@optima-chat/gen-cli 2.3.0 → 2.5.0

package/.claude/skills/video-gen/references/prompt-craft.md

@@ -0,0 +1,72 @@
+---
+name: prompt-craft
+purpose: "把 storyboard / 分析转成 Seedance 能拍好的 prompt —— 复刻保真的命门"
+---
+
+# 写好生成 prompt（call-N.txt）
+
+> 在「产出 Production Plan」给每个 Call 写 `prompts/call-N.txt` 时，**必须**照本文结构写。
+> 默认视频路径把这段文本**原样**喂给模型，中间**没有任何改写 / 增强兜底**——文本糙 = 成片糙。复刻成败就卡在这。
+> **结构来源**：本文五段式结构是 optima-gen 服务端 `SYSTEM_PROMPT_VIDEO` 的 **skill 端镜像**；改其一须同步另一（skill 读不到服务端，无法单一来源）。
+
+## 为什么 prompt 决定成败
+
+默认路径是 image-to-video，模型只吃三样：**首帧图 + 这段 prompt + 时长**。它按 prompt 把首帧「动起来」。所以：
+
+- 首帧定「长什么样」，**prompt 定「怎么动」**。
+- prompt 没写清动作 / 运镜 → 模型自由发挥 → 动作呆、方向乱、跟参考对不上。
+- **复刻尤其吃这条**：参考视频好看，是因为它的**节奏 + 运镜 + 动作**好看，而这些只活在「动态」里——首帧图带不出来，**必须靠 prompt 文字补回去**。
+
+## 五段式结构（顺序不要乱）
+
+每个 `call-N.txt` 按这个顺序写，每段一到两句。**构图 / 机位 / 运镜 / 光线的专业术语全部查 `cinematic-language.md`**——这几段写得专不专业，直接决定模型拍得像不像导演拍的：
+
+1. **开场构图**：主体是什么、在画面什么位置（三分 / 居中）、**景别 + 机位 + 焦段/景深**（如「ECU 大特写、略仰拍、85mm 长焦浅景深隔离主体」，不是只写「特写」）、前中后景分层。
+2. **动作弧（最重要）**：这一镜从头到尾**发生了什么动作**——主体怎么动、状态怎么从 A 变到 B。复刻时照搬参考这一镜的动作。
+3. **运镜**：镜头怎么动——固定 / 推 dolly in / 拉 / 摇 / 横移 / 跟 / 手持 / 环绕 arc。挑**一种**和动作匹配的，别堆；**分清 dolly（机身移、透视变）与 zoom（变焦、透视不变）**。
+4. **光线与氛围**：写**光向 + 光质 + 色温 + 光比**（「窗户来的柔和侧逆光、暖白、半脸入暗的高光比」），不是只写「暖光、干净」。
+5. **结束状态**：这一镜最后定格在什么画面（便于和下一镜衔接 / 链式承接末帧）。
+
+**长度**：80–220 词（中文约 60–150 字），写满信息但不灌水。
+
+## 四条硬禁忌
+
+- **不写时长秒数**（如「持续 3 秒」）——时长由 `--duration` 参数控制，写进 prompt 反而干扰。
+- **不写画幅比例**（如「9:16」）——由 `--aspect-ratio` 控制。
+- **不写声音 / 音效 / BGM / 台词**——这段只描述画面，音频是另一条链。
+- **复刻不要自补创意**——任务是忠于参考的动作和运镜，不是「我觉得这样更好」。要改，等用户明说。
+
+## 从 analysis.md → prompt 的字段映射（复刻用）
+
+| analysis.md 字段 | 写进 prompt 第几段 |
+|---|---|
+| 主体 / 构图 / 景别 | ① 开场构图 |
+| 描述（发生了什么） | ② 动作弧 —— **若 analysis 只写了静态画面，回看素材补出动作** |
+| 运镜 | ③ 运镜 |
+| 光线 / 色调 | ④ 光线与氛围 |
+| 下一镜首帧需要的画面 | ⑤ 结束状态 |
+
+> 复刻链路**最常见的丢分点**：analysis 把每镜写成了「一张静态照片的描述」（主体 + 构图 + 光线），**漏了动作**。video 模型最吃动作。写 prompt 前对照素材确认：每镜的动作弧已经落到第 ② 段。
+
+## 例子：同一镜，差 prompt vs 好 prompt
+
+**参考镜头**：一只手把懒人拖把按进水桶、提起来甩两下、拖把头展开。
+
+❌ **差**（静态、无动作弧、无运镜）：
+
+> 一只手拿着拖把在厨房里，旁边有个水桶，暖色灯光，干净的画面。
+
+→ 模型不知道「要发生什么」，大概率把拖把拍成僵在原地轻微晃动，完全不是参考的「按—提—甩—展开」。
+
+✅ **好**（五段式）：
+
+> 中景，一只手从画面右侧握住平板拖把杆，厨房台面背景虚化。手把拖把头压进左下角的水桶里浸满水，随即利落提起、向右轻甩两下甩掉余水，超细纤维拖把头随甩动展开蓬松。镜头固定，只随拖把头上下轻微跟移。清晨侧光从左侧窗户进来，暖白色调，水珠在光里有细小高光，画面干净有质感。结束时拖把头停在画面中央、纤维完全展开，准备进入下一镜的擦地动作。
+
+→ 动作弧（压→提→甩→展开）、运镜（固定 + 轻跟）、光线、结束状态都齐了，模型能照着拍出和参考一致的节奏。
+
+## 写完自检（4 个勾）
+
+- [ ] 第 ② 段有没有明确的**动作弧**（从 A 变到 B），不是静态描述？
+- [ ] 运镜只挑了**一种**且和动作匹配？
+- [ ] 没出现秒数 / 比例 / 声音？
+- [ ] 复刻镜：动作和运镜**忠于参考**，没自作主张改？

package/.claude/skills/video-translate/SKILL.md

@@ -7,7 +7,7 @@ owner_repo: Optima-Chat/optima-gen
 
 # video-translate
 
-把口播视频本地化:HeyGen 自动克隆原说话人译音 + 烧录目标语字幕 + BGM ducking(默认开)。**3 步主流程**(+ Step 0 预检 + Step 4 可选清理)。
+把口播视频本地化:MiniMax 预置明亮女声译音 + 烧录目标语字幕 + BGM ducking(默认开)。**3 步主流程**(+ Step 0 预检 + Step 4 可选清理)。
 
