Ai Presenter Video

根据脚本 + 图片制作经过验证的 AI 主播视频。

技能元数据


来源	可选 — 使用 `hermes skills install official/creative/ai-presenter-video` 安装
路径	`optional-skills/creative/ai-presenter-video`
版本	`1.0.0`
作者	cclank (https://github.com/cclank/lanshu-create-ai-presenter-video)，由 Hermes Agent 移植
许可证	MIT
平台	linux、macos
标签	`video`、`presenter`、`avatar`、`lipsync`、`tts`、`captions`、`creative`
相关技能	`hyperframes`、`kanban-video-orchestrator`、`comfyui`

参考：完整的 SKILL.md

信息

以下是此技能被触发时 Hermes 加载的完整技能定义。这就是技能激活时智能体看到的指令内容。

AI Presenter Video

将某个主题（或已完成的脚本）加上一张获得授权的成年人主播图片，转变为完整的、可直接发布的由主播主导的视频：锁定旁白、带口型同步 QA 的头像生成、字幕、确定性剪辑、响度归一化的母版/分享编码，以及机器 + 视觉验收报告。

当需要制作新的主播视频，以及需要继续、修订、加字幕、修复口型同步或重新导出已有的主播视频任务时，使用此技能。工作流与服务商无关：根据会话中实际可用的能力来选择生成方式（通过 image_generate 和视频生成插件使用 FAL 视频/图像模型，通过 text_to_speech 使用 TTS，通过 whisper/STT 工具链使用 ASR，以及全程使用 ffmpeg 完成所有确定性工作）。

移植自 cclank/lanshu-create-ai-presenter-video（MIT）。上游正文基本原样保留在 references/ 中；Hermes 的适配则存放在此 hub 文件中。脚本是确定性的（无网络、无凭据）。

Hermes 适配（请先阅读）

技能目录解析 — 上游硬编码了其自身智能体的技能路径。在 Hermes 中，loader 会将 ${HERMES_SKILL_DIR} 展开为此技能的安装目录，因此下方每条命令都直接使用该 token：
```
SKILL_DIR="${HERMES_SKILL_DIR}"
```
Shell 变量在工具调用之间不会保留 — 在每个用到它的终端调用中重新粘贴该赋值（或展开后的路径）。
能力映射 — 当参考资料中说“语音生成能力”时，使用 text_to_speech（根据用户配置使用 OpenAI/Edge/ElevenLabs）；“主播/头像生成”→ 通过配置好的视频工具链使用 FAL 图生视频系列（Kling、Wan、MiniMax H3 等），或用户可访问的头像/口型同步端点；“词级时间戳 ASR”→ 通过 STT 工具链或 venv 中的 faster-whisper 使用 whisper；“确定性合成器”→ ffmpeg filtergraph，或安装后的 hyperframes 技能（编辑参考资料中有直接对应它的 HyperFrames 章节）。
视觉 QA — 对生成的拼图和采样帧执行“正常速度视觉复核”步骤时使用 vision_analyze（身份、嘴部时序、手部、眨眼、连续性）。数值检查来自脚本的 ffprobe 输出。
付费生成同意 — 远程头像/TTS 生成会计费。遵循上游操作规则：在第一次付费调用之前，说明所上传的资源、请求的秒数、已知费用、试做规模以及重试上限，并获得用户的明确许可。在 job.json 中 remote_upload_approved 为 true 之前，绝不要将主播图片上传到远程服务商。
同意标志位于 input 之下 — rights_confirmed、adult_presenter_confirmed、remote_upload_approved 和 voice_clone_approved 位于 job.json 的 input 对象内（init 标志会设置它们；手动编辑必须针对 input.*，而不是 job 根）。manual_input_review.* 位于根级别。preflight.py 会区分 errors（阻止一切）和 remote_blockers（只阻止远程生成）— 当远程被阻止时，本地脚本/音频工作仍可继续。

工作流

开始或继续一个任务。 新任务：
```
python3 "$SKILL_DIR/scripts/init_job.py" \
  --job-dir ~/Videos/my-presenter-video \
  --presenter-image /path/to/presenter.png \
  --topic "explain context engineering in one minute" \
  --duration 60 --aspect 9:16 \
  --rights-confirmed --adult-presenter-confirmed
```
对已有脚本文件使用 --script；其他标志：--voice-sample、--supporting-media、--width、--height、--fps、--watermark、--cta。对于已有任务，读取 job.json + QA 报告，并从最早未完成的状态继续 — 绝不重新生成已验收的工作。

