Video Slides Production - 视频幻灯片生产技能

- 让内容自己表达

zhangmaosen 0 Updated 2mo ago

Resources

GitHub

Install

npx skillscat add zhangmaosen/video-slides-production

Install via the SkillsCat registry.

SKILL.md

Video Slides Production - 视频幻灯片生产技能

核心流程

a. 逐字稿 → slides内容（观点|逐字稿|背景知识）
b. 素材整理（图片、茂森IP）
c. 图片生成
   c1. 元提示词模板 + 逐字稿 + 背景知识 → 最终提示词（500+字）
   c2. 分工：Qwen Edit（真实产品）| Z-Image Turbo（其他）
   c3. 茂森IP：按需使用，非每页出现
   c4. 封面PIL添加文字
d. TTS生成（茂森语音 Clone）
e. FFmpeg 视频合成

a. 逐字稿格式化

输入格式

标题：xxx
00|第一页观点
01|第二页观点
...

输出格式（slides_content.md）

### 编号 | 标题
- **观点**：xxx
- **逐字稿**：xxx
- **背景知识**：xxx（必要时用浏览器搜索获取）

b. 素材整理

茂森 IP 形象描述

茂森：Q 版，蓬松黑发，八字浓眉，白色 T 恤，自信表情，穿着休闲

茂森语音参考

文件：tmp-slides/maosen_voice_sample.mp4

c. 图片生成

c1. 元提示词模板

模板文件： META_PROMPT.md

模板核心规则：

风格绝对统一：提取 1-2 个核心风格词放句首
精简文字提取：只提炼标题/观点/核心数据，用英文双引号包裹
主体最详尽：详尽描写材质、颜色、光影、数量、动作
空间关系明确：明确左右/前后/上下层级，指出留白
绝对正向描述：不用负面词汇，直接描述应该存在什么
故事感核心：冲突双方 + 动态动作 + 场景叙事 + 视觉张力 + 隐喻表达（避免孤零零的主角）
中文输出：所有提示词必须使用中文（除必要的英文品牌/术语）
纯净静默输出：只输出 prompt 文本，无任何解释/标题/注释

详细文档： 见 META_PROMPT.md (v5.0)

生成最终提示词流程

输入：

风格：手绘漫画风格，线条粗细变化，水墨灰阶，诙谐严肃混合，混子说风格，舞台感构图
逐字稿内容
背景知识

处理流程：

实例化元模板：PROMPT_TEMPLATE.format(输入风格=风格，输入内容=逐字稿 + 背景知识)
AI 执行元模板，锁定核心要素
生成式推理，构想完整画面方案
注入美学细节
文字用英文双引号框起来
输出必须超过 500 字

输出：

最终图片提示词（500+ 字，可直接用于图片生成）

批量生成脚本

通用脚本：batch_generate_prompts.py

使用方式：

cd skills/video-slides-production
python3 batch_generate_prompts.py \
  --project tmp-slides/semi-ev3 \
  --content-file slides_content.json \
  --output-dir prompts/v6 \
  --style "混子说风格融合硬核工程拆解素描风格" \
  --api-key "你的 API_KEY"

参数说明：

--project: 项目名称（workspace 下的目录）
--content-file: slides 内容文件（JSON 格式，相对于项目目录）
--output-dir: 输出目录（相对于项目目录）
--style: 视觉风格（可选，默认混子说风格）
--api-key: API Key（可选，也可通过环境变量 MINIMAX_API_KEY 设置）

slides_content.json 格式：

{
  "slide_00": {
    "title": "标题",
    "viewpoint": "观点",
    "script": "逐字稿",
    "background": "背景知识"
  },
  "slide_01": { ... },
  ...
}

