create-dwy 0.16.0 → 0.17.0

package/templates/ai-tools/skills//350/207/252/345/252/222/344/275/223/dwy-doubao-tts/scripts/synthesize.py

@@ -0,0 +1,339 @@
+#!/usr/bin/env python3
+"""豆包声音复刻 2.0：HTTP Chunked 单向流式 TTS，写出完整音频文件。
+
+配置只从 ~/.dwy/config.yaml 的 doubao_tts section 读取。
+禁止向 skill / 项目目录写密钥或音色 ID。
+"""
+
+from __future__ import annotations
+
+import argparse
+import base64
+import json
+import re
+import sys
+import uuid
+from datetime import datetime
+from pathlib import Path
+from typing import Any
+from urllib.error import HTTPError, URLError
+from urllib.request import Request, urlopen
+
+sys.path.insert(0, str(Path(__file__).resolve().parent))
+
+from global_config import CONFIG_PATH, SECTION_DOUBAO_TTS, get_section  # noqa: E402
+
+# 流式帧：业务成功片；文档约定结束码 20000000
+CODE_AUDIO = 0
+CODE_DONE = 20000000
+
+# 财经语境关键词（小写匹配前会保留中文原文）
+FINANCE_KEYWORDS = (
+    "股市",
+    "基金",
+    "理财",
+    "财经",
+    "利率",
+    "涨跌",
+    "a股",
+    "港股",
+    "美股",
+    "纳斯达克",
+    "投资",
+    "证券",
+    "债券",
+    "期货",
+    "外汇",
+    "央行",
+    "gdp",
+    "cpi",
+    "通胀",
+    "宏观",
+    "财报",
+    "估值",
+    "牛市",
+    "熊市",
+    "板块",
+    "市盈率",
+    "分红",
+    "持仓",
+    "量化",
+    "对冲",
+    "ipo",
+    "美联储",
+    "加息",
+    "降息",
+)
+
+
+def load_config() -> dict[str, Any]:
+    """加载 ~/.dwy/config.yaml#doubao_tts；缺文件或缺 api_key 直接失败。"""
+    if not CONFIG_PATH.is_file():
+        raise FileNotFoundError(
+            f"配置不存在: {CONFIG_PATH}。请先运行 setup_config.py --api-key <KEY>"
+        )
+    cfg = get_section(SECTION_DOUBAO_TTS)
+    if not cfg:
+        raise ValueError(
+            f"缺少 section `{SECTION_DOUBAO_TTS}`: {CONFIG_PATH}。"
+            "请先运行 setup_config.py --migrate-legacy 或 --api-key <KEY>"
+        )
+    if not (cfg.get("api_key") or "").strip():
+        raise ValueError("doubao_tts.api_key 为空，请先 setup_config.py --api-key <KEY>")
+    if not (cfg.get("voices") or {}):
+        raise ValueError("doubao_tts.voices 为空，请用 setup_config.py --voice KEY=ID 写入")
+    return cfg
+
+
+def resolve_voice_key(cfg: dict[str, Any], voice: str | None, text: str) -> str:
+    """用户指定优先；否则财经关键词 → finance；否则 default_voice。"""
+    voices = cfg.get("voices") or {}
+    if voice:
+        if voice not in voices:
+            raise KeyError(f"未知音色 key: {voice}；可选: {', '.join(voices)}")
+        return voice
+
+    lower = text.lower()
+    if any(k in text or k in lower for k in FINANCE_KEYWORDS):
+        if "finance" in voices:
+            return "finance"
+
+    default = cfg.get("default_voice") or "young_female"
+    if default not in voices:
+        # 兜底：取第一个
+        if not voices:
+            raise KeyError("config.voices 为空")
+        return next(iter(voices))
+    return default
+
+
+def speaker_id(cfg: dict[str, Any], voice_key: str) -> str:
+    """从全局 config 取 speaker 音色 ID。"""
+    meta = (cfg.get("voices") or {})[voice_key]
+    sid = meta.get("id") if isinstance(meta, dict) else meta
+    if not sid:
+        raise KeyError(f"音色 {voice_key} 缺少 id")
+    return str(sid)
+
+
+def default_output_path(cfg: dict[str, Any], fmt: str) -> Path:
+    """按配置 output_dir 生成带时间戳的文件路径。"""
+    out_dir = Path(cfg.get("output_dir") or (Path.home() / "Movies" / "doubao-tts")).expanduser()
+    out_dir.mkdir(parents=True, exist_ok=True)
+    stamp = datetime.now().strftime("%Y%m%d_%H%M%S")
+    return out_dir / f"口播_{stamp}.{fmt}"
