产物：1080p/30fps MP4（分镜逐格运镜 + 中文配音 + 黄字大字幕 + BGM）+ 发布包（封面/章节轴/双平台文案）。工作目录建议 video_<主题>/{slides,pngs,aud,seg,subs}。
script.json：{"<页码>": [["角色","台词"],…]}。每页 1~3 条、单条 ≤90 字（约 20s 内）。风格三选一：标准播报 / 评书腔（结论先行+自问自答+职场隐喻+口头禅）/ 分角色。时长硬规则（火宝短剧那套 4.5 字/秒、500 字/分钟是它自家口径，别照搬：本机 edge-tts 云健 +12% 实测 5.05 字/秒 = 303 字/分钟，套 500 字/分钟会把目标时长算短一半、套 4.5 字/秒会让每页都误报「台词不够」）。正确算法：先估 成片时长 ≈ 总字数 ÷ 5.05 + Σ每页(0.5 前置 + 0.8 尾 + 0.45×(句数-1))，再据此定写词字数（10 页 × 每页 2 条约 = 500 字 ≈ 138s）；超了砍台词不砍画面。注意音轨长度本来就是 TTS 实测出来的，「台词下限」只在画面时长要独立于配音设定（如给 AI 生视频定 8-15s 段）时才是硬约束；分格必须落在【开场】【触发】【高潮】【收尾】节拍边界，同一因果链不许切散；口播稿禁抽象形容词（”很伤心”“紧张”），一律转可见描写（”低下头、攥紧杯沿”）——评书腔同理。<header class="cover"> 与各 <section class="panel">，逐页包进 1920×1080 舞台（.stage{width:860px;transform:translate(-50%,-50%) scale(2.02)}，px 定位的气泡会随 SVG 等比缩放，勿改布局）。Chrome 无头截图：--headless --window-size=1920,1080 --hide-scrollbars --screenshot。say 自然一个次元）：python -m edge_tts --voice zh-CN-YunjianNeural --rate=+12% --proxy socks5h://127.0.0.1:7890 --text ... --write-media x.mp3，国内直连报 NoAudioReceived 必须走代理；mp3→ffmpeg -ar 44100 -ac 2 转 wav。定版音色：云健 zh-CN-YunjianNeural rate+12%（评书腔，用户拍板），edge-tts 音量偏轻，成片混音时人声轨加 volume=2.2 再限幅。备选 say -v <音色> -r 235~255。say 音色必须用完整显示名（见坑①）。每句生成后断言时长 >1s，防整段静音。可仿口吻，不克隆真人声音（声纹授权红线，平台判违规）。volume=1.75,alimiter=limit=0.92。[，。！？；：] 切 ≤20 字条，句内按字数比例分摊实测时长。渲染成透明底 PNG（HTML + Chrome --default-background-color=00000000），样式：PingFang 52px 900 #ffd94a + 四向 text-shadow 描边。横屏 bottom 必须 ≤30px 且把舞台 scale 降到 1.86、top 改 47%：scale 2.02 时面板几乎铺满 1080 高，漫画自带的那条黑底白字旁白条正好压在 y≈890-990，字幕放 bottom:168 会和它叠成一片糊字（实测踩过，见坑⑨）；缩小上移后底部才腾出一条米色净空带。竖屏 bottom:420px 本来就落在面板下方的空白区，不受影响。scale=3840:2160 减抖，d=时长×30）。可选黑底大字开场/收场卡（同 Chrome 截图，配静默音轨）。concat=n=N:v=1:a=1（滤镜！见坑③）→ 逐条 overlay=enable='between(t,a,b)' → amix BGM（volume≈0.32）→ alimiter + 尾部 afade。qwenwork_music_generate（见坑④，常失败）；兜底本地合成：Python wave 写五声音阶八分拨弦（指数衰减正弦+泛音）+ 每拍贝斯 + 反拍噪声沙锤，73s 循环，峰值归一 ~0.22。ffprobe 视频流与音频流时长差 <0.5s（坑③同类漂移）；抽 2 帧看字幕对齐与遮挡；volumedetect mean ≈ -19~-22dB。sips -Z 1280 出 YouTube jpg；章节轴 = 逐段实测时长累加；文案包 = B站（分区/标题/简介/标签）+ YouTube（双语 description/章节/Category），必含 AI 语音申报提醒；仿写口吻注明”与任何创作者无关”。