video-recap

1. 定位与流程

本技能是五个独立技能的轻量编排器。各技能只通过 work_dir 中的 JSON / MP4 产物通信，不共享代码：

video-understanding ─▶ Agent 按 video-script 制定方案并写稿 ─▶ [video-cut] ─▶ video-voiceover ─▶ video-assemble

流程支持断点续跑：写好 narration.json 后重复同一条命令即可继续。第二阶段会校验 recap_run_manifest.json，拒绝复用来自其他源视频或其他运行参数的旧工作目录；视频理解产物也只在来源一致时复用。

2. 创作职责

这不是单纯的 JSON / 渲染流水线。Agent 是本次内容的创作负责人。先判断本轮的创作控制模式；它与 --edit-mode full|cut|dub 是两个维度：

• CREATE：从素材创作新成片。比较真正可行的故事/剪辑假设，再选择主线。
• DIRECTED：用户已经指定结构、镜头、台词或包装方向。把这些决定当作基线落实，不为满足模板而另起方案。
• REVISION：用户针对已有版本看片修改。最新反馈覆盖旧决定；本轮未点名的故事、镜头、声音和包装默认冻结，不重新发散创作。

REVISION 开始前先明确“本轮修改项”和“冻结项”。表达、节奏、字幕反馈写回 style_card.json，镜头、入出点和声音分工写回 visual_audio_board.json；只有观众承诺、POV、主线或故事 beat 改变时才更新 recap_story_plan.json。删除成片内容时同步删除计划中的旧描述，不能让工作产物继续指导已不存在的镜头。

确定模式后，在进入昂贵的下游处理前完成五次判断：

1. 导演判断：确定观众承诺、POV、戏剧问题、情绪终点，以及哪些信息要保留到后面揭示。
2. 故事编辑：CREATE 比较至少两个可行的剪辑假设；DIRECTED / REVISION 继承用户指定或已确认的主线。beat 始终定义为“发生了什么变化”，而不是场景摘要。
3. 画面剪辑：选择真正值得保留的具体时刻、人物反应、入点与出点。
4. 声音/旁白：先分配画面、原声、沉默和旁白的任务，再写解说词。
5. 观众复核：分别检查无旁白、只听声音和第一次观看时的体验，优先修改回报最高的问题。

执行前阅读本技能的 references/creative-editing-playbook.md，并把简洁的创作决定写入：

• recap_story_plan.json：导演意图、适用时的备选假设、选定主线和基于变化的 beat 图。
• visual_audio_board.json：每拍的画面任务、表演/反应选择、原声锚点、audio_owner 与 narration_job。
• style_card.json（有表达要求或表达反馈时）：当前声音、口语节奏、字幕阅读姿态与明确禁忌。

这些文件只记录可审计的当前决定，不记录冗长思维过程；它们不会增加服务或渲染依赖。现有工具可以忽略它们，Agent 与建议型解说评审会用它们保持创作一致。建立这条内容基线不需要平台数据。

3. 环境与脚本路径

# ffmpeg: brew install ffmpeg | apt install ffmpeg | choco install ffmpeg
export MIMO_API_KEY=***

同一个 MiMo key 驱动：

• ASR：mimo-v2.5-asr
• VLM：mimo-v2.5
• TTS：mimo-v2.5-tts

TTS 可通过 --tts-provider fish-audio / TTS_PROVIDER=fish-audio 改用 Fish Audio；此时另需 FISH_API_KEY，默认模型为 s2.1-pro-free，默认使用“娱乐扒妹”音色（5653cea4ac83480aaf2bf45406556185），可用 FISH_TTS_REFERENCE_ID 覆盖。ASR/VLM 仍使用 MiMo。

tp-* Token Plan 密钥默认使用中国区集群，可用 MIMO_TOKEN_PLAN_CLUSTER 覆盖。

可选能力：

• --mimo-video-overview：按场景块补充 MiMo 视频理解。
• --mimo-qc pre-assemble|post-render|both：在合成前、成片后或两个阶段给出建议型复核。