+
+
+def build_body(
+    text: str,
+    speaker: str,
+    audio: dict[str, Any],
+    speech_rate: int | None,
+    loudness_rate: int | None,
+    context_texts: list[str] | None,
+    model: str | None = None,
+) -> dict[str, Any]:
+    """组装 req_params；additions 需为 JSON 字符串（接口约定）。"""
+    params: dict[str, Any] = {
+        "text": text,
+        "speaker": speaker,
+        "audio_params": {
+            "format": audio.get("format") or "mp3",
+            "sample_rate": int(audio.get("sample_rate") or 24000),
+            "speech_rate": int(speech_rate if speech_rate is not None else audio.get("speech_rate") or 0),
+            "loudness_rate": int(
+                loudness_rate if loudness_rate is not None else audio.get("loudness_rate") or 0
+            ),
+        },
+    }
+    # 仅配置显式给出 model 时下发（复刻场景按控制台要求填写）
+    if model:
+        params["model"] = model
+    additions: dict[str, Any] = {}
+    if audio.get("disable_markdown_filter") is not None:
+        additions["disable_markdown_filter"] = bool(audio["disable_markdown_filter"])
+    if audio.get("disable_emoji_filter") is not None:
+        additions["disable_emoji_filter"] = bool(audio["disable_emoji_filter"])
+    if additions:
+        params["additions"] = json.dumps(additions, ensure_ascii=False)
+    if context_texts:
+        params["context_texts"] = context_texts
+    return {"req_params": params}
+
+
+def parse_stream_lines(raw: bytes) -> list[dict[str, Any]]:
+    """把 chunked 响应体拆成 JSON 对象列表。
+
+    兼容：每行一个 JSON；或粘连的 }{ 形态。
+    """
+    text = raw.decode("utf-8", errors="replace").strip()
+    if not text:
+        return []
+    objs: list[dict[str, Any]] = []
+    # 先按行
+    for line in text.splitlines():
+        line = line.strip()
+        if not line:
+            continue
+        try:
+            objs.append(json.loads(line))
+            continue
+        except json.JSONDecodeError:
+            pass
+        # 粘连 JSON：用 }{ 切
+        parts = re.split(r"\}\s*\{", line)
+        if len(parts) == 1:
+            raise ValueError(f"无法解析响应行: {line[:200]}")
+        for i, part in enumerate(parts):
+            if i == 0:
+                s = part + "}"
+            elif i == len(parts) - 1:
+                s = "{" + part
+            else:
+                s = "{" + part + "}"
+            objs.append(json.loads(s))
+    return objs
+
+
+def synthesize(
+    cfg: dict[str, Any],
+    text: str,
+    voice_key: str,
+    output: Path,
+    speech_rate: int | None,
+    loudness_rate: int | None,
+    context_texts: list[str] | None,
+    timeout: int,
+) -> dict[str, Any]:
+    """发单向流式请求，拼接 base64 音频并落盘。"""
+    endpoint = cfg.get("endpoint") or "https://openspeech.bytedance.com/api/v3/tts/unidirectional"
+    resource_id = cfg.get("resource_id") or "seed-icl-2.0"
+    speaker = speaker_id(cfg, voice_key)
+    audio = cfg.get("audio") or {}
+    model = cfg.get("model") or audio.get("model")
+    body = build_body(text, speaker, audio, speech_rate, loudness_rate, context_texts, model)
+    req_id = str(uuid.uuid4())
+
+    headers = {
+        "Content-Type": "application/json",
+        "X-Api-Key": cfg["api_key"].strip(),
+        "X-Api-Resource-Id": resource_id,
+        "X-Api-Request-Id": req_id,
+    }
+    data = json.dumps(body, ensure_ascii=False).encode("utf-8")