输出：

每个 slide 生成一个 .txt 文件
保存到指定的 output-dir 目录
自动跳过已存在的文件

图片提示词生成（规则外置）

元提示词模板： META_PROMPT.md
条件规则配置： CONDITION_RULES.md

生成流程：

用户输入 → 读取条件规则配置 → 判断触发规则 → 注入到元模板 → AI 生成 → 最终提示词

架构优势：

✅ 元模板通用：META_PROMPT.md 保持纯净，不包含项目特定规则
✅ 规则可配置：每个项目可以有独立的 CONDITION_RULES.md
✅ 易于维护：修改规则无需改动元模板
✅ 版本控制：用 Git 追踪规则变更

Tesla Semi 项目规则（见 CONDITION_RULES.md）：

规则 A：Tesla Semi 特征（7 项，高优先级）
规则 B：燃油卡车对比（6 项，中优先级）
规则 C：充电场景（5 项，中优先级）
规则 D：司机体验（7 项，低优先级）

生成脚本：gen_prompts_v2.py（支持条件规则动态注入）

原则：

条件规则是配置文件，不是硬编码在元模板中
每个项目可以自定义规则（复制 CONDITION_RULES.md 并修改）
规则优先级：高（核心产品）> 中（场景关键）> 低（辅助细节）

d. ComfyUI 图片生成

ComfyUI Qwen-Image API 客户端

API 客户端：comfyui_api.py

类名：ComfyUIQwenImageAPI

功能：

文本到图像生成（Qwen-Image-2512 模型）
支持 Lightning 模式（4 步快速生成）
支持标准模式（50 步高质量生成）
任务队列管理

工作流配置：

模型：qwen_image_2512_fp8_e4m3fn.safetensors
CLIP: qwen_2.5_vl_7b_fp8_scaled.safetensors
VAE: qwen_image_vae.safetensors
LoRA: Qwen-Image-2512-Lightning-4steps-V1.0-fp32.safetensors（Lightning 模式）

使用示例：

from comfyui_api import ComfyUIQwenImageAPI

# 初始化 API 客户端
api = ComfyUIQwenImageAPI("http://100.111.221.7:8188")

# 生成图像（Lightning 模式）
result = api.generate_image(
    prompt_text="一辆绿色的特斯拉 Semi 卡车",
    negative_prompt="低分辨率，低画质，肢体畸形",
    width=1328,
    height=1328,
    seed=None,  # 随机种子
    use_lightning=True,  # Lightning 模式
    filename_prefix="slide_00"
)
# 输出：✅ 任务已提交：xxx
#       模式：Lightning (4 步)
#       分辨率：1328x1328
#       种子：1234567890

# 生成图像（标准模式）
result = api.generate_image(
    prompt_text="一辆绿色的特斯拉 Semi 卡车",
    use_lightning=False,  # 标准模式（50 步）
    filename_prefix="slide_00_standard"
)

API 方法：

方法	参数	说明
`generate_image()`	`prompt_text`	正提示词
	`negative_prompt`	负提示词（可选）
	`width`	图像宽度（默认 1280）
	`height`	图像高度（默认 800）
	`seed`	随机种子（None 表示随机）
	`use_lightning`	Lightning 模式开关（默认 False）
	`filename_prefix`	输出文件名前缀

返回结果：

{
    "prompt_id": "xxx-xxx-xxx",
    "seed": 1234567890,
    "use_lightning": True,
    "status": "queued",
    "error": None
}

图片编辑（基于参考图）

功能：使用 Qwen-Image-Edit-2509 模型进行图片编辑

工作流配置：

模型：qwen_image_edit_2509_fp8_e4m3fn.safetensors
CLIP: qwen_2.5_vl_7b_fp8_scaled.safetensors
VAE: qwen_image_vae.safetensors
LoRA: Qwen-Image-Edit-2509-Lightning-4steps-V1.0-bf16.safetensors

使用示例：

from comfyui_api import ComfyUIQwenImageAPI

# 初始化 API 客户端
api = ComfyUIQwenImageAPI("http://100.111.221.7:8188")

# 图片编辑（绿身替换）
result = api.edit_image(
    input_image_path="green_car.png",  # 输入图片（要编辑的图片）
    reference_image_path="truck_reference.png",  # 参考图片（替换内容的参考）
    edit_prompt="将图 1 中的绿色卡车替换成图 2 中的特斯拉 Semi 卡车，保留图 1 的其他画面",
    filename_prefix="test_edit"
)
# 输出：✅ 编辑任务已提交：xxx
#       输入图片：green_car.png
#       参考图片：truck_reference.png
#       编辑提示：将图 1 中的绿色卡车替换成图 2 中的特斯拉 Semi 卡车...

