的纯文本，不含 markdown 标题、注释或镜头说明 -->

## 语音要求
- 音色：fnlp/MOSS-TTSD-v0.5:benjamin
- 语速：1.0
- 语气：自然、有吸引力

配音文案书写要求：

• ## 配音文案 段内只写需要朗读的纯文本，不得使用任何 Markdown 格式（标题、加粗、列表等）
• 如需分段，用空行分隔，不要用 ### 等标题
• tts.py 会自动过滤 Markdown 标题行（#/##/### 等）和 HTML 注释，但最好从源头就写纯文本

！检查点：subagent 必须在此步骤完成后向主agent汇报。主agent应在此对 tts_requirement.md 进行评估，通过后再让subagent继续执行下去。

然后调用 tts.py 生成配音：

python3 ./skills/t2video/scripts/tts.py <project-dir>/ --overwrite

脚本会自动读取 tts_requirement.md，只抽取「配音文案」中的纯文本，并读取其中的音色和语速设置。产出 artifacts/speech.mp3 和 artifacts/speech.json（含 duration 字段）。

ASR 自检由 tts.py 自动完成（Jaccard 相似度阈值 0.5），无需额外操作。

Step 4 — TDD 式素材生产与自检

把 content-check 作为素材生产的测试循环，严格按以下流程执行：

4.1 初检

在搜集任何新素材之前，先运行 content-check 检查已有素材：

python3 ./skills/t2video/scripts/check.py <project-dir>/

根据输出执行：

• verdict: "accepted" 且 duration_gap.status: "sufficient" → 素材满足要求，进入 Step 5 合成
• verdict: "needs_rework" 或 duration_gap.status: "deficit" → 记录问题和 duration_gap.gap，进入 4.2 补充/修正
• duration_gap.status: "excess" → 素材总时长超出目标 3s 以上（会产生明显无声段），删除过长素材后重新下载匹配的

content-check 自动确定目标时长：读取 artifacts/speech.json，按 duration + 1s 计算缺口（前后各 0.5s）。

4.2 搜集/补充素材

按以下优先级搜集/补充素材：

1. 用户素材：如果用户指定了素材，则必须优先使用，不足部分再用如下的方案补全
2. video_generate 工具：使用 openclaw 原生的 video_generate 工具生成视频片段（注意必须为9:16竖屏）
3. pexels-footage：video_generate 不可用时，从 Pexels 免费素材库搜索下载（注意必须为9:16竖屏）
4. pixabay-footage：pexels-footage 不可用时，或未搜索到合适素材时，从 Pixabay 免费素材库搜索下载（注意必须为9:16竖屏）
5. AI 视频生成：仅在上述方案均不可用或时长仍不足时使用

素材下载规则（必须严格遵守）：

• 一次只下载一个视频：pixabay-footage 和 pexels-footage 脚本已强制视频类型 --max-clips=1，禁止批量下载
• 时长精准匹配：根据 content-check 报告的 duration_gap，设置 --min-duration 和 --max-duration 让下载的素材贴近缺口时长。例如缺口 20s，则 --min-duration 17 --max-duration 23，不要下载远超需求的素材
• 超出检测：如果 content-check 报告 duration_gap.status: "excess"（实际时长超出目标 3s 以上），必须删除过长的素材后重新下载匹配的

# 使用 AI 视频生成（仅在其他方案不可用时）
python3 ./skills/t2video/scripts/gen.py \
  --prompt "描述画面内容" \
  --out-dir <project-dir>/artifacts

4.3 回归自检

每生成、下载或修正一段素材后，立即重新运行 content-check：

python3 ./skills/t2video/scripts/check.py <project-dir>/

1. 如果有质量问题（如空画面、低分辨率），先修复问题素材
2. 如果有时长缺口，按 4.2 的优先级补充缺口
3. 补充或修复后再次运行 content-check
4. 只有 verdict: "accepted" 且时长满足目标时，才能进入 Step 5 合成

Step 5 — 合成视频

content-check 通过后，调用 fragment-assembly 将视频和音频合成为最终成品：

python3 ./skills/t2video/scripts/assemble.py <project-dir>/artifacts/ --output <project-dir>/video.mp4

合成规则：

• 有 speech.mp3 → 使用 TTS 音频替换视频音轨（AAC 192k）
• 无配音 → 保留视频原音轨
• 不烧录字幕

合成后确认 video.mp4 存在且非空。

Step 6 — 制作封面

每个视频都必须配封面图。封面要求：

• 必须包含视频标题文字，不允许纯图片封面
• 标题文字必须有设计感（字体选择、排版布局、颜色搭配）
• 竖屏封面 1080x1920，横屏 1920x1080
• 可以使用视频关键画面作为背景，但文字是必须元素

使用 siliconflow-img-gen 制作封面，保存为 <project-dir>/cover.jpg。

可用语音

脚本清单

注意事项

• TTS ASR 自检已内置：tts.py 生成音频后自动执行 ASR 自检（阈值 50%），无需单独操作
• 素材搜集仅支持素材合成模式：不支持动态制作（hyperframes、manim 等），这是本技能与 video-producer 的关键区别
• 不拆分片段：整部视频作为单一片段生产，适合 1–3 分钟的短小视频
• 配音语速不得为匹配视频时长而调整：默认 1.0，只能按用户明确要求修改