🔨 FableForge · 视频生成工业流水线 AI Agent SOP#

本 Skill 是一份 命令级可执行 SOP，而非经验教训集。每个 Stage 均包含 具体执行命令 和 退出验收标准，严禁跳步或在退出标准未满足时进入下一阶段。

---

0. 视频规格与体裁定义（内容优先定档制）#

核心原则：内容的可理解性永远优先于时长限制。

视频时长不是预设的固定值，而是由内容倒推得出的。错误的做法是「先定 60 秒，然后把内容往里塞」；正确的做法是「先确认内容讲完需要多少字，再据此选档」。

0.0 视频体裁系统 (Genre)#

本流水线支持三种核心体裁。在构思内容前， 必须首先确定体裁：

体裁 (Genre)特征与核心要求适用场景常用视觉模式**Genre X: 叙事/隐喻 (Narrative)**有角色、有冲突。旁白重感受轻动作，追求悬念与结局升华。寓言故事、历史重现、管理隐喻+ 模式 A (图片)**Genre Y: 分析/科普 (Analytical)**论点驱动、逻辑递进。追求清晰的结构拆解和痛点直击。商业分析、职场洞察、技术科普+ 模式 B (B-roll)**Genre Z: 宣发/展示 (Promotional)**产品中心、利益点明确。强节奏感与转化引导 (CTA)。产品宣发、网站转视频、功能展示混合模式

0.1 三档体系#

档位适用场景旁白总字数预估时长分镜数S · 短片单一概念解释、痛点直击、高密度短平快150～450 字45～120 秒1+512+1M · 标准完整叙事、多维度拆解、深度论证450～900 字120～270 秒1+1220+1L · 长篇复杂案例剖析、连续剧集900～1500 字270～420 秒1+20~30+1

超过 1500 字的内容必须拆成上下集（每集独立成片，各自包含封面和结尾）。

0.2 定档公式#

text

旁白总字数 = 原始故事中【不可删减要素】的合计字数（见 0.3）
预估时长(秒) = 旁白总字数 ÷ 3.5（中文语速）
根据预估时长选择对应档位

0.3 不可删减要素（内容完整性红线）#

不同体裁有不同的不可删减要素。如果被删除，观众将无法理解视频的核心价值。 剧本转化阶段（Stage 1.2）严禁删除这些要素：

体裁 (Genre)核心不可删减要素删除后果**Narrative (叙事类)因果链、角色动机、关键对话、认知翻转事件、结局因果闭环观众不知道“为什么”，悬念消失，结论像硬塞的Analytical (分析类)痛点现象描述、核心矛盾拆解、数据对比/逻辑支撑、金句结论视频变成空洞的说教，缺乏说服力Promotional(宣发类)**目标受众痛点、核心利益点 (Benefit)、差异化价值、明确的 CTA看完后不知道自己能得到什么，无法转化

可以精简的要素：

• 重复的环境描写或冗长的数据罗列（保留首次，后续可省略）
• 纯装饰性的形容词堆叠
• 不影响主线的次要信息
• 已被画面传达的信息（如「山很高」——画面已经表达了）

0.4 通用规格（所有档位共享）#

规格项标准值说明每幕旁白字数中文 30～80 字 / 英文 20～50 词中文约 3.5 字/秒，英文约 2.5 词/秒每幕预估时长5 ～ 15 秒最终以音频实测为准分镜编号格式scene_cover, scene1 ~ scene{N}, scene_end与 assets/ 下的图片名严格一一对应旁白与分镜对应1 幕 == 1 张图 == 1 段旁白封面通常对应标题旁白，结尾对应金句旁白

---

0.5 质量门禁（三重内容验收）#

视频质量的上限由三个核心因素决定。 每一重门禁未通过，不得进入下一阶段。

门禁一：概念与大纲验收（概念生成后、停机确认前执行）#

AI 容易生成"结构正确但洞察平庸"的内容。在向用户展示前，必须根据体裁完成自检：

强制自检（全部通过方可提交用户确认）：

• 反常识测试 (通用)：这个洞察/角度是"大家都知道"还是"大家都经历但从没被命名"的？前者没传播价值，重写。
• Genre X (叙事) 专属：结局是否让人感到轻微不适或醍醐灌顶？隐喻是否太直白（能在前10秒猜到结局）？
• Genre Y (分析) 专属：逻辑链条是否严密？是否提出了具有实操性的认知升华？
• 现实锚定测试 (通用)：结尾的解释/结论，是否映射到了用户 今天就可能遭遇 的具体场景？