+    request = Request(endpoint, data=data, headers=headers, method="POST")
+
+    try:
+        with urlopen(request, timeout=timeout) as resp:
+            raw = resp.read()
+            logid = resp.headers.get("X-Tt-Logid") or resp.headers.get("x-tt-logid") or ""
+    except HTTPError as e:
+        err_body = e.read().decode("utf-8", errors="replace")[:500]
+        raise RuntimeError(f"HTTP {e.code}: {err_body}") from e
+    except URLError as e:
+        raise RuntimeError(f"网络错误: {e.reason}") from e
+
+    chunks: list[bytes] = []
+    last_msg = ""
+    done = False
+    for obj in parse_stream_lines(raw):
+        code = obj.get("code")
+        msg = obj.get("message") or ""
+        if msg:
+            last_msg = msg
+        if code == CODE_AUDIO:
+            b64 = obj.get("data") or ""
+            if b64:
+                chunks.append(base64.b64decode(b64))
+        elif code == CODE_DONE:
+            done = True
+            break
+        elif code not in (None, CODE_AUDIO, CODE_DONE):
+            # 非 0 且非结束：业务错误
+            if code != 0:
+                raise RuntimeError(f"合成失败 code={code} message={msg} logid={logid}")
+
+    if not chunks:
+        raise RuntimeError(f"未收到音频数据 message={last_msg} logid={logid} done={done}")
+
+    output = output.expanduser().resolve()
+    output.parent.mkdir(parents=True, exist_ok=True)
+    payload = b"".join(chunks)
+    output.write_bytes(payload)
+
+    voice_meta = (cfg.get("voices") or {}).get(voice_key) or {}
+    return {
+        "ok": True,
+        "path": str(output),
+        "voice": voice_key,
+        "label": voice_meta.get("label") if isinstance(voice_meta, dict) else voice_key,
+        "bytes": len(payload),
+        "request_id": req_id,
+        "logid": logid,
+        "done": done,
+    }
+
+
+def read_text(args: argparse.Namespace) -> str:
+    """从 --text / --text-file / stdin 取文案。"""
+    if args.text_file:
+        return Path(args.text_file).expanduser().read_text(encoding="utf-8").strip()
+    if args.text is not None:
+        return args.text.strip()
+    if not sys.stdin.isatty():
+        return sys.stdin.read().strip()
+    raise SystemExit("error: 请提供 --text 或 --text-file 或 stdin 管道")
+
+
+def main() -> int:
+    parser = argparse.ArgumentParser(description="豆包配音流式合成")
+    parser.add_argument("--text", help="口播正文")
+    parser.add_argument("--text-file", help="从文件读口播正文（推荐长文）")
+    parser.add_argument("--voice", help="音色 key：finance / young_female / 配置自定义")
+    parser.add_argument("--output", help="输出音频绝对路径")
+    parser.add_argument("--speech-rate", type=int, help="语速 [-50,100]")
+    parser.add_argument("--loudness-rate", type=int, help="音量 [-50,100]")
+    parser.add_argument(
+        "--context-text",
+        action="append",
+        dest="context_texts",
+        help="语音指令，可重复传入",
+    )
+    parser.add_argument("--timeout", type=int, default=120, help="HTTP 超时秒数")
+    args = parser.parse_args()
+
+    try:
+        text = read_text(args)
+        if not text:
+            print("error: 文案为空", file=sys.stderr)
+            return 2
+        # 口播合理上限；超长仍允许但告警（由调用方拆段更佳）
+        if len(text) > 5000:
+            print("warning: 文案超过 5000 字，建议分段合成", file=sys.stderr)
+
+        cfg = load_config()
+        voice_key = resolve_voice_key(cfg, args.voice, text)
+        fmt = ((cfg.get("audio") or {}).get("format") or "mp3").lstrip(".")