不是加黑边，是重排版式：1080×1920 舞台，顶部常驻系列徽章+大标题（70~330px 区），中段漫画格 .stage{left:40px;top:640px;width:860px;transform-origin:top left} 缩放 1.1628（左右各留 40px 安全边距），底部字幕区。运镜改纵向缓推缓拉：输入 scale=2160:3840，zoompan z=1.06（>1.1 会裁掉格内边缘文字！实测 1.16 切掉”第二站”标题），y 在 0..(ih-ih/zoom) 逐帧线性移动、奇偶页换方向；字幕 PNG 重出 1080×1920 版，bottom:420px。音轨与横屏共用，事件时间轴不变。
面板 PNG、字幕 PNG 全部复用：①新音色重跑逐句 TTS；②重拼每页音轨；③重算字幕事件时间轴（断言切条数不变，变了才需重截字幕 PNG）；④分段重渲染（时长变了）；⑤若只是响度不够，跳过 ①-④，仅在最终混音给 [ca]volume=2.2 重跑合成。视频号已发布视频换不了视频文件，只能重发新帖+引导用户手机长按删旧。
say 新音色裸名（Eddy/Grandpa/Shelley/Rocko）读中文 = 纯静音 0.016s，必须 "Eddy (中文（中国大陆）)"；Tingting 例外。-loop 1 的段用 concat demuxer -c copy 拼接，视频流会比音频长出一截（帧溢出，实测 134s 变 155s）；必须用 concat 滤镜重编码收尾。qwenwork_music_generate 纯 BGM 会报 lyrics_prompt 校验错（auto_lyrics=false 也救不了），失败标记 resumable=false 时直接转本地合成，别死磕。subtitles 滤镜不存在）→ 透明 PNG + overlay 是通用替代；subtitles= 语法也要写成 subtitles=filename=。-y，否则静默跳过覆盖，产出的还是旧文件。loudnorm 的 TP 取值范围 [-9,0]，传 2 直接报错；简单场景 volume+alimiter 足够。&& 链后半静默不跑，表现为”文件不存在”假象）——多 glob 清理逐条执行或 setopt null_glob。mv 到 ~/.Trash/），否则下次脚本秒发；rm 会被 Bash 安全层拦截且连带中断 && 链。[20:a] 指到第一张字幕 PNG 上，ffmpeg 只吐一句 Error binding filtergraph inputs/outputs: Invalid argument。拼接 inputs 后立刻 assert len(inputs) == 2*(段数*2+1+字幕张数)。\,（反斜杠会原样进表达式解析器）；z='min(...)' 与 y='(...)' 的收尾单引号一个都不能漏，漏了 ffmpeg 同样只给一句笼统的 Invalid argument。优先用 Python 列表传参并 assert 引号成对。uv tool install edge-tts（装到 ~/.local/bin/edge-tts），国内直连必挂 NoAudioReceived，每条都要带 --proxy socks5h://127.0.0.1:7890。.stage 之外：.stage 自己是 position:absolute 的包含块，徽章塞进去后 top:70px 是相对 stage 算的，会掉到漫画格上面跟封面标题叠在一起。封面页本身已带大标题，竖屏不要再叠徽章。[0:v][0:a][1:v][1:a]…，写成”全部视频在前、全部音频在后”会报 Stream specifier ':v' matches no streams（concat 按位置取流，不是按名字）；2 段能过 8 段报错的假象来自测试样本太小。-ss 60 写在第一个输出文件名之后会被当成 output 选项静默忽略，两帧抽到同一时刻；要么分开多条命令，要么用 select='eq(n,1800)' 多输出写法。[标签] 进 labels，两者严格分开；定义串混进 concat 标签序列会报 Trailing garbage after a filter。最终合成两处易错：BGM 输入索引 = 段数（0起）差一位就 Error binding filtergraph；输入计数断言数 -i 旗标个数。成片与封面、文案包复制到 outputs 并 present_files；若仓库化发布，视频放 videos/（<100MB 免 LFS），push 前先 git pull --rebase（多会话并发仓库）。