手动输入复核。 实际查看主播图片（vision_analyze）并试听任何语音样本；通过设置 job.json 中的 manual_input_review 布尔值来记录结果，例如：

python3 - <<'PY'
import json
p = "~/Videos/my-presenter-video/job.json"  # expand ~ or use an absolute path
import os; p = os.path.expanduser(p)
j = json.load(open(p))
j["manual_input_review"].update(image_viewed=True, single_clear_face=True,
                                image_has_no_unwanted_text=True)
json.dump(j, open(p, "w"), indent=2)
PY

然后进行门控：

python3 "$SKILL_DIR/scripts/preflight.py" ~/Videos/my-presenter-video/job.json

仅在 ok: true 时才继续；仅在 remote_ready: true 时执行远程生成。注意：preflight 也会就地更新 job.json（记录报告路径）— 运行后应重新读取，而不是编辑一份过期的副本。

锁定内容和音频 — 阅读 references/generation.md。脚本 → 通过 text_to_speech 生成完整旁白 → 用 ASR 对照脚本核验旁白 → 记录真实时长。锁定后的音频是下游一切工作的主时钟。
规划和生成主播 — 阅读 references/generation.md。先进行简短、低成本的试做；只有在试做通过身份和嘴部时序复核后才进行完整生成。
编辑 — 阅读 references/editing.md。由锁定音频驱动的确定性时间线；字幕和关键词标注仅在音频和媒体定稿后进行。
验证并交付 — 阅读 references/qa-recovery.md，渲染，然后：
```
bash "$SKILL_DIR/scripts/finalize_delivery.sh" \
  ~/Videos/my-presenter-video/renders/rendered.mp4 \
  ~/Videos/my-presenter-video/outputs my-video
```
终结脚本会保留宽高比，运行两遍响度归一化（program ≈ −16 LUFS），生成母版 + 分享编码，对两者进行解码验证，写出交付报告 JSON，并输出一张九帧拼图。在声称完成之前，请用 vision_analyze 检查该拼图。

操作规则（不可协商）

在相关远程操作之前，确认图像权利、成年身份、远程上传批准以及语音克隆授权。
绝不从图像推断或克隆真人的声音；使用获得授权的样本或现成 TTS 语音。
在主播生成、字幕时序或最终场景边界之前，锁定完整旁白。
在最终合成中静音视频源的音频；只有经批准的旁白和有意的混音轨道承载音频。
保留服务商请求体和任务 ID（除去凭据/会过期的 URL）。在重新提交之前先轮询被中断的工作 — 避免重复计费。
在三个被拒的付费候选之后停止，并总结失败模式。
在最终文件完全可解码且已复核拼图或完整播放之前，不要声称完成。

最小输入时的默认值

9:16、1080×1920、30fps；主题派生的视频目标时长 45–75 秒；在没有授权样本时使用现成语音；主播主导的布局，采用 hook → 2–4 个节拍 → 收尾；除非有要求，否则不加音乐/CTA；语言根据请求推断。

参考路由

references/generation.md — 受理录入、内容、语音、能力选择、主播提示词、付费生成、服务商变更。
references/editing.md — 时间线契约、开场/结尾、字幕、关键词标注预设、HyperFrames 合成、导出。
references/qa-recovery.md — 技术验收、视觉验收，以及针对口型同步/身份/手部/曝光/卡帧/字幕/音频故障的恢复。

陷阱

preflight.py 需要 ffprobe；在干净的机器上先安装 ffmpeg。
由 init 标志设置的同意布尔值落在 input.* 之下；在 job-json 根级别编辑它们会静默无效（preflight 会持续阻止）。
finalize_delivery.sh 需要 bash + jq + awk 以及完全可解码的输入 — 被截断的渲染按设计就无法通过解码检查，而不是偶然失败。
长头像片段会漂移：优先使用在音频时间线上切分的一个连续主播源，而不是许多重新生成的章节片段（跨重生成的身份漂移是视觉 QA 的首要失败原因）。
FAL i2v 端点有持续时间上限（通常为 5–15 秒）；请相应规划章节级主播片段，并在端点支持的情况下复用试做的 seed/参数以保持一致性。

验证

实操验证（2026 年 8 月）：init_job.py → job.json 具有正确的状态机；preflight.py 在输入未复核时正确阻止，在复核布尔值设置后翻转为 ok: true，并在 input.remote_upload_approved 之前保持 remote_ready: false；对合成的 5 秒 1080×1920 渲染运行 finalize_delivery.sh 生成了经解码验证的母版（631kbit/s）+ 分享编码、交付报告 JSON 和一张 9 帧拼图，退出码为 0。

技能元数据​

参考：完整的 SKILL.md​

AI Presenter Video

Hermes 适配（请先阅读）​

工作流​

操作规则（不可协商）​

最小输入时的默认值​

参考路由​

陷阱​

验证​