+        out = Path(args.output) if args.output else default_output_path(cfg, fmt)
+
+        result = synthesize(
+            cfg=cfg,
+            text=text,
+            voice_key=voice_key,
+            output=out,
+            speech_rate=args.speech_rate,
+            loudness_rate=args.loudness_rate,
+            context_texts=args.context_texts,
+            timeout=args.timeout,
+        )
+        print(json.dumps(result, ensure_ascii=False))
+        return 0
+    except Exception as e:
+        # 永不打印 config 全文 / api_key
+        print(f"error: {e}", file=sys.stderr)
+        print(json.dumps({"ok": False, "error": str(e)}, ensure_ascii=False))
+        return 1
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())

package/templates/ai-tools/skills//350/207/252/345/252/222/344/275/223/media-platform-packaging/SKILL.md

@@ -0,0 +1,127 @@
+---
+name: media-platform-packaging
+description: |
+  多平台包装（uc-media 可选 0090）：B站/抖音/小红书/视频号/YouTube 标题简介标签、
+  16:9/4:3/3:4 封面、建议发布时间；写入 0070-package 包装清单。
+  触发词：包装、封面、标题简介、发布时间、0090、packaging、要发了。
+---
+
+# 多平台自媒体包装与封面
+
+把内容的核心承诺变成可点击的标题和手机缩略图。目标不是把大纲塞进封面，而是让观众先读到「谁能看懂 + 这集讲什么」。
+
+## 在 uc-media 流水线中的位置
+
+| 项 | 内容 |
+|----|------|
+| **stage** | `packaging`（**0090，可选**） |
+| **何时** | 0070 成片包就绪后，或用户说「要发了 / 写标题封面」；可与 0080 并行或在 render 后 |
+| **上游** | 脚本/成片承诺、`0060-assets` 视觉、频道档案默认分发 |
+| **产出目录** | `{work_dir}/0070-package/`（包装清单 + `cover/`） |
+| **不替代** | 0020 标题候选（可吸收 ★ 标题再按平台改写） |
+
+## 输入与输出
+
+先阅读用户提供的文章/视频稿和项目内的视觉资产、角色设定。按以下优先级找视觉资产：当前集 `media/0060-assets/` → 当前集 `remotion/public/characters/` → 仓库 `shared/characters/`、`shared/backgrounds/`。若素材不足，基于正文作合理假设，不为一般创作阻塞追问。
+
+默认交付：
+
+1. B站、抖音、小红书各一组标题、简介、标签。
+2. 三种画幅的封面：B站 16:9、B站首页 4:3、小红书/抖音 3:4；用户只指定部分平台时只做所需画幅。
+3. 各平台**建议发布时间**（UTC+8）：默认按 `references/platform-posting-times.md`；有账号后台「粉丝活跃」数据时以后台为准。
+4. 一份写入 `media/0070-package/` 的包装清单，列出文案、建议发布时间与资产路径。
+