 ## 适用语言
 
@@ -21,20 +21,21 @@ owner_repo: Optima-Chat/optima-gen
 ## 前提
 
 - 源视频 URL 公网可访问(或先让用户上传到 Optima → 拿 URL)
-- 容器有:`gen` CLI(`@optima-chat/optima-gen` ≥ latest)、`video-translate` CLI(`@optima-chat/video-translate-tools` ≥ 1.0.5)、`ffmpeg`、`curl`、`jq`
-- gen video-translate 的 `--mode fast` / `--dynamic-duration` flag 在 latest 版本已存在;若 CLI 报 unknown flag → `npm i -g @optima-chat/optima-gen@latest` 升级
+- 容器有:`gen` CLI(`@optima-chat/optima-gen` ≥ latest)、`video-translate` CLI(`@optima-chat/video-translate-tools` ≥ 1.0.9,`--style` 需 1.0.9)、`ffmpeg`、`curl`、`jq`
+- 后端 2026-05 从 HeyGen 切换为 MiniMax pipeline(同接口,~100× 便宜)。CLI 接口未变,旧 `--mode` / `--dynamic-duration` flag 已无效会被忽略
 
 ## 输入
 
 | 参数 | 必填 | 说明 |
 |---|---|---|
 | `URL` | ✅ | 公网可访问的源视频 URL |
-| `LANG` | ✅ | HeyGen 人类可读名(见上面 4 语) |
+| `LANG` | ✅ | 人类可读语言名(见上面 4 语) |
 | `TAG` | ✅ | 对应的两字母 tag(`en` / `th` / `ms` / `vi`) |
 | `BGM` | ⬜ | 自定义 BGM 文件路径(覆盖默认)。不传则用 npm 包内置 `bgm/default.mp3`(22s clean instrumental,自动 loop)|
 | `NO_BGM` | ⬜ | 设非空值则跳过 BGM(出片只有人声 + 原视频 BGM 残留)|
-| `VOICE` | ⬜ | HeyGen stock voice_id(从下面 ## Voice Catalog 选)。**不传 = 克隆源说话人音色**(legacy 默认行为)|
+| `VOICE` | ⬜ | MiniMax voice_id(从下面 ## Voice Catalog 选)。**不传 = `Portuguese_FriendlyNeighbor`** 默认(友好邻居女声,广谱适用——卖货 / 教程 / demo 都不违和)|
 | `NAME` | ⬜ | 工作区名,默认从 URL 末段推 |
+| `STYLE` | ⬜ | 字幕风格,**不传 = `classic`(原款)**。可选 `pop-soft` / `pop-3d` / `pop-hl` / `anton` / `luckyguy`,见 Step 0.6。需 `video-translate-tools` ≥ 1.0.9 |
 
 ## 3 步主流程(+ Step 0 预检 + Step 4 可选清理)
 
@@ -42,7 +43,7 @@ owner_repo: Optima-Chat/optima-gen
 
 ```bash
 ## ⚠ URL 必须是公网 https URL,不能是本地路径 /home/aiuser/...
-## gen video-translate 只接受 https URL(HeyGen 那边要拉的)
+## gen video-translate 只接受 https URL(后端要下载源视频)
 ## 如果是本地路径,先用 chat 系统的 file API 签 URL
 if [[ ! "$URL" =~ ^https?:// ]]; then
   echo "INFO: 本地路径 '$URL',需要上传拿 https URL"
@@ -60,55 +61,107 @@ if [[ ! "$URL" =~ ^https?:// ]]; then
   echo "URL → $URL"
 fi
 
-## URL 末段可能含 query string(HeyGen / S3 预签名 url 含 token)— 先去掉再 basename
+## URL 末段可能含 query string(S3 预签名 url 含 token)— 先去掉再 basename
 NAME="${NAME:-$(echo "$URL" | cut -d'?' -f1 | xargs basename | sed 's/\.[^.]*$//' | sed 's/[^A-Za-z0-9_-]/_/g')}"
 WORK="./videos/${NAME}.work"
 mkdir -p "$WORK"
 
-## 音量预检 — HeyGen 在 < -25dB 会报 "No speaker detected"
+## 音量预检 — Whisper ASR 在 < -25dB 会返回 0 segments(adapter 抛 "source audio too quiet (<-25dB)" 错误)
 ## ffmpeg 输出在 stderr,必须 2>&1
 ffmpeg -i "$URL" -af volumedetect -f null - 2>&1 | grep mean_volume
 ```
 
 如果 `mean_volume < -25dB`,提示用户:"源视频音量太低(< −25dB),翻译服务大概率会报无人声。建议先用 `ffmpeg -i in.mp4 -af 'volume=20dB,acompressor=threshold=-20dB:ratio=4' -c:v copy out.mp4` 放大后再翻译。"
 
-### Step 0.5:让用户挑音色 — 纯文本对话(不要用 AskUserQuestion)
+### Step 0.5:音色 — 默认**自动双音色**(LLM 标注 A/B),**不问用户**
 