API 方法：

参数	类型	说明
`input_image_path`	str	输入图片路径（要编辑的图片，如绿身图片）
`reference_image_path`	str	参考图片路径（替换内容的参考，如真实产品图）
`edit_prompt`	str	编辑提示词（描述如何编辑）
`seed`	int	随机种子（None 表示随机）
`filename_prefix`	str	输出文件名前缀

返回结果：

{
    "prompt_id": "xxx-xxx-xxx",
    "seed": 1234567890,
    "input_image": "green_car.png",
    "reference_image": "truck_reference.png",
    "status": "queued",
    "error": None
}

编辑提示词示例：

"将图 1 中的绿色卡车替换成图 2 中的特斯拉 Semi 卡车，保留图 1 的其他画面"
"把图 1 中的车辆替换成图 2 中的卡车，保持场景和光线不变"
"用图 2 的产品替换图 1 中的绿色物体，保留背景"

批量生成图片

批量生成脚本：batch_generate_images.py

使用方式：

cd skills/video-slides-production
python3 batch_generate_images.py \
  --prompts-dir tmp-slides/semi-ev3/prompts/v6 \
  --output-dir tmp-slides/semi-ev3/slides \
  --lightning \
  --comfyui-url http://100.111.221.7:8188

参数说明：

--prompts-dir: 提示词目录（包含多个 .txt 文件）
--output-dir: 输出目录（ComfyUI 服务器输出位置）
--lightning: 使用 Lightning 模式（4 步快速生成）
--comfyui-url: ComfyUI 服务器地址

输出：

每个提示词文件生成一个任务
提交到 ComfyUI 队列
返回任务 ID 和状态

下载生成的图片

下载脚本：download_images.py

使用方式：

cd skills/video-slides-production
python3 download_images.py

功能：

自动从 ComfyUI 历史获取文件名
批量下载所有生成的图片
保存到本地目录

输出位置：

tmp-slides/semi-ev3/slides/
├── slide_00_00003_.png
├── slide_01_00002_.png
├── ...
└── slide_16_00001_.png

生成模式对比

模式	步数	耗时	质量	适用场景
Lightning	4 步	~24 秒	高	快速迭代、批量生成
标准	50 步	~5 分钟	最高	最终成品、高质量需求

Lightning 模式特点：

使用 LoRA: Qwen-Image-2512-Lightning-4steps-V1.0-fp32.safetensors
自动切换 steps=4, cfg=1
生成速度快，质量接近标准模式

标准模式特点：

不使用 LoRA
steps=50, cfg=4
生成速度慢，质量最高


**参数说明**：
- `--prompts-dir`: 提示词目录（例如：prompts/v6）
- `--output-dir`: 输出目录
- `--lightning`: 使用 Lightning 模式（4 步快速生成，约 24 秒/张）
- `--no-lightning`: 使用标准模式（50 步，约 5 分钟/张）
- `--comfyui-url`: ComfyUI API 地址