---

门禁二：脚本节奏验收（剧本转化后执行）#

脚本是情绪与逻辑的乐谱。全片节奏必须有起伏，禁止平铺直叙。

体裁节奏铁律：

• Genre X (叙事类) — 情绪驱动：

  • 写感受，不写动作。旁白描述情绪状态，而不是画面动作（❌ "十只狼排成一列" → ✅ "山谷里没有声音，只有风"）。
  • 采用 1-4 情绪档位系统（1舒缓/2蓄力/3爆发/4留白），并在剧本中标注。

• Genre Y (分析类) — 逻辑驱动：

  • 结构清晰：必须遵循“现象引入 → 核心矛盾 → 数据/逻辑支撑 → 升华结论”的节奏。
  • 金句前置或垫后：关键论点必须短小精悍。

• 所有体裁通用：

  • 结论幕字数减半：最后一幕旁白不超过 20 字。越重要的道理，越要用更少的字。
  • 剧本格式补充档位字段：每幕必须标注 - **情绪/节奏档位**：{X}，指导配音语气与画面。

---

门禁三：图片质量验收（图片生成后、进入 Stage 2 前执行）#

构图与画幅规范（强制）：

• 画幅固定：必须生成 9:16 竖屏 图片（DALL-E 3 使用 1024x1792）。严禁使用横屏图片。
• 主体位置：主体人物/物件必须在画面 上方 1/3 区域，底部留给字幕区。
• 提示词必加： cinematic vertical shot, 9:16 aspect ratio, subject positioned in upper third of frame, dark atmospheric space at bottom
• 全片一致性：主光源方向统一，保持跨幕视觉连贯。

风格圣经与一致性工作流（强制）： 为了保证多幕生图的视觉一致性，在生成任何图片之前，必须先根据体裁和设定定义一套「风格圣经」作为所有提示词的前缀，并为主要角色建立角色特征词组。

详细的风格圣经编写步骤、提示词工程公式以及角色一致性锚定工作流，请务必直接阅读 🎨 视觉风格参考手册。

逐张自检：

• 封面图 (scene_cover)：视觉冲击力极强，具备悬念感，能瞬间抓住注意力。
• 结尾图 (scene_end)：意境深远，具备“神性”或“哲学感”，完美呼应主题并实现情感/认知升华。
• 主体在画面上 1/3，底部有足够深色安全区供字幕叠加
• 图片情绪与该幕的「情绪档位」匹配（档位 3 的图不能是平静场景）
• 全片光影/色调风格一致
• 无明显 AI 瑕疵（多余手指、文字乱码、比例失调等）

---

0.6 生产模式决策（内容定型后执行）#

FableForge 支持两种生产模式。 在用户确认内容方向后、动手写剧本之前，必须先确定生产模式。

两种模式概览#

维度模式 A：纯图片模式 B：视频 + 文字叠加适用题材寓言故事、有角色弧线的隐喻职场分析、管理洞察、观点输出画幅16:9 横屏（1920×1080）9:16 竖屏（1080×1920）视觉素材AI 生成的场景图片Pexels/Pixabay 免费 B-roll 视频文字呈现底部字幕条全屏文字叠加排版（暗化遮罩 + 大字）叙事结构角色驱动的故事弧线论点驱动的拆解/金句输出产出节奏较慢（等图片生成 + 风格校准）较慢（等图片生成 + 风格校准）

快速决策表#

判断条件选择有具体角色名字和对话（僧人、狼王、船夫……）模式 A叙事主语是「我」「你」「我们」「很多公司」模式 B需要展示隐喻（灯 → 认知、桥 → 管理）模式 A需要展示数据对比（3 → 13）、金句输出模式 B用户明确说"拍成视频" / "竖版" / "短视频"模式 B用户明确说"写个寓言" / "讲个故事"模式 A

⚠️ 用户可在停机确认时手动覆盖 AI 的模式推荐。模式确定后写入 视频脚本.md 头部的「内容定档」章节。

模式选定后的流程分叉#

• 模式 A：走 §1.5A（图片素材生成）→ §3.2（横屏 HTML 模板）→ 正常流程
• 模式 B：走 §1.5B（视频 B-roll 采集）→ §3.2B（竖屏 HTML + 文字叠加模板）→ 正常流程
• 其余阶段（概念、剧本、TTS、BGM、音频解析、动画、渲染、发布）两种模式共享。