+若用户只要求“文案”“标题”“封面方案”或“几点发/发布时间”，只交付对应内容；不生成图片、不要求 `imagegen`，也不创建包装清单，除非用户明确要求保存。
+
+## 平台文案规则
+
+| 平台 | 标题策略 | 简介与标签 |
+|---|---|---|
+| B站 | 主题 + 明确收益；长度不强行压缩 | 用开场问题、内容范围、一个边界或收获；4–7 个 `#标签` |
+| YouTube | 主题 + 明确收益；长度不强行压缩 | 用开场问题、内容范围、一个边界或收获；标签字段使用多个关键词，并以**英文逗号**分隔，例如 `AI education, large language models, Transformer` |
+| 抖音 | 问题或反常识钩子优先 | 1–2 句，强调观看收益；3–6 个标签 |
+| 小红书 | **必须不超过 20 个汉字（标点计入）**；先写“小白也能懂”或直接收益 | 2–4 句，口语、可保存；5–8 个标签 |
+| 微信视频号 | **必须不超过 16 个字符（中文、英文、数字与标点均计入）**；优先“人群 + 主题/收益” | 1–2 句，直接说明看完能获得什么；3–5 个标签 |
+
+避免“保姆级”“秒变专家”“全网最全”等空泛承诺。标题、封面主字和简介可以分工，不能机械重复。
+
+## 最佳发布时间（提高播放量）
+
+完整规则与测试方法见 `references/platform-posting-times.md`。包装交付时必须给出建议时间表；原则摘要：
+
+| 平台 | 工作日首选（UTC+8） | 周末首选 | 备注 |
+|---|---|---|---|
+| B站 | 17:00–18:30、20:00–21:30 | 10:00–12:00、20:00–22:00 | 高峰前 30–60 分钟发；知识区偏晚间 |
+| 抖音 | 07:00–08:30、18:00–20:00、21:00–22:30 | 10:00–12:00、20:00–23:00 | 小号可避 19 点整，改 12:15 / 21:00 |
+| 小红书 | 07:00–09:00、11:30–13:00、19:00–22:00 | 09:00–11:00、20:00–21:30 | 万粉以下慎挤 19–21 大号墙 |
+| 微信视频号 | 07:00–09:00、12:00–13:30、18:30–21:00 | 10:00 前后、20:00–22:30 | 发后 15 分钟内互动，喂社交裂变 |
+| YouTube | 按目标观众时区 | 目标市场白天 | 中文受众可用北京 19:00–22:00 |
+
+约束：
+
+- 时区默认中国 UTC+8；YouTube 必须先确认目标市场。
+- **本号后台粉丝活跃曲线 > 本表默认值**。
+- 多平台同日分发时错开 15 分钟以上，优先保 1–2 个主平台黄金窗。
+- 包装清单中写清「建议时间 + 一句话理由」；无后台数据时标注「默认窗，待校准」。
+
+## 封面版式：先缩略图，后信息密度
+
+每张封面只允许一个绝对主标题；看不清时删减，而不是加字。
+
+### 固定视觉母版
+
+`assets/cover-style-master-v1.png` 是本 Skill 的封面视觉母版。生成封面时应先将它作为 **style reference**，并保留以下不可变特征：
+
+- 深海军蓝底、亮黄与白色超大主字、红色漫画爆炸框、青蓝/紫色发光概念装置；整体必须高对比。
+- 主标题占据左侧或上方 40% 左右，粗深蓝描边 + 白色外轮廓 + 明确投影；手机缩略图中先读到主标题。
+- 小圆以右侧或下侧大脸近景出现，黄色雨衣、蓝绿背包、惊讶/恍然表情，动作指向核心概念装置。
+- 画面仅有：一个主标题、一句钩子、一个概念装置、最多三枚底部承诺标签；不加入密集流程图、细小图标或说明文字。
+
+这是“强标题科技漫画”风格，不是普通扁平信息图或复杂技术海报。生成后必须以约 25% 缩放预览检查：标题仍清楚、人物表情仍可辨、核心概念仍一眼可见，才可交付。
+
+1. **主标题**：占画面 35%–50%，两行以内；用“`小白看懂` + `主题`”或“`主题 + 关键问题`”。
+2. **概念装置**：只选择一个可以看懂的核心隐喻，不画完整课程流程图。
+3. **系列人格**：使用项目规定角色；脸部或动作要大，服务主标题而非抢字。
+4. **内容承诺**：最多三个小标签，例如“Transformer｜训练三步｜会聊天”。