-**重要:不要用 AskUserQuestion 工具**(只支持 4 选项 + label-based 反查不可靠,试过失败)。**用纯文本输出 5 个选项,等用户文字回复**:
+后端默认行为(2026-05 起):**自动双音色** — 翻译时 LLM 给每个 cue 标 speaker A 或 B:
+- **A = `Russian_CrazyQueen`**:反应方 / 提问 / 惊呼("等等!"/ "多少钱?"/ "天哪")
+- **B = `Portuguese_FriendlyNeighbor`**:卖家 / 介绍 / 推销("正品"/ "玻璃材质"/ "今天下单送")
 
-agent 输出(逐字照搬,把 $LANG 换成实际目标语):
+对话型视频(赵大大式带货)→ **双女声自然对话感**。单口播视频 → LLM 全标 A,自动退回单音色,**不会瞎切**。**SKILL 不询问音色**,直接 backend 自动判断。
 
+```bash
+## 默认走 backend 自动双音色,不需要在 Step 1 显式传 --voice
+VOICE=""
 ```
-翻译到 $LANG,4 个语种共用一个音色。请回复编号(1-5)或名字:
 
-  1. Connie - 沉稳专业旁白(F) — preview: https://resource.heygen.ai/text_to_speech/locale=en-USmodel=eleven_multilingual_v2id=9FnNGNtwCeU9fyf6mFfDp8.mp3
-  2. Sophie - 温柔友好(F)     — preview: https://resource.heygen.ai/text_to_speech/locale=model=eleven_multilingual_v2id=kte4EzDuRTnsnHkATe6tDK.mp3
-  3. Bruce - 中年浑厚(M)      — preview: https://resource.heygen.ai/text_to_speech/locale=model=eleven_multilingual_v2id=2SdnapPUN7wvtCbkPSgdHV.mp3
-  4. Luca - 年轻活力(M)       — preview: https://resource.heygen.ai/text_to_speech/locale=model=eleven_multilingual_v2id=FVKYscu8J8EVReBuZdPXnJ.mp3
-  5. 保留原声(克隆源说话人音色)
+#### 仅当用户**主动要求换音色**时,才列下面备选并等回复:
+
+**用户想全用单一音色**(关掉双音色,例如"全用一个声音"/ "我不要双音色"):
 
-回复方式:数字 1-5,或者 "Connie"/"Sophie"/"Bruce"/"Luca"/"原声",或者 "随便"(我帮你随机挑)。
+```bash
+SINGLE_VOICE_FLAG="--single-voice"   ## Step 1 传给 gen video-translate
 ```
 
-#### 用户回复 → VOICE 变量(严格按下表)
+**用户想指定具体音色**(例如"用男声"/ "换个更可爱的"):
+
+```
+你可以从这 6 个预置音色挑(传 --voice 后所有 cue 都用该 voice,关闭双音色):
+  1. Friendly     - 友好邻居广谱女声(F)         — 默认 B (卖家)
+  2. CrazyQueen   - 充满活力 + 狂野(F)         — 默认 A (反应方)
+  3. Sweet        - 甜美年轻(F)                — 美妆/母婴/温和卖货
+  4. Lovely       - 可爱俏皮(F)                — Z 世代/活泼带货
+  5. Trustworthy  - 美式磁性沉稳男声(M)        — 科技/汽车/正经 demo
+  6. Aussie       - 澳式阳光男声(M)            — 短视频/运动/快消
+
+回复数字或名字。
+```
 
 | 用户回复 | VOICE 变量值 |
 |---|---|
-| `1` / `Connie` / `用 Connie` / 任何含 "Connie" | **`VOICE=d774d69075f24d1fb52a0dad145ba809`** |
-| `2` / `Sophie` / `用 Sophie` | **`VOICE=vakjM0uzzAxU4UiT0433`** |
-| `3` / `Bruce` / `用 Bruce` | **`VOICE=1LtsDD7yfTuX92TzjmJk`** |
-| `4` / `Luca` / `用 Luca` | **`VOICE=6HiVdeiuBdZbtcnukrQn`** |
-| `5` / `原声` / `克隆` / `用我自己的` / `keep original` | **`VOICE=`**(留空,不传 `--voice`) |
-| `随便` / `random` | 从 1-4 voice_id 里**随机挑一个**设 VOICE,**不要默认 5** |
+| `1` / `Friendly` | **`VOICE=Portuguese_FriendlyNeighbor`** |
+| `2` / `CrazyQueen` / `狂野` | **`VOICE=Russian_CrazyQueen`** |
+| `3` / `Sweet` / `甜美` | **`VOICE=Sweet_Girl`** |
+| `4` / `Lovely` / `可爱` | **`VOICE=lovely_girl`** |
+| `5` / `Trustworthy` / `磁性` / `沉稳` | **`VOICE=English_Trustworthy_Man`** |
+| `6` / `Aussie` / `澳` / `阳光` | **`VOICE=English_Aussie_Bloke`** |
+
+#### 严禁
+
+- ❌ **主动问"你要哪个音色"** — 默认双音色够好,问了反而增加摩擦
+- ❌ **用 AskUserQuestion 工具**(只有用户主动要求换才列文字菜单)
+- ❌ **加 "克隆原声" 选项** — MiniMax 预置音色管线 v1 不做 voice clone
+
+### Step 0.6:字幕风格 — 默认 `classic`(原款),**不主动问**
+
+`render-ass` 支持 `--style`(需 `video-translate-tools` ≥ 1.0.9)。**默认不传 = `classic`,与原来的花体字幕完全一致**,默认流程零变化。
+
+```bash
+## 默认走原款,不显式传 --style
+STYLE=""
+```
+
+#### 仅当用户**主动要求换字幕风格**时(如"字幕换个风格"/"字幕太单调"/"用 anton"),才列菜单并等回复:
+
+```
+字幕风格(回复数字或名字):
+  1. classic   - 原款:白字黑边 + 粉色关键词(默认)
+  2. pop-soft  - 立体软影:原款 + 柔和投影,更立体
+  3. pop-3d    - 立体彩影:洋红 3D 硬投影 + 亮黄关键词,最潮
+  4. pop-hl    - 关键词亮填:原款 + 关键词亮黄实填
+  5. anton     - 条形:高条形粗体,现代利落
+  6. luckyguy  - 圆润:圆润漫画体,活泼
+```
+
+| 用户回复 | STYLE |
+|---|---|
+| `1` / classic / 原款 | `STYLE=""`(=classic) |
+| `2` / pop-soft / 立体软影 | `STYLE=pop-soft` |
+| `3` / pop-3d / 立体彩影 / 潮 | `STYLE=pop-3d` |
+| `4` / pop-hl / 关键词亮填 | `STYLE=pop-hl` |
+| `5` / anton / 条形 | `STYLE=anton` |
+| `6` / luckyguy / 圆润 | `STYLE=luckyguy` |
+
+#### 严禁
 
