v3.0「资产引擎」：统一的资产层从五种生产者向合成供货——你自己的文件、assetSeeker 免费图库、imagenCN AI 图片、videogenCN AI 视频片段、Hyperframes 透明动画叠层——全部登记进每视频的 manifest 并记录许可来源。免费资源自动解析，付费生成必先确认。所有生产者均为可选：一个不装也能产出精良的纯文字动画视频。

支持工具： Claude Code · OpenClaw (ClawHub) · OpenCode · Codex — 任何支持 SKILL.md 的 coding agent

发布平台： B站 · YouTube · 小红书 · 抖音 · 微信视频号

无需编程！ 用自然语言描述你的主题，coding agent 会一步步引导你完成。你做创意决策，agent 处理所有技术细节。制作你的第一个视频播客，比你想象的更简单。

提示： 本项目仍在持续迭代完善中，部分功能可能还不太成熟。欢迎提出宝贵意见和建议 — 可以提交 Issue 或直接联系作者！

功能特点

主题研究 - 网络搜索与内容收集
脚本撰写 - 带章节标记的结构化旁白
资产引擎（v3.0） - 每视频的 assets/manifest.json 登记全部图片/视频/叠层/音频资产（角色、来源、许可），Remotion 侧通过 AssetImage / AssetVideo / OverlayLayer 消费
五种资产生产者 - 用户文件、assetSeeker（许可核验的图库/BGM/音效/图标）、imagenCN（AI 图片与封面）、videogenCN（AI B-roll，dry-run 报价）、Hyperframes（透明 WebM VP9 动画叠层）
成本确认门 - 付费 AI 生成绝不静默执行：报价 → manifest pending_confirmation → 明确批准
能力探测 - cli.py capabilities 报告各生产者的安装与密钥状态；全链路优雅降级
多 TTS 引擎（11 个后端） - Edge TTS（免费）、Azure Speech、火山引擎豆包、CosyVoice、ElevenLabs、Google Cloud TTS、OpenAI TTS，另经 ttscn 桥接 ttsCN 技能获得腾讯/百度/MiniMax/讯飞
Remotion 视频 - 基于 React 的视频合成与动画
可视化样式编辑 - 在 Remotion Studio 界面调整颜色、字体、布局
实时预览 - Remotion Studio 即时调试，渲染前预览效果
自动同步 - 通过 timing.json 实现音视频同步
背景音乐 - FFmpeg 叠加背景音乐
字幕烧录 - 可选 SRT 字幕嵌入
4K 输出 - 3840x2160 分辨率，画质清晰
章节进度条 - 可视化时间轴，实时显示当前章节
中英混读 - Azure Speech 支持中英文混合旁白
发音校正 - 全局 + 项目级多音字词典，精准控制中文发音
B站模板 - 开箱即用的 Remotion 模板（Video.tsx、Root.tsx、Thumbnail.tsx、podcast.txt），快速搭建项目
偏好学习 - 自动学习用户风格偏好（颜色、字号、语速），智能应用到后续视频
多平台支持 - B站 (Bilibili)、YouTube、小红书、抖音和微信视频号，独立配置平台和语言
多语言支持 - 中文 (zh-CN) 和英文 (en-US) 脚本模板、TTS 音色、字幕字体
字幕偏好 - 自定义字体、字号、颜色、描边，支持开关字幕烧录
CTA 可配置 - 自动（B站三连/YouTube订阅）、动画、文字、自定义

平台优化

B站:

脚本结构 - 欢迎开场 + 一键三连片尾引导
章节时间戳 - 自动生成 MM:SS 格式，直接复制到B站
封面生成 - AI (imagenCN) 或 Remotion，自动生成 16:9 + 4:3 双版本
视觉风格 - 大字饱满、极少留白、信息密度高
发布信息 - 标题公式、标签策略、简介模板

YouTube:

SEO 优化 - 标题 <70 字符、关键词描述、标签和 hashtags
Chapters - 自动生成 YouTube 章节时间戳（首行 0:00）
CTA - "Like, Subscribe & Share" 文字动画或自定义

小红书:

标题 - 不超过 20 字，简洁有力，可用 emoji
正文 - 200-500 字，种草/知识分享风格，支持 emoji
话题标签 - #话题# 格式（双井号），5-10 个
封面 - 3:4（1080x1440）适配信息流
CTA - "点赞收藏加关注" 文字动画

抖音:

格式 - 仅竖屏精华片段（9:16），不生成横屏长视频
文案 - 100-200 字，口语化风格，支持 emoji
话题标签 - #话题 格式（单井号），3-8 个
CTA - "点赞关注" 纯文字（无动画）

微信视频号:

格式 - 仅竖屏精华片段（9:16），不生成横屏长视频
文案 - 100-300 字，知识分享风格，适合转发
话题标签 - #话题 格式（单井号），3-8 个
CTA - "点赞关注，转发给朋友" 纯文字（无动画）

工作流程

⚠️ 给读到这里的你（不是给 AI 看的）：`podcast.txt` 必须人工反复打磨

这一节是写给你这个真人的，不是写给 agent 的。 整条流水线后面所有环节 — TTS 朗读、字幕、章节切换、动画节奏、最终成片 — 全部由这一份 podcast.txt 决定。脚本不行，4K 渲出来的也是垃圾。

AI 生成的初稿只是起点。请你亲自做下面这些事，不要交给 AI 代劳：

按口播节奏在脑子里默读。 每句话当成一口气说完 — 哪句让你"换气换不过来"、哪句要回头重读才懂，立刻改。读得舒服 ≠ 听得舒服，TTS 卡住的地方往往就是你默读时也卡的地方。

至少改三遍。

第一遍：抓错别字、明显语病、绕口处

第二遍：砍废话、砍套话、砍"那么我们今天就来聊一聊"这种开场

第三遍：调节奏 — 哪里断句、哪里加停顿、长句切短、重音落在哪个词上

逐章节通读。 每个 [SECTION:xxx] 块从头看到尾，确认开头有钩子、结尾能自然过渡到下一节，不是一堆并列要点堆在一起。

数字 / 专有名词 / 英文术语单独审一遍。 TTS 念错的 90% 都集中在这里。读音不对的，去 phonemes.json 加词条；读着别扭的，直接换说法。

心里要有时长账。 中文按 每分钟约 280 字 估算（英文约每分钟 150 词）。目标 5-10 分钟 ≈ 1400-2800 字，不要凑。

校验通过的唯一标准：脑子里走完一遍，没有任何一句让你皱眉。 达不到就不要进 Step 8（TTS），否则你只是在用 4K 渲染一段连你自己都不想听完的内容。

环境要求

系统要求

软件	版本	用途
macOS / Linux	-	已在 macOS 测试，兼容 Linux
Python	3.8+	TTS 脚本、自动化
Node.js	18+	Remotion 视频渲染
FFmpeg	4.0+	音视频处理

安装依赖

# macOS
brew install ffmpeg node python3

# Ubuntu/Debian
sudo apt install ffmpeg nodejs python3 python3-pip

# Python 依赖（requirements.txt 位于技能包内）
pip install -r skills/video-podcast-maker/requirements.txt

推荐通过 marketplace 安装： 一般用户应通过 365-skills marketplace 安装本技能，而非克隆本仓库。届时 SKILL.md / scripts / templates 会位于 agent 暴露的 ${SKILL_DIR} 路径下；README 中的路径写法是面向贡献者（仓库根目录视角）。

项目初始化（必需）

重要： 本技能需要一个 Remotion 项目作为基础。

组件关系说明：

组件	来源	作用
Remotion 项目	`npx create-video`	基础框架，包含 `src/`、`public/`、`package.json`
video-podcast-maker	SKILL.md 工作流	工作流编排（本技能）