+5. **钩子**：可加一个顶部短问句/爆炸框；仅一句。
+
+画幅重排，不裁切：
+
+| 画幅 | 优先构图 |
+|---|---|
+| 16:9 | 左侧大标题，右侧角色 + 概念装置；底部可放三枚标签 |
+| 4:3 | 标题与角色更靠中央，角色脸部放大，四边保留 7% 安全区 |
+| 3:4 | 上方问题 + 巨大两行标题；下方概念装置 + 角色近景；底部标签不超过三枚 |
+
+推荐最小导出尺寸：16:9 为 1920×1080；4:3 为 1600×1200；3:4 为 1080×1440。生成后必须核对实际像素比例。
+
+## 生图流程
+
+**REQUIRED SUB-SKILL:** 使用 `imagegen` 生成或编辑封面；先读取它的 `SKILL.md`。
+
+1. 检查本集/项目已有角色和风格图；有既定角色时，把它作为 reference image。没有时，不擅自创造长期角色设定。
+2. 为每个画幅分别生成，提示词中明确 `true 16:9`、`true 4:3` 或 `true 3:4`，禁止“裁切横图”。
+3. 生成前写清楚所有需要出现的文字；文字过多时把复杂信息移进小标签。若生成文字失真，重新生成或留出干净文字槽位后用后期排版，不交付乱码。
+4. 生成后检查：画幅、标题可读性、角色一致性、手机尺寸下的第一视觉、无水印/品牌 Logo/多余文字。
+5. 不覆盖既有素材；保存到 `media/0070-package/cover/<主题>-<平台>-<画幅>-vN.png`。
+
+## 提示词骨架
+
+```text
+用途：<平台> <画幅> 视频封面。
+主题：<主题>，面向零基础观众。
+标题（逐字）："<主标题>"；钩子："<可选短问句>"；内容承诺："<标签1>" | "<标签2>" | "<标签3>"。
+构图：<按画幅选择布局>；<角色>以大脸/明确动作出现；一个大型概念装置“<核心隐喻>”。
+风格：以 `assets/cover-style-master-v1.png` 为 style reference；高对比、粗描边、手机缩略图可读的强标题科技漫画。
+约束：标题完整且安全区可见；无额外文字、无水印、无品牌 Logo、无密集小图、无写实照片。
+```
+
+## 交付前检查
+
+- [ ] 小红书标题 ≤20 字。
+- [ ] 微信视频号标题 ≤16 字（标点计入）。
+- [ ] 每个封面只含一个主标题，且与缩略图尺寸匹配。
+- [ ] 16:9、4:3、3:4 是独立构图，不是同图硬裁。
+- [ ] 已核对并报告每张图片的像素比例与保存路径。
+- [ ] 已给出各平台建议发布时间（UTC+8），并注明是否为本号后台校准。
+- [ ] 文案、标签、建议发布时间、图片路径都记录在本集包装清单中。

package/templates/ai-tools/skills//350/207/252/345/252/222/344/275/223/media-platform-packaging/references/platform-copy-examples.md

@@ -0,0 +1,37 @@
+# 平台文案示例
+
+## 小红书标题长度
+
+计算 Unicode 字符数，标点也计入。上限 20。
+
+| 合格示例 | 字符数 |
+|---|---:|
+| 小白也能懂：大模型如何学会聊天 | 15 |
+| 小白看懂大模型：它为什么会聊天？ | 17 |
+
+## 微信视频号标题长度
+
+计算 Unicode 字符数，中文、英文、数字和标点均计入；上限 16。
+
+| 合格示例 | 字符数 |
+|---|---:|
+| 小白看懂大模型 | 7 |
+| 大模型为什么会聊天？ | 10 |
+
+## YouTube 标签格式
+
+YouTube 的标签字段不使用 `#`，多个标签必须用英文逗号分隔：
+
+```text
+AI education, large language models, Transformer, generative AI
+```
+
+## 封面文字的优先级
+
+```text
+主标题（最大）：小白看懂 / 大模型
+钩子（小）：AI 到底怎么工作？
+承诺（最小）：Transformer｜训练三步｜会聊天
+```
+
+若画幅或主题无法承受三层文字，先保留主标题，再保留一个钩子；不要缩小主标题。