**工作流程**：
1. 读取 `prompts-dir` 下的所有 `slide_*.txt` 文件
2. 调用 ComfyUI API 批量生成图片
3. 提交任务并显示进度
4. 生成完成后在 ComfyUI 输出目录查找图片

**输出**：
- 图片保存到 ComfyUI 的 `output/` 目录
- 文件名格式：`{slide_name}_0.png`

### 配置文件

**ComfyUI 配置**：`comfyui_config.json`
```json
{
  "base_url": "http://100.111.221.7:8188",
  "default_mode": "lightning",
  "resolution": {
    "width": 1280,
    "height": 800
  }
}

工作流文件：

Qwen-Image-2512_ComfyUI.json - 完整工作流
Qwen-Image-2512_Simple.json - 简化工作流
Qwen-Image-2512_Workflow.json - 标准工作流

生成参数

标准模式：

Steps: 50
CFG: 4
Sampler: euler
分辨率：1280×800 (16:9)
速度：约 5 分钟/张

Lightning 模式（快速）：

Steps: 4
CFG: 1
启用 LoRA: Qwen-Image-2512-Lightning-4steps-V1.0-fp32.safetensors
分辨率：1280×800 (16:9)
速度：约 24 秒/张

图像编辑模式（绿身替换）：

模型：qwen_image_edit_2509_fp8_e4m3fn.safetensors
LoRA: Qwen-Image-Edit-2509-Lightning-4steps-V1.0-bf16.safetensors
Steps: 4
CFG: 1
提示词："把图 1 中的绿色卡车改成图 2 的卡车"

c2. 分工

场景	工作流	说明
封面（真实产品对比）	Qwen Image Edit	+ PIL 添加文字
需要真实产品的页面	Qwen Image Edit	Prompt 写"不要添加任何文字"
抽象/概念/人物/场景	Z-Image Turbo	AI 自由发挥
信息图/地图/图表	Z-Image Turbo	AI 生成

c3. 茂森 IP 使用原则

原则：

✅ 茂森仅在必要时出现
✅ 茂森必须出现：封面、结尾
✅ 茂森可选出现：需要人物引导或对比的页面
❌ 大部分页面不需要茂森
❌ 不要每页都加茂森
❌ 不要在元模板中预设茂森出现

茂森出现条件：

页面需要人物引导或情感表达时
页面需要对比或解说时
封面和结尾（必须）

其他页面：让数据和内容自己说话

c4. 封面处理

方案 A：AI 生成带文字（推荐）

在 prompt 中明确要求文字内容
使用 Qwen-Image-2512 标准模式（50 步）
文字要求必须具体明确（见示例）
需要 autoresearch 迭代优化到 95 分+

方案 B：PIL 添加文字（备选）

AI 生成无文字底图
PIL 添加主标题、副标题、数据标注
适用于文字要求复杂或 AI 生成不稳定的情况

AI 文字生成最佳实践（Tesla Semi 项目经验）：

明确文字要求：在 prompt 中逐字写出需要显示的文字
指定位置：明确每个文字的位置（顶部中央、右下角等）
指定样式：说明字体大小、颜色、粗细
强调准确性："必须清晰可读，无错别字，无乱码"
迭代优化：如果文字乱码，调整 prompt 继续生成，不要放弃

示例 prompt：

【文字标注要求 - 必须清晰可读，无错别字，无乱码】

**位置 1：画面顶部中央**
- 主标题："特斯拉 Semi 掀翻燃油卡车"（大号粗体，黑色）
- 副标题："全球商用货运革命的开启"（中号字体，深灰色，位于主标题正下方）

**位置 2：画面右下角**
- "200 万"（绿色粗体）
- "千亿市场"（绿色粗体，位于"200 万"正下方）

**位置 3：Tesla Semi 车身周围（用细黑线引出标注框）**
- "三电机动力总成"（指向底盘）
- "1000V 高压架构"（指向车身中部）
- "0.36 风阻系数"（指向车头）
- "中置驾驶席"（指向驾驶舱）
- "3 轴 6 轮配置"（指向车轮）

【关键要求】
1. 所有文字必须使用标准简体中文，无错别字
2. 文字必须清晰可读，不能使用艺术字体或变形字体