---

视频生产核心流水线 (Stages)#

为确保 AI 执行各阶段时的高精准度与低上下文占用，制片厂流水线已全面重构为模块化架构。 当您执行某一个特定阶段时，请直接调阅并遵循该阶段对应的子 SOP 指南：

🛠️ Stage 0: 自动化环境部署 (Scaffolding)#

• 用途：首次运行或初始化项目环境时执行。
• 动作：部署模板、检测并下载静态 ffmpeg / ffprobe 环境、构建 VoxCPM2 隔离 Python 环境。
• 核心指南：阅读 Stage 0 SOP

✍️ Stage 1：概念、剧本与物料生成#

• 用途：创意策划与声画素材（文字海报、B-roll、配音与BGM）准备。
• 动作：根据 Genre 生成大纲并在停机确认后进行内容定档与剧本拆解，运行声纹克隆脚本，使用图片 API 或自动化下载裁剪 B-roll，并强制生成纯文字封面/封底海报。
• 核心指南：阅读 Stage 1 SOP

⏱️ Stage 2：音频解析与数据驱动时间轴#

• 用途：解析配音，进行像素级音视频时间戳对齐。
• 动作：通过 ffprobe 获取音频绝对时长，使用 Whisper (A方案) / RMS 能量分析 (B方案) 获得精确断句，映射生成 data-start 时间轴。
• 核心指南：阅读 Stage 2 SOP

📐 Stage 3：静态排版构建与验收#

• 用途：横版/竖屏 HTML 与 CSS 样式搭建。
• 动作：搭建 #composition DOM 骨架。模式 B 下严格执行视频标签扁平化，配置组件库（ .headline, .neq 等），确保静态显示 100% 正确并通运 lint 校验。
• 核心指南：阅读 Stage 3 SOP

🎬 Stage 4：动画集成与预检发版#

• 用途：GSAP 动画渲染与 MP4 导出。
• 动作：集成 Ken Burns 等情绪转场动画，运行 inspect 实施最终质量门禁，使用 render 导出 MP4 视频。
• 核心指南：阅读 Stage 4 SOP

📦 Stage 5：发布与归档#

• 用途：补充宣发策划，作品归档。
• 动作：自动补充脚本元数据， 强制追加小红书爆款宣发案（标题、大字封面文案及 Emoji 社交文案），更新 README 并在本地进行 Git 提交。
• 核心指南：阅读 Stage 5 SOP

---

附录：核心指南与排坑规范#

为了保持核心 SOP 的精炼度，以下核心手册与技术参考已存为独立的资源文件，Agent 在执行时可按需读取：

• 🎨 视觉风格参考手册：提供详细风格词典、提示词公式及文化锚点，请查阅 视觉风格参考手册。
• 🐛 技术陷阱与排坑规范：汇总图片裁切、视频冻结、音轨对齐等已知 Bug 解决方案，请查阅 技术排坑手册。

附录 C：项目归档规范结构#

模式 A（纯图片叙事视频）：

text

/YYYYMMDD/
  ├── index.html          (核心时间轴，Stage 3/4 产物)
  ├── assets/
  │   ├── scene_cover.png (封面图，纯文字海报)
  │   ├── scene1.png ~ sceneN.png
  │   ├── scene_end.png   (结尾图，纯文字海报)
  │   ├── narration.wav   (TTS 配音)
  │   ├── bgm.mp3         (背景配乐，Stage 1.7 产物)
  │   └── transcript.json (Whisper 时间戳，Stage 2.2 产物)
  ├── 视频脚本.md          (剧本，Stage 1.2 产物)
  └── promo_video.mp4     (最终成品，Stage 4.3 产物，Git 豁免名单)

模式 B（视频 B-roll + 文字叠加）：

text

/YYYYMMDD_{project_name}/
  ├── index.html               (核心时间轴，竖屏 1080×1920)
  ├── style.css                (独立样式表，文字叠加组件库)
  ├── download_and_process.py   (B-roll 自动化下载/裁剪脚本)
  ├── assets/
  │   ├── scene1.mp4 ~ sceneN.mp4  (裁剪后的 B-roll 视频，1080×1920，无音轨)
  │   ├── narration.wav            (TTS 配音)
  │   └── bgm.mp3                  (背景音乐)
  ├── 视频脚本.md                   (剧本 + B-roll 素材规划表)
  └── renders/
      └── {project}_YYYY-MM-DD_HH-MM-SS.mp4  (渲染成品)