-#### 严禁(踩过两次了)
+- ❌ **主动问"你要哪个字幕风格"** — 默认 `classic` 够好,问了增加摩擦(同音色逻辑)
+- ❌ **用 AskUserQuestion 工具**(只有用户主动要求换才列文字菜单)
+- ❌ 把菜单外的名字直传 `--style` — render-ass 会 warn 回退 classic,应先在表里映射成合法值
 
-- ❌ **用 AskUserQuestion 工具**(4 选项限制 + label 反查不可靠,会让用户选了 voice 你跑 clone)
-- ❌ **用户选了 1-4,你设 VOICE=空走 clone** — 跟选择不一致就是 bug
-- ❌ **不列全 5 个选项**(比如只列"用 voice / 原声"二选一,等同不让选)
-- ❌ **不告诉用户怎么回复**(必须明确说"回复数字或名字")
+> 风格只改配色/描边/阴影/关键词,**字体仍按语言兜底**(th=Sarabun、vi=Noto;anton 例外,越南语用 Anton)。所有风格对 4 语都安全,不会豆腐块。
 
-### Step 1:HeyGen 翻译(用现成 CLI)
+### Step 1:翻译(用现成 CLI)
 
 ```bash
 RAW_DIR="$WORK/raw"
@@ -116,14 +169,19 @@ mkdir -p "$RAW_DIR"
 gen video-translate \
   --video-url "$URL" \
   --lang "$LANG" \
-  --mode fast \
-  --dynamic-duration \
   ${VOICE:+--voice "$VOICE"} \
+  ${SINGLE_VOICE_FLAG:-} \
   -o "$RAW_DIR" \
   > "$WORK/gen.json"
 ```
 
-`gen video-translate` 自动轮询,5-15 min 完成。失败 / 超时见末尾错误表。
+`gen video-translate` 自动轮询。**完成时间随 cue 数线性增长**(adapter 段间 1.5s sleep 防 RPM):
+- < 30s 视频(~10 cues):2-3 min
+- 1 min 视频(~20 cues):3-5 min
+- 5 min 视频(~50 cues):**10-15 min**(注意 BullMQ worker slot 占用)
+- 10 min+ 视频:**不推荐**,接近 30 min poll timeout 上限
+
+失败 / 超时见末尾错误表。
 
 幂等:`$WORK/gen.json` 存在则跳。
 
@@ -149,27 +207,81 @@ AUDIO="$WORK/translated_audio.wav"
 SRT="$WORK/caption.srt"
 [ -s "$SRT" ] || curl -sSL --retry 1 "$CAP_URL" -o "$SRT"
 