3. 标注框必须是矩形，黑色细线边框
4. 主副标题必须完整准确，一个字都不能错

风格标签

手绘漫画风格，线条粗细变化，水墨灰阶，诙谐严肃混合，混子说风格，舞台感构图

c5. 评分机制

核心原则：每一步打分都用独立 subagent 来完成

详细文档： 见 SCORING.md

关键点：

✅ subagent 名称：二郎神（天眼通，洞察一切细节）
✅ 逐字稿必须提供：让二郎神逐字核对，一个字都不能错
✅ 参考图片必须提供：让二郎神逐项对比，不能凭印象
✅ 82 分通过标准：达到 82 分即可通过（A 级），95 分是 S 级但不是必须
✅ 正向 + 负向提示词双管齐下：这是解决文字问题的关键
✅ 字体放大：字体越大，出错概率越低（主标题 85px+，副标题 50px+）
✅ 减少文字：不要每页都有标题，除非逐字稿明确；只保留核心数据
✅ 逐字稿优先：只有逐字稿中明确要求的文字才需要评分；如果没有要求，默认得分

评分标准（2026-04-03 更新）：

文字准确性：40 分（主标题 20 分 + 副标题/数据 20 分，逐字稿有要求才评分）
故事性和自说明性：20 分
参考物神似度：20 分
视觉吸引力：10 分
风格一致性：10 分
总分：100 分（通过标准：82 分+，S 级：95-100 分）

等级划分：

S 级：95-100 分（完美）
A 级：82-94 分（✅ 通过标准）
B 级：70-81 分（需要调整）
C 级：60-69 分（需要大改）
F 级：<60 分（重新生成）

Tesla Semi 项目经验：

v1-v9：文字问题持续，评分 49-97 分波动
v10：正向 + 负向提示词双管齐下，文字 100% 准确（30/30 分）
v11-v12：文字再次失控（"绝美核比"、"两系"、"Tesle"等）
最终：v12 = 82 分（✅ 达到通过标准）
经验：12 次迭代才达到 82 分，文字准确性是最大挑战

d. TTS 生成

茂森语音克隆

参考音频：tmp-slides/maosen_voice_sample.mp4
用于 VoiceClone 生成 TTS 音频

生成方式

ComfyUI VoiceDesign → VoiceClone（使用茂森语音样本）

e. 视频合成

工具

FFmpeg：字幕叠加、音视频合成

参数

分辨率：1280×720（16:9）
帧率：30fps
音频：AAC

项目结构

每个视频项目必须创建独立文件夹！

{project_name}_{YYYYMMDD}/
├── script.md             # 逐字稿
├── slides_content.md     # 格式化后的 slides 内容
├── prompts.md            # 最终提示词
├──素材/                  # 原始素材图片
│   ├── tesla_semi.jpg
│   ├── windrose.jpg
│   └── ...
├── slides/             # 幻灯片图片
│   ├── slide_00.png    # 封面
│   └── slide_*.png
├── audio/              # TTS 音频
│   └── seg_*.m4a
├── overlays/          # 字幕 overlay
├── final/             # 最终视频
│   └── final.mp4
└── gen_*.py          # 生成脚本

命名规范：

文件夹：{项目名}_{日期}，如 semi_20260331
幻灯片：slide_00.png ~ slide_XX.png
音频：seg_00.m4a ~ seg_XX.m4a

评分标准（Slide 图片质量）

评分维度

1. 逐字稿遵循度（30 分）⭐ 最重要

标题准确性（15 分）：

分数	标准
15	完美 - 主标题 + 副标题 100% 准确，无错别字
12-14	优秀 - 主标题准确，副标题 1 个非关键错字
9-11	良好 - 主标题准确，副标题有少量缺失
6-8	及格 - 主标题有 1 个错字，副标题不完整
0-5	不合格 - 主标题缺失、严重错别字或完全错误

其他元素（15 分）：

分数	标准
15	完美 - 所有标注、数据、位置 100% 符合
12-14	优秀 - 标注完整，1 个非关键位置偏差
9-11	良好 - 主要标注完整，缺少 1-2 个次要标注