# 第一步：创建 Remotion 项目（基础框架）
npx create-video@latest my-video-project
cd my-video-project
npm i  # 安装 Remotion 依赖

# 第二步：验证安装
npx remotion studio  # 应打开浏览器预览

如果你已有 Remotion 项目：

cd your-existing-project
npm install remotion @remotion/cli @remotion/player zod

所需 API 密钥

服务	用途	获取方式
Azure Speech	TTS 语音合成（高质量后端）	Azure 门户 → 语音服务
火山引擎豆包语音	TTS 语音合成（备选后端）	火山引擎控制台
阿里云 CosyVoice	TTS 语音合成（备选后端）	百炼控制台
Edge TTS	TTS 语音合成（默认后端，免费，无需密钥）	`pip install edge-tts`
ElevenLabs	TTS 语音合成（英文最高质量）	ElevenLabs
Google Cloud TTS	TTS 语音合成（语言支持最广）	Google Cloud 控制台
OpenAI	TTS 语音合成（简洁 API）	OpenAI Platform
Google Gemini	AI 封面生成（可选）	AI Studio
阿里云百炼	AI 封面生成 - 中文优化（可选）	百炼控制台

环境变量

添加到 ~/.zshrc 或 ~/.bashrc：

# TTS 后端选择：edge（默认，免费）、azure、doubao、cosyvoice、elevenlabs、google、openai
export TTS_BACKEND="edge"                            # 默认值，或 "azure" / "doubao" / "cosyvoice" / "elevenlabs" / "google" / "openai" / "ttscn"（桥接）

# Azure TTS（高质量后端）
export AZURE_SPEECH_KEY="your-azure-speech-key"
export AZURE_SPEECH_REGION="eastasia"

# 火山引擎豆包 TTS（备选后端）
export VOLCENGINE_APPID="your-volcengine-appid"
export VOLCENGINE_ACCESS_TOKEN="your-volcengine-access-token"
export VOLCENGINE_CLUSTER="volcano_tts"              # 默认值，可按控制台配置修改
export VOLCENGINE_VOICE_TYPE="BV001_streaming"       # 可按控制台音色修改

# 阿里云 CosyVoice TTS（备选后端）+ AI 封面
export DASHSCOPE_API_KEY="your-dashscope-api-key"

# 可选：Edge TTS 语音覆盖
export EDGE_TTS_VOICE="zh-CN-XiaoxiaoNeural"

# ElevenLabs TTS
export ELEVENLABS_API_KEY="your-elevenlabs-api-key"

# Google Cloud TTS
export GOOGLE_TTS_API_KEY="your-google-tts-api-key"

# OpenAI TTS
export OPENAI_API_KEY="your-openai-api-key"

# 可选：Google Gemini 生成 AI 封面
export GEMINI_API_KEY="your-gemini-api-key"

然后重新加载：source ~/.zshrc

快速开始

使用方法

本技能适用于支持 SKILL.md 的 coding agent，包括 Claude Code、Codex 和 OpenCode。只需告诉你的 agent：

"帮我制作一个关于 [你的主题] 的视频播客"

agent 会自动引导你完成整个流程。

提示： 经过多次测试，初次生成的效果和模型效果有很大的关系，模型越智能越先进，生成的效果会越好。目前初次生成 Codex 和 Claude Code 生成的视频效果都不错，OpenCode 搭配 GLM-5 也还不错。如果第一次生成的不够好，可以在 Remotion Studio 预览，并让 coding agent 继续修改。

预览与可视化编辑

在渲染最终视频前，使用 Remotion Studio 实时预览和可视化编辑样式：

npx remotion studio src/remotion/index.ts

这会打开一个浏览器编辑器，你可以：

可视化样式编辑 - 在右侧面板调整颜色、字体、尺寸
逐帧拖动时间轴查看效果
编辑组件时实时看到更新
即时调试时间和动画

可编辑属性

分类	属性
颜色	主色调、背景色、文字颜色、强调色
字体	标题大小 (72-120)、副标题、正文
进度条	显示/隐藏、高度、字号、激活颜色
音频	BGM 音量 (0-0.3)
动画	启用/禁用入场动画