+## SRT 必须非空 — 后端偶发返回 0 字节 SRT(Whisper 无语音 / 上传失败),后续 sync 检查会拿到空 end_time
+[ -s "$SRT" ] || { echo "ERR: $SRT 空或损坏,gen.json 内 caption_url 可能已 expire,重跑 Step 1"; exit 1; }
+
 ASS="$WORK/subs.ass"
 TRANS="$WORK/translations.json"
 video-translate render-ass \
   --srt "$SRT" \
   --lang "$TAG" \
+  ${STYLE:+--style "$STYLE"} \
   --translations "$TRANS" \
   --out "$ASS"
 ```
 
 用户可手编 `$TRANS`(给关键词加 `**word**` 触发粉色 KW 描边)后删 `$ASS` 重跑这步。
 
+### Step 2.5:A/V sync 预检(必跑,挡掉调试不收敛的常见根因)
+
+**为什么必跑**:用户反馈"字幕和配音调试多次不同频"。绝大多数情况不是字幕样式问题,而是后端 audio 时长跟 SRT 末尾时间戳本身就对不上(MiniMax adaptive-speed 调整不完美时会有 < 1s 累积漂移),或者跟原视频时长差距过大。**不在 mux 前查,用户只能盲调,改 10 次还是错。**
+
+```bash
+## 原视频本地化(Step 3 也需要,提前到这里让 sync 预检能算 VIDEO_DUR)
+ORIG_VIDEO="$URL"
+if [[ "$URL" =~ ^https?:// ]]; then
+  ORIG_VIDEO="$WORK/orig.mp4"
+  [ -f "$ORIG_VIDEO" ] || curl -sSL "$URL" -o "$ORIG_VIDEO"
+fi
+
+## audio 实际时长(秒,保留 3 位小数)
+AUDIO_DUR=$(ffprobe -v error -show_entries format=duration -of csv=p=0 "$AUDIO")
+
+## SRT 最后一行 cue 的 end 时间(秒)
+SRT_END=$(awk '
+  /-->/ { t=$3; gsub(",", ".", t); split(t, p, ":"); end = p[1]*3600 + p[2]*60 + p[3] }
+  END   { print end }
+' "$SRT")
+
+## 原视频时长(用于检测 audio 超出/不足)
+VIDEO_DUR=$(ffprobe -v error -show_entries format=duration -of csv=p=0 "$ORIG_VIDEO" 2>/dev/null || echo "0")
+
+printf "AV-sync: audio=%.3fs srt_end=%.3fs video=%.3fs\n" "$AUDIO_DUR" "$SRT_END" "$VIDEO_DUR"
+
+## 1. audio vs SRT — 这是字幕看起来 "晚" 或 "早" 收尾的直接原因
+DELTA_AS=$(awk -v a="$AUDIO_DUR" -v s="$SRT_END" 'BEGIN { d=a-s; if (d<0) d=-d; print d }')
+if awk "BEGIN { exit !($DELTA_AS > 0.5) }"; then
+  echo "ERR: audio 与 SRT 末时间差 ${DELTA_AS}s (>0.5s)。"
+  echo "     根因多半是后端本次输出 audio/SRT 不同步,继续 mux 字幕会全段漂。"
+  echo "     remediation: rm $WORK/gen.json $AUDIO $SRT && 重跑 Step 1 拿新一对 audio+SRT。"
+  exit 1
+fi
+
+## 2. audio vs video — 字幕和声音一致但跟画面不齐
+if [ "$VIDEO_DUR" != "0" ]; then
+  DELTA_AV=$(awk -v a="$AUDIO_DUR" -v v="$VIDEO_DUR" 'BEGIN { d=a-v; if (d<0) d=-d; print d }')
+  if awk "BEGIN { exit !($DELTA_AV > 1.0) }"; then
+    echo "INFO: audio 与原视频时长差 ${DELTA_AV}s。mux 会按 --raw 时长裁/补,字幕跟音同步但画面可能错位。"
+  fi
+fi
+```
+
+**触发条件 + 决策**:
+- `DELTA_AS > 0.5s` → **默认停**,提示用户重跑 Step 1。盲跑 mux 然后再调字幕样式没用,根因在后端 TTS 输出。
+- `DELTA_AV > 1.0s` → 只是 info,不挡;但要在 Step 3 出片汇报里如实告诉用户。
+- 两条都 ≤ 阈值 → 直通 Step 3。
+
+幂等:这个 block 没有副作用,可以反复跑。
+
 ### Step 3:Mux 出片
 
 ```bash
 FINAL="./videos/${NAME}_${TAG}.mp4"
 
-## --orig-video 关键:用用户原视频画面(不用 HeyGen lip-sync 改过嘴型的画面)
-## $URL 是用户原视频本地路径或 https URL
-## 如果 $URL 是 https,先 curl 到本地 → 用本地路径
-ORIG_VIDEO="$URL"
-if [[ "$URL" =~ ^https?:// ]]; then
+## --orig-video 关键:用用户原视频画面(MiniMax pipeline 不生成新视频,只换音轨,这里把原画面+新音轨合一)
+## ORIG_VIDEO 通常已在 Step 2.5 落到本地;这里幂等兜底,允许只想换字幕样式时跳着复跑 Step 3
+ORIG_VIDEO="${ORIG_VIDEO:-$URL}"
+if [[ "$ORIG_VIDEO" =~ ^https?:// ]]; then
   ORIG_VIDEO="$WORK/orig.mp4"
   [ -f "$ORIG_VIDEO" ] || curl -sSL "$URL" -o "$ORIG_VIDEO"
 fi
@@ -185,8 +297,8 @@ video-translate mux \
 ```
 
 **关键**:管线匹配本地水杯/zhaodada 批量出片行为:
-- `--orig-video` = 用户原视频画面(无 lip-sync 改动)
-- `--raw` = HeyGen v3 译音(audio_url 下载的 wav)
+- `--orig-video` = 用户原视频画面(MiniMax 不动画面,只换音轨)
+- `--raw` = 后端译音(audio_url 下载的 wav)
 - 字幕烧 + BGM ducking 走 mux 内置
 
 **BGM + 花体字幕样式 = 默认产出的一部分,不是可选项。** 不要问用户"要不要加",不要在结尾说"如需 BGM/字幕样式可补充"。`video-translate mux` 默认就用 `bgm/default.mp3` + Path-B 描边样式;`render-ass --lang $TAG` 默认按语言选字体(Bangers / Sarabun / Noto Sans)。不要绕过 `mux` 自己手写 ffmpeg(会丢 BGM + 字幕样式 + 音轨规范化)。
@@ -211,10 +323,12 @@ rm -rf "$WORK"
 **触发条件**:用户一次请求 ≥2 种目标语言("翻译成英/泰/越/马 4 国语")。
 
 **不要按单语流程循环跑 N 次**——会有两个致命问题:
-1. wall time = N × 单次 (~12min/lang × 4 = 48min)
+1. wall time = N × 单次 (~5min/lang × 4 = 20min)
 2. chat bash 队列被 N 条阻塞命令塞满,后续命令(mux/SFX)全卡"准备中"
 
-改用 **单条 bash 内 N 路 subshell 并发**:chat 队列只占 1 slot,HeyGen 服务端并行处理,wall time ≈ 单次最慢 (~12min)。
+改用 **单条 bash 内 N 路 subshell 并发**:chat 队列只占 1 slot。
+
+> ⚠ **MiniMax RPM 限速注意**:MiniMax 新账户 RPM 默认 1-2,4 路并发会触发后端段间 retry,实际 wall time 可能并不省 vs 串行。如果发现 batch 比单语 ×4 还慢,考虑升级 MiniMax tier 或改回串行。Phase 1 默认仍走并发(代码路径已验证)。
 
 ### Step B0:URL 预处理 + workspace + 音量预检 + 源视频下载(只跑一次)
 
@@ -242,11 +356,13 @@ ORIG_VIDEO="./videos/${NAME}.batch/orig.mp4"
 [ -f "$ORIG_VIDEO" ] || curl -sSL "$URL" -o "$ORIG_VIDEO"
 ```
 