6-8	及格 - 缺少部分标注或数据
0-5	不合格 - 多处缺失或错误

2. 故事性和自说明性（20 分）

分数	标准
20	完美 - 3 秒内就能完全理解核心观点
16-19	优秀 - 5 秒内理解，构图清晰
12-15	良好 - 需要 10 秒思考才能理解
8-11	及格 - 需要辅助说明
0-7	不合格 - 很难理解想表达什么

3. 参考物神似度（20 分）

分数	标准
20	完美 - 所有关键特征 100% 准确
16-19	优秀 - 关键特征准确，细节有微小偏差
12-15	良好 - 主要特征正确，缺少 1-2 个关键细节
8-11	及格 - 能看出相似，但关键特征有缺失
0-7	不合格 - 关键特征错误（如轴数、颜色等）

4. 技术准确性（15 分）

分数	标准
15	完美 - 所有参数 100% 准确
12-14	优秀 - 参数准确，标注位置有微小偏差
9-11	良好 - 大部分正确，1 个次要参数有误
6-8	及格 - 关键参数有误（如风阻系数、电压等）
0-5	不合格 - 多处技术错误或误导读者

5. 视觉吸引力（10 分）

分数	标准
9-10	构图优秀，色彩协调，冲击力强
7-8	整体美观，无明显缺陷
5-6	中规中矩，缺乏亮点
3-4	视觉混乱，配色不当
0-2	严重影响观看体验

6. 风格一致性（5 分）

分数	标准
5	完全符合混子说手绘风格
4	基本符合，细节略有偏差
3	部分符合
2	风格混杂
0-1	完全偏离

评分等级

总分	等级	说明
95-100	S 级	完美，可直接使用
90-94	A 级	优秀，微调后可用
80-89	B 级	良好，需要修改
70-79	C 级	及格，大幅修改
60-69	D 级	较差，建议重做
0-59	F 级	不合格，必须重做

一票否决项（直接 F 级）

主标题缺失或错误
副标题缺失或错误
文字错别字超过 3 处
技术参数严重错误

autoresearch 优化流程

目标：通过迭代优化达到 95 分+（S 级）

流程：

生成 v1 版本 → 2. 评分 → 3. 分析扣分点 → 4. 调整 prompt → 5. 生成 v2 → 6. 重复直到 95 分+

关键原则：

✅ 评分标准不变
✅ 只修改 prompt，不修改评分规则
✅ 持续迭代直到满足得分标准
✅ 文字问题不要放弃，调整 prompt 继续尝试

Tesla Semi 项目经验：

v1-v5：文字缺失/乱码（60-80 分）
v6-v8：去掉文字，专注画面（91-97.5 分）
v9：尝试文字但乱码（60 分）
v10：文字 + 画面双完美（100 分）

经验总结：

AI 可以生成准确文字，但需要明确具体的 prompt
不要过早放弃文字生成，调整 prompt 可能解决问题
标准模式（50 步）比 Lightning 模式文字质量更好

注意事项

避免

光头、单一姿势/表情
解说员占据太多画面
粗暴加入人物角色风格提示词

茂森 IP

用提示词描述，不合并真实图片
根据内容需要决定出现位置
让内容自己表达

Video Slides Production - 视频幻灯片生产技能

Resources

Install

Video Slides Production - 视频幻灯片生产技能

核心流程

a. 逐字稿格式化

输入格式

输出格式（slides_content.md）

b. 素材整理

茂森 IP 形象描述

茂森语音参考

c. 图片生成

c1. 元提示词模板

生成最终提示词流程

批量生成脚本

图片提示词生成（规则外置）

d. ComfyUI 图片生成

ComfyUI Qwen-Image API 客户端

图片编辑（基于参考图）

批量生成图片

下载生成的图片

生成模式对比

生成参数

c2. 分工

c3. 茂森 IP 使用原则

c4. 封面处理

风格标签

c5. 评分机制

d. TTS 生成

茂森语音克隆

生成方式

e. 视频合成

工具

参数

项目结构

评分标准（Slide 图片质量）

评分维度

1. 逐字稿遵循度（30 分）⭐ 最重要

2. 故事性和自说明性（20 分）

3. 参考物神似度（20 分）

4. 技术准确性（15 分）

5. 视觉吸引力（10 分）

6. 风格一致性（5 分）

评分等级

一票否决项（直接 F 级）

autoresearch 优化流程

注意事项

避免

茂森 IP

Categories

Install

Recommended Skills