pet-video-narration（宠物视频旁白）

宠物第一视角视频创作 SOP

将宠物视频转化为"宠物内心独白"风格配音视频的完整流程。

核心流程（5步）

第1步：视频分析 → 第2步：行为解读 → 第3步：生成文案 → 第4步：音频生成 → 第5步：音视频合并

第1步：视频内容分析

使用 videos_understand 分析视频，prompt 结构化输出：

请详细描述：
1）环境场景（室内/室外、物品、光线）
2）宠物外观（品种、毛色、体型特征）
3）所有肢体动作（姿态、四肢、面部表情、尾巴/耳朵细节）
4）情绪状态（平静/警觉/好奇/兴奋/紧张）
5）动作发生的时间节点（0-X秒）

关键：记录精确时间节点，用于后续音频卡点。

第2步：行为解读（物种专项）

加载 references/pet-body-language.md 作为参考框架，结合视频具体动作，判断宠物意图。

常见意图模式：

• 期待落空 → 撒娇/赌气型独白
• 极度放松 + Sploot/侧躺 → 满足型独白（带点小傲娇）
• 警觉 + 耳朵前倾 → 好奇探索型
• 快速移动 + 跳跃（Binky）→ 开心宣泄型

结合宠物背景信息判断语气：

• 活泼型 → 语气夸张、自信、有表情
• 安静型 → 语气低沉、简洁
• 高冷型 → 语气傲慢、爱搭不理
• 黏人型 → 带点撒娇、小委屈

第3步：生成文案

原则：

• 第一人称，宠物的视角
• 不暴露名字/年龄/品种等客观介绍——这些只用于辅助意图判断
• 对话式、有情绪、有态度
• 长度与视频时长匹配（建议 10–20 秒内）

典型文案结构（按意图分类）：

音频节奏建议：

• 停顿模拟思考/撒娇节奏
• 分段生成，每段对应一个动作节点
• 10秒视频建议 2–4 个音频片段

第4步：音频生成

声线选择（batch_text_to_audio / synthesize_speech）：

参数建议：

• speed: 0.9–1.1（活泼宠物稍快，高冷宠物稍慢）
• 多段时：分别生成各段 → 计算静音间隔 → 拼接为完整音频

静音间隔计算（卡点用）：

gap_dur = max(0, next_action_time - (current_action_time + audio_duration))

用 Python 生成静音段 WAV，再转 AAC/M4A 后拼接。

第5步：音视频合并

FFmpeg 合并（Linux 环境）：

# 音频合并
ffmpeg -y -f lavfi -i "anullsrc=r=24000:cl=mono" -t <duration> -q:a 9 silence.wav
ffmpeg -y -i <audio>.mp3 -ar 24000 -ac 1 <audio>.m4a
ffmpeg -y -f concat -safe 0 -i <concat_list.txt> -c:a aac <full_audio>.m4a

# 视频合并
ffmpeg -y -i <original_video>.mov -i <full_audio>.m4a \
  -map 0:v:0 -map 1:a:0 -c:v copy -c:a aac \
  -shortest <output>.mp4

音频时长验证： 确保合并后音频时长 ≥ 视频时长，-shortest 自动截断。

Linux 环境检查： ffmpeg 默认可能不存在，需先安装：

apt-get install -y ffmpeg

用户信息收集（不能少的步骤）

生成前必须向用户确认：

1. 宠物名字（用于文案称呼，可省略）
2. 物种/品种（辅助判断行为特征）
3. 性别（影响语气）
4. 年龄
5. 性格关键词（如：莽撞但机灵、高冷、黏人、爱吃醋等）

⚠️ 这些信息不写入文案，只用于判断意图和语气。

输出文件规范

质量检查清单

• [ ] 视频内容分析包含时间节点
• [ ] 行为解读结合物种特征 + 宠物性格
• [ ] 文案语气符合宠物性格（不是通用旁白）
• [ ] 音频卡点到动作变化节点
• [ ] 最终视频有音轨（验证 codec_name=aac）
• [ ] 文件大小正常（视频 ≤ 50MB）