-### Step B0.5:voice 选一次,所有语种共用
+### Step B0.5:voice 默认 backend 预置,不问
+
+同单语 Step 0.5,默认 `VOICE=""` 走后端 `Portuguese_FriendlyNeighbor`。仅当用户主动要求换音色才列菜单 + 设 `VOICE`。所有语种 subshell 共用同一个 `VOICE`。
 
-同单语 Step 0.5。`VOICE` 变量设一次后下方循环里所有 subshell 都继承,**所有语种用同一个 voice 出片**(用户只需挑一次)。
+字幕风格同理(Step 0.6):默认 `STYLE=""`(=classic 原款),仅用户主动要求才设;所有语种共用同一个 `STYLE`,已在下方 per-lang 模板的 `render-ass` 里以 `${STYLE:+--style "$STYLE"}` 透传。
 
-### Step B1:并发派出所有 HeyGen 翻译(后台跑,~5 秒返回)
+### Step B1:并发派出所有翻译(后台跑,~5 秒返回)
 
 ```bash
 ## 用户实际要的语种,从下面 4 个里选(不要的注释掉)
@@ -266,7 +382,6 @@ for entry in "${LANG_LIST[@]}"; do
   ## 后台启动 gen video-translate,各自写 gen.json,bash 立即继续
   nohup gen video-translate \
     --video-url "$URL" --lang "$LANG" \
-    --mode fast --dynamic-duration \
     ${VOICE:+--voice "$VOICE"} \
     -o "$WORK/raw" > "$WORK/gen.json" 2>&1 &
 
@@ -275,13 +390,13 @@ done
 echo "=== all submitted, returning immediately ==="
 ```
 
-这一步 5 秒返回。**关键**:用 `nohup ... &` 后台启动,bash exit 后进程继续(尽量 survive 短暂 idle / 容器升级)。每个进程会在 HeyGen 翻译完成后把 audio_url/caption_url 写入对应的 gen.json。
+这一步 5 秒返回。**关键**:用 `nohup ... &` 后台启动,bash exit 后进程继续(尽量 survive 短暂 idle / 容器升级)。每个进程会在 MiniMax pipeline 完成后把 audio_url/caption_url 写入对应的 gen.json。
 
 ### Step B2-B5:逐语种等结果 → 出片(每个一条独立 bash)
 
 **重点:每个语种用单独的 bash 命令处理,不要再用 `&` 并发**。这样:
 - chat 看到每个语种独立完成、独立报告
-- 第 1 个 bash 等 HeyGen(~12 min),后续每个 bash 几乎瞬间完成(因为 4 个翻译是并行跑的,后续几个早已 done)
+- 第 1 个 bash 等翻译(~5-8 min),后续每个 bash 几乎瞬间完成(因为 4 个翻译是并行跑的,后续几个早已 done)
 - 失败隔离:1 个失败不影响其他
 
 通用 per-lang 模板(把 `$TAG` 换成 en / th / ms / vi 各跑一遍):
@@ -293,7 +408,7 @@ FINAL="./videos/${NAME}_${TAG}.mp4"
 
 ## 等 gen.json 写完(或失败)
 ## ⚠ gen-cli 用 outputSuccess 包装在 {success, data: {...}} 里,字段在 .data.* 下
-DEADLINE=$(( $(date +%s) + 1800 ))     ## 30min 上限,跟 HeyGen poll timeout 对齐
+DEADLINE=$(( $(date +%s) + 1800 ))     ## 30min 上限,跟后端 poll timeout 对齐
 while true; do
   ## Case 1: 成功 → .data.audio_url 非 null
   if jq -e '.data.audio_url' "$WORK/gen.json" >/dev/null 2>&1; then
@@ -309,7 +424,7 @@ while true; do
     echo "[$TAG] FAIL: $(jq -r '.error.code + \": \" + .error.message' "$WORK/gen.json")"
     exit 1
   fi
-  ## Case 4: 30min 超时(HeyGen 一般 5-15min,30min 还没就是真挂了)
+  ## Case 4: 30min 超时(MiniMax pipeline 一般 3-8min,30min 还没就是真挂了)
   if [ "$(date +%s)" -gt "$DEADLINE" ]; then
     echo "[$TAG] TIMEOUT 30min,gen.json 内容:"; cat "$WORK/gen.json"; exit 1
   fi
@@ -323,11 +438,26 @@ CAP_URL=$(jq -r '.data.caption_url' "$WORK/gen.json")
 ## 下载 + render-ass
 curl -sSL --retry 1 "$AUDIO_URL" -o "$WORK/translated_audio.wav"
 curl -sSL --retry 1 "$CAP_URL"   -o "$WORK/caption.srt"
+[ -s "$WORK/caption.srt" ] || { echo "[$TAG] ERR: SRT 空/损坏"; exit 1; }
 video-translate render-ass \
   --srt "$WORK/caption.srt" --lang "$TAG" \
+  ${STYLE:+--style "$STYLE"} \
   --translations "$WORK/translations.json" \
   --out "$WORK/subs.ass"
 
