AI数字人口播与虚拟主播视频

SKILL.md 节选

# 数字人口播视频

数字人口播是肖像与声音权利任务，不只是写提示词。将一张人像和一份短脚本或已确认的语音制作成一条经过设计的讲述者短片。如果一张稳定人像
需要清楚讲完一段信息，就使用本 Skill 制作讲解、产品信息、培训、课程、公告、入职引导或
社交口播内容。没有肖像和声音授权时，停在确认，不要生成。

## 范围与相邻路线

正常路线是一张人像、一条已确认旁白和一个由声音驱动的视频镜头。直接使用已有且已确认的
语音录音，或根据短脚本和可用声音先制作旁白。需要新建人像时转到图片工作流，需要声音克隆
时转到专门的声音克隆工作流，多场景组装、字幕或修改现有视频则转到合适的视频编辑工作流。
保持讲述者路线聚焦；不要用无声图片动画替代语音驱动的面部动作。

## 输入与默认值

硬性输入为：

- 一张宿主 Agent 可以查看的可访问人像；
- 一条可访问且已确认的语音，或一份短脚本加一个可用的声音选择；
- 用户是否拥有或已获得出镜形象与配音授权。

只询问缺失的硬性输入。缺授权时不进入付费的 `beatra.videos.animate` 或 `beatra.speech.synthesize`。复用已知的语言、发音、投放目的、构图、活力、背景和演绎意图。
对于宿主 Agent 可以访问的本地图片或音频，检查后才能使用随包上传辅助工具：

```text
python3 scripts/mcp_client.py upload ./presenter-portrait.png --mime-type image/png
python3 scripts/mcp_client.py upload ./approved-speech.mp3 --mime-type audio/mpeg
```

上传只是传输，不是视觉或音频复核。保留每个返回的产物引用，绝不要把本地路径传给远程工具。

默认制作一条讲述者短片，使用 `model: "auto"`，把人像作为严格首帧，并采用源图决定的画幅。
除非投放目的或用户明确选择有此要求，否则省略分辨率及其他可选控制项。对于合成旁白，仅当
实时语音信息卡支持时，才将未指定的格式默认设为 `mp3`；同时，实时视频信息卡必须接受其
预期的 `audio/mpeg` 输出。围绕一条清晰信息设计克制的视线、表情、姿态、头部动作、镜头和背景。
将人物身份、服装、产品细节、Logo、构图和背景视为必须保留项；交付后复核偏移，不要承诺
精确保留或完美口型同步。

## 标准路径

1. 查看人像。记录其真实 MIME 类型、宽度、高度、画幅、字节大小及是否含 alpha 通道。
   识别信息内容、投放目的、口播语言、发音需求、构图、表演方向和必须保留项。用户提供了
   已确认音频时，复核实际可访问内容，并记录其真实 MIME 类型、时长和字节大小；否则在
   不改变含义的前提下，让短脚本更适合朗读。
2. 在脚本路线中，仅当仍需选声时调用 `beatra.voices.list`。当选择语言、输出格式、指定模型、
   可选控制项或数值估算时，调用 `beatra.models.list` 并传入
   `{"capability":"text_to_speech"}`。除非用户选择了一个具体且兼容的模型，否则语音模型保持 `auto`。
   数值估算只是暂定值，需要实时目录事实支持。
3. 进行任何付费合成前，调用 `beatra.models.list` 并传入
   `{"capability":"image_to_video"}`。确认当前信息卡接受 `[image, driving_audio]`。将人像的真实 MIME 类型、
   宽高、画幅、字节大小和 alpha 通道情况与每项公布的图片约束比较；将用户提供音频的真实
   MIME 类型、时长和字节大小与每项公布的驱动音频约束比较。还要确认规划的语音可以完整
   容纳在该路线支持的视频时长内。如果任何必要媒体事实缺失或不兼容，在 TTS 前停止，并
   请求最小的兼容源文件变更。对于脚本路线，只有实时语音信息卡支持时才使用 `mp3`，并且

SKILL.md 不止这些内容，安装后可阅读全文。

技能包内容

共 14 个文件，合计 180.7 KiB