02-pipeline

调度流程

article-slide-video 的流水线从输入文章、讲稿或脚本开始，到带字幕视频、横竖封面和 QA 报告结束。每一步都产出可落盘检查的中间文件。

1. 创建输出目录

默认输出根目录来自 article-slide-video/env.json：

{
  "ARTICLE_SLIDE_VIDEO_OUTPUT_ROOT": "~/ai-artifacts/article-slide-video"
}

如果用户没有指定输出目录，调度器按输入文件名或安全主题名创建子目录。所有中间产物和最终交付物都写入这个目录，禁止写到输入文件旁边。

2. 生成冻结口播稿

调度器加载 voiceover-editor，把输入文本整理为 voiceover.md。

这个阶段的原则是编辑而不是创作：

• 成熟口播稿只修复明显错字、断句和朗读问题。
• 普通文章或笔记改成自然口语和适合换气的句长。
• 转写文本删除口头禅、口吃重复和重新起头残句。
• 不添加原文没有的事实、数据、案例或结论。

voiceover.md 的第一行是 H1 标题，正文是自然段。写入后它被视为后续流程唯一文本来源。

3. 生成讲述规划

调度器加载 slide-narration-planner，从冻结的 voiceover.md 生成 narration-plan.json。

默认规则是：

• 空行分隔视为页面边界。
• 页面 ID 使用稳定格式：slide-01、slide-02。
• 每页尽量一个口播片段。
• 页面停顿通常为 0.35s 到 0.4s，最长不超过 0.5s。
• 只允许重新分页，不允许改写口播稿措辞。

从这一阶段开始，slide_id 成为全流程主键。

4. 生成视频可渲染的 HTML deck

调度器选择 HTML 幻灯片生成器。默认是 frontend-slides；用户指定其他工具时，可以替换为 Hyperframes 或其他生成器。

生成器必须输出：

• deck.html
• deck-manifest.json
• HTML 内部的 window.__SLIDE_VIDEO__ 浏览器桥接

生成器必须使用 narration-plan.json 中的原始 slide_id，不得重新编号，也不得按数量推断。

5. 生成分段 TTS

调度器加载 bytedance-tts，读取 narration-plan.json，生成：

• voiceover.wav
• tts-manifest.json

TTS 按片段请求语音，只把正文发送给接口。页面停顿不依赖 SSML，而是在本地插入真实静音，确保最终时间线可控。

6. 校验 ID 集合一致

进入视频交付前，调度器校验三处 slide_id 集合完全一致：

• narration-plan.json
• deck-manifest.json
• tts-manifest.json

这是防错页、防音画错位的关键闸门。校验失败时不能继续合成视频，必须回到出错阶段修复。

7. 最终视频交付

调度器加载 slide-video-delivery，一次性完成：

• 按 manifest 逐页渲染 PNG 帧。
• 按 TTS 实际时长合成 final.mp4。
• 生成 subtitles.ass。
• 烧录字幕生成 final-subtitled.mp4。
• 生成横屏 cover.png 和竖屏 cover-portrait.png。
• 抽取逐片段 QA 帧。
• 写入 delivery-report.json。

8. 检查交付报告

交付完成不只看文件是否存在，还要检查 delivery-report.json 中的视觉状态：

• 每个片段的 visual_status 必须更新为 passed。
• subtitle_status 必须为 passed。
• cover_landscape_status 必须为 passed。
• cover_portrait_status 必须为 passed。

失败时只重跑受影响阶段。例如封面失败只重做封面和报告，不重跑口播稿、TTS 和整段视频。