+## A/V sync 预检(同单语 Step 2.5,挡后端偶发 audio/SRT 不同步)
+AUDIO_DUR=$(ffprobe -v error -show_entries format=duration -of csv=p=0 "$WORK/translated_audio.wav")
+SRT_END=$(awk '
+  /-->/ { t=$3; gsub(",", ".", t); split(t, p, ":"); end = p[1]*3600 + p[2]*60 + p[3] }
+  END   { print end }
+' "$WORK/caption.srt")
+DELTA_AS=$(awk -v a="$AUDIO_DUR" -v s="$SRT_END" 'BEGIN { d=a-s; if (d<0) d=-d; print d }')
+printf "[%s] AV-sync: audio=%.3fs srt_end=%.3fs delta=%.3fs\n" "$TAG" "$AUDIO_DUR" "$SRT_END" "$DELTA_AS"
+if awk "BEGIN { exit !($DELTA_AS > 0.5) }"; then
+  echo "[$TAG] WARN: audio/SRT 时间差 >0.5s,跳过本语 mux。删 $WORK/gen.json 重跑 Step B1 该 lang。"
+  exit 1
+fi
+
 ## mux 出片
 video-translate mux \
   --raw "$WORK/translated_audio.wav" \
@@ -356,17 +486,17 @@ echo "[$TAG] DONE -> $FINAL"
 | | 单语循环(❌ 不要) | 渐进批量(✓) |
 |---|---|---|
 | 源视频下载 | N 次重下 | 1 次共用 |
-| HeyGen 调用 | 串行 N × 12min | 并发 max(12min) |
+| 翻译调用 | 串行 N × 5min | 并发(受 MiniMax RPM 限速影响) |
 | chat 队列占 | N 条阻塞 bash | 1 条 submit + N 条快速 poll |
 | 失败隔离 | 一个挂全停 | per-lang subshell + bash 独立 |
-| 用户感知 | 黑盒 48 min | 第 1 个 ~12 min 出,后续每 ~30 秒 1 个 |
-| **wall time(N=4)** | **~48 min** | **~13 min(73%↓)** |
+| 用户感知 | 黑盒 ~20 min | 第 1 个 ~5-8 min 出,后续每 ~30 秒 1 个 |
+| **wall time(N=4)** | **~20 min** | **~8-12 min**(实际看 MiniMax tier) |
 
 ### 失败处理
 
 - 单 lang 失败:per-lang bash `exit 1`,agent 报告该语种失败但**继续跑下一个语种的 bash**
 - 用户对失败的单 lang re-run → 删 `$WORK/gen.json` 重跑 Step B1 单语 + per-lang 模板即可
-- HeyGen credit 不足报错 → 当 lang 个失败处理,不阻塞其他 lang
+- MiniMax 余额不足 / RPM 限速持续失败 → 当 lang 个失败处理,不阻塞其他 lang
 
 ## 错误处理
 
@@ -374,20 +504,24 @@ echo "[$TAG] DONE -> $FINAL"
 |---|---|
 | URL 不通 | 重传或上传到 Optima 拿新 URL,不消耗翻译服务 credits |
 | 源视频音量过低 | 让用户先用 ffmpeg `volume=20dB,acompressor` 放大后重传 |
-| HeyGen `status: failed` "No speaker is detected" | 同源视频音量过低处理 |
-| HeyGen 其他失败 | 透出 task_id,提示用 `gen task get <id>` 查最新;干净退出 |
-| HeyGen >30min 超时 | 同上,可能任务还在 running |
+| 后端 `status: failed` 包含 "no speaker" / "0 segments" | 源视频音量过低,同上处理 |
+| MiniMax `1008 insufficient balance` | MiniMax 账户余额不足,运维充值后重跑 |
+| MiniMax `1002 rate limit exceeded` 持续失败 | RPM tier 不够;后端有指数退避兜底,长视频可能超时 → 联系运维升级 tier |
+| 后端其他失败 | 透出 task_id,提示用 `gen task get <id>` 查最新;干净退出 |
+| 翻译 >30min 超时 | 同上,可能任务还在 running |
 | `gen.json` 缺 `.audio_url` / `.caption_url` | gen 后端契约可能改字段名。打 `cat $WORK/gen.json` 看实际字段 |
-| `curl <caption_url>` 失败 | URL 7 天 expire。retry 1 次后仍失败 → 重跑 step 1 |
+| `curl <caption_url>` 失败 | S3 presigned URL 24 小时 expire。retry 1 次后仍失败 → 重跑 step 1 |
 | `video-translate render-ass` SRT 解析失败 | 显示 SRT 头 20 行,不重试 |
 | `video-translate mux` 字体 ☐ | 检查 `fc-match Bangers / Sarabun / "Noto Sans"` 是否精确返回 |
+| Step 2.5 报 "audio 与 SRT 末时间差 > 0.5s" | MiniMax adaptive-speed 本次大幅偏离,**字幕调样式没用**。删 `$WORK/gen.json $AUDIO $SRT`,重跑 Step 1 |
 
 ## 不做
 
-- ❌ 性别自动检测(让用户自己选,见 Step 0.5)
+- ❌ 性别自动检测(默认 `Portuguese_FriendlyNeighbor` 女声,用户想换主动说)
 - ❌ 硬字幕(burnt-in)抹除 — 源视频有的话出片会双语
 - ❌ 自动加粗关键词 — SRT 直入无粉色,用户手编 translations.json
-- ❌ 双说话人差异化音色 — HeyGen 自动 diarize 但用同一克隆音色
+- ❌ 双说话人差异化音色 — MiniMax v1 单音色 default,手动传 speakers JSON 才能分轨(SKILL v1 不暴露)
+- ❌ 克隆原说话人音色 — MiniMax voice clone API 是独立流程,v1 不上
 - ❌ 一次多语言 — 一次一种语言
 
 ## 参考
@@ -399,13 +533,15 @@ echo "[$TAG] DONE -> $FINAL"
 
 ## Voice Catalog
 
-下面 4 个 voice 全部是 HeyGen catalog 里走 **ElevenLabs `eleven_multilingual_v2`** 模型的多语 voice,**任选一个,所有支持语言(en/th/ms/vi)都能说**。实测 Connie 跨 4 语全部 Whisper 95%+ 语种识别置信度,音色保留 + 自动适配目标语言性别敬语(如泰语 ค่ะ/ครับ)。
+下面 6 个 voice 是 MiniMax 预置音色,**任选一个,所有支持语言(en/th/ms/vi)都能说**(底层 `speech-02-turbo` + `language_boost` 跨语自适应)。POC 验证(2026-05)在卖货场景下跨 4 语均自然,Whisper 反向验证语种识别 > 90%。
 