配置文件

下表所有路径都相对于技能根目录（本仓库为 skills/video-podcast-maker/，通过 marketplace 安装后为 ${SKILL_DIR}）：

文件	作用域	说明
`phonemes.json`	全局	多音字词典，所有视频项目共享。首次运行时由脚本从 `phonemes.template.json` 自动复制。可直接编辑添加/修正发音（如行 háng vs xíng）。项目级覆盖放在 `videos/{名称}/phonemes.json`
`user_prefs.template.json`	全局	偏好默认模板。首次运行时自动复制为 `user_prefs.json`，后续随使用自动学习你的风格
`prefs_schema.json`	全局	偏好验证的 JSON Schema，无需手动编辑
`tsconfig.json`	全局	Remotion 模板的 TypeScript 配置

输出结构

videos/{视频名称}/
├── topic_definition.md      # 主题定义
├── topic_research.md        # 研究笔记
├── podcast.txt              # 旁白脚本
├── phonemes.json            # （可选）项目专属发音覆盖
├── podcast_audio.wav        # TTS 音频
├── podcast_audio.srt        # 字幕文件
├── timing.json              # 章节时间轴
├── thumbnail_*.png          # 视频封面
├── publish_info.md          # 标题、标签、简介
├── part_*.wav               # TTS 分段（临时，Step 14 清理）
├── output.mp4               # 原始渲染（临时）
├── video_with_bgm.mp4       # 含背景音乐（临时）
└── final_video.mp4          # 最终输出

背景音乐

skills/video-podcast-maker/assets/ 目录下包含：

perfect-beauty-191271.mp3 - 轻快积极
snow-stevekaldes-piano-397491.mp3 - 舒缓钢琴

开发路线

支持竖屏视频 (9:16)，适配 B站手机端沉浸式播放
Remotion 转场效果 (@remotion/transitions)，章节间过渡更专业
组件模板库 (ComparisonCard, Timeline, CodeBlock, QuoteBlock, FeatureGrid, DataBar, StatCounter, FlowChart, IconCard)
广播级画质升级（渐变背景、多层阴影、动画计数器、质量检查清单）
多 TTS 引擎支持（7 引擎：Edge、Azure、豆包、CosyVoice、ElevenLabs、OpenAI、Google Cloud）
Edge TTS 免费后端（无需 API 密钥）
多平台支持（B站 + YouTube），独立语言配置（zh-CN、en-US）
断点续传（--resume 参数）
预估模式（--dry-run 预估时长，不调用 API）
用户偏好自我进化（自动学习视觉/TTS/内容风格偏好）
视觉检查 - 对生成后的页面进行视觉检查，检查其美观性、布局合理性等
将技能文档重构为可被 Claude Code、Codex、OpenCode、OpenClaw 共同使用的 SKILL.md 工作流
设计学习系统 — 从参考视频/图片中学习设计风格，构建设计参考库和可复用的风格档案
Playwright 自动抓取 — 通过 URL 直接分析 B站/YouTube 视频设计风格（Phase 4）
Step 9 智能推荐 — 制作视频时自动匹配并推荐已有风格档案（Phase 5）
封面设计学习 — 将学到的封面风格应用到 Thumbnail.tsx 模板（Phase 5）
YouTube 自动化发布 — 通过 YouTube Data API 上传视频、元数据、章节、封面
Windows 适配 (WSL 验证 + 文档)

💬 社区

Discord: https://discord.gg/79JF5Atuk
微信: 扫描下方二维码

❤️ 支持作者

如果这个项目对你有帮助，欢迎支持作者：

微信支付

支付宝

Buy Me a Coffee

打赏

👤 作者

Agents365-ai

B站: https://space.bilibili.com/441831884
GitHub: https://github.com/Agents365-ai

📄 开源协议

MIT

README.md Unescape Escape

视频播客生成器