-| # | voice_id | 名字 | 性别 | 风格定位 | preview(英文样本) |
-|---|---|---|---|---|---|
-| 1 | `d774d69075f24d1fb52a0dad145ba809` | Connie - Professional | F | 沉稳专业旁白 | https://resource.heygen.ai/text_to_speech/locale=en-USmodel=eleven_multilingual_v2id=9FnNGNtwCeU9fyf6mFfDp8.mp3 |
-| 2 | `vakjM0uzzAxU4UiT0433`             | Sophie                | F | 温柔友好     | https://resource.heygen.ai/text_to_speech/locale=model=eleven_multilingual_v2id=kte4EzDuRTnsnHkATe6tDK.mp3 |
-| 3 | `1LtsDD7yfTuX92TzjmJk`             | Bruce                 | M | 中年浑厚     | https://resource.heygen.ai/text_to_speech/locale=model=eleven_multilingual_v2id=2SdnapPUN7wvtCbkPSgdHV.mp3 |
-| 4 | `6HiVdeiuBdZbtcnukrQn`             | Luca                  | M | 年轻活力     | https://resource.heygen.ai/text_to_speech/locale=model=eleven_multilingual_v2id=FVKYscu8J8EVReBuZdPXnJ.mp3 |
+| # | voice_id | 风格定位 | 适用场景 |
+|---|---|---|---|
+| 1 | `Portuguese_FriendlyNeighbor` | 充满活力的友好邻居(F) | **默认** — 销售 / 教程 / demo,广谱适用 |
+| 2 | `Russian_CrazyQueen` | 充满活力 + 狂野不可预测(F) | 反应方 / 惊呼 / 高能开场 |
+| 3 | `Sweet_Girl` | 甜美年轻(F) | 美妆 / 母婴 / 温和卖货 |
+| 4 | `lovely_girl` | 可爱俏皮(F) | Z 世代 / 活泼带货 |
+| 5 | `English_Trustworthy_Man` | 美式磁性沉稳(M,带通用美式口音) | 科技 / 汽车 / 严肃产品 demo |
+| 6 | `English_Aussie_Bloke` | 阳光开朗(M,澳式口音) | 短视频 / 运动 / 快消 |
 
-> 维护说明:换 voice 时,从 `GET /v2/voices` 里筛 `preview_audio` 含 `multilingual` 的 EL 系列。其它非 EL 系列的"English"标签 voice **大概率**不能跨语言,要实测验证。
+> 维护说明:从 MiniMax `POST /v1/get_voice` 接口可拉全量 303 个预置音色。挑跨语 voice 优先 `English_` / `Russian_` / `Portuguese_` / `Sweet_` / `lovely_` / `Indonesian_` 前缀(描述含 "活力 / 甜美 / 俏皮 / Trustworthy / Bloke" 关键词的);其他 `Chinese_` / `Korean_` / `Japanese_` 前缀的强单语音色硬说外语会有明显口音。试新 voice 必须先用 `text="测试一句"` × 4 语单独调一次听感再批量上(参考 [[feedback_api_accept_neq_use]]:API 接受 ≠ 输出可用)。

package/assets/video-compose/bgm-library/SOURCES.md

@@ -0,0 +1,25 @@
+# BGM 情绪库 — 来源与授权
+
+所有曲目来自 **FreePD.com**，授权 **CC0 1.0（公共领域，可商用、零署名）**。
+原始仓库镜像：`SoundSafari/CC0-1.0-Music`（`freepd.com/` 目录，CC0-1.0）。
+
+本库文件已转码瘦身（30s、80kbps、mono、首尾淡入淡出）用于成片 BGM。
+
+| 目录(情绪) | 文件 | FreePD 原曲 |
+|---|---|---|
+| warm | warm-01.mp3 | Aquarium |
+| warm | warm-02.mp3 | Adding the Sun |
+| calm | calm-01.mp3 | Amazing Grace |
+| calm | calm-02.mp3 | Baltic Levity |
+| upbeat | upbeat-01.mp3 | And Here We Go |
+| upbeat | upbeat-02.mp3 | Backbeat |
+| sad | sad-01.mp3 | After the End |
+| sad | sad-02.mp3 | A Waltz For Naseem |
+| energetic | energetic-01.mp3 | Action Strike |
+| energetic | energetic-02.mp3 | Battle Ready |
+| dramatic | dramatic-01.mp3 | Ancient Rite |
+| dramatic | dramatic-02.mp3 | Alien Invasion |
+
+注：情绪分类按曲名启发式归类，未经逐曲试听校准，可按实际听感调整目录归属。
+扩库：往对应情绪目录丢入**可商用授权**的音频即可（脚本自动纳入随机池）。
+CC0 全文：https://creativecommons.org/publicdomain/zero/1.0/

package/assets/video-compose/voice-samples/CATALOG.md

@@ -0,0 +1,9 @@
+# 音色样音目录（label = voice_id）
+# Claude：把这些 mp3 给用户试听，用户选定后把对应 voice_id 写进 proposal.voice
+01-温暖少女   = Chinese (Mandarin)_Warm_Girl
+02-甜美女声   = Chinese (Mandarin)_Sweet_Lady
+03-甜美元气   = female-tianmei
+04-清甜少女   = female-shaonv
+05-御姐       = female-yujie
+06-成熟知性   = female-chengshu
+07-女主播     = presenter_female