name: lanshu-infinite-stream-koubo description: >- 高级无限流 / Advanced Infinite Stream — 数字人口播（talking-head）生产技能：底板只生成一次，切成带标签的镜头单元， 按脚本像写代码一样装配（换镜头、推近、画中画、隐藏、重排、MG 动效），只把主播可见的片段送去口型模型（中文口型一等公民）， QC 后多画幅导出，用轮换账本和月度换新把“无限复用”变成低成本长期复用。 Use when the user wants digital-human / AI-presenter koubo videos (30 s – 10 min, Chinese or bilingual) built from reusable generated or filmed plates; when they ask for plate prompts (30 s / 60 s, natural on-camera openings), shot slicing and tagging, script-driven or programmatic assembly, lip-sync routing, multi-aspect export, or the cost model of “generate once, remix forever”. Not for full-body acting, multi-person scenes, product handling or strong emotion — route those to full generation or live shooting.

岚叔无限流 · Lanshu Infinite Stream Koubo

一句话： 主播的“表演”只买一次，之后每条视频只花“嘴”和“剪”的钱；剪辑由脚本驱动、像代码一样可改、每一步都有标签和 QC 兜底。

本技能建立在本项目已有成果之上，不推翻它们：

• 可行性结论：GO/NO-GO 边界、成本模型、Phase 0 评分卡已归纳在本技能第 1、9 节。
• prompts/plates-source.md：K01–K03 定稿提示词、回位姿势切点 0.5/7.5/14.5/21.5/29.0。prompts/library.json 逐字复刻它们（istream prompts verify 校验）。
• Glass Protocol 动效包（recipes/demo60/mg/）：MG 叠加的设计语言和素材。演示里直接复用了其中 16 组 PNG 卡。

① 生成底板 ──► ② 切片打标 ──► ③ 写稿标记 ──► ④ 脚本驱动规划 ──► ⑤ 像改代码一样改
   prompts/       slice + review      script.md        plan + qc            edit ops + qc
                                                              │
⑨ 导出 + 记账 ◄── ⑧ QC ◄── ⑦ 合成（空间操作 + MG + 字幕 + 配音）◄── ⑥ 口型（只送可见段）
   ledger           qc         render --stage composite                lipsync plan / run

铁律（全技能通用）

1. 配音锁时间： 时间轴的录制时间由配音决定。编辑只改“每个槽位放什么、怎么放”，永远不挪语音。
2. 先时间、再口型、后空间： 裁剪 / 倒放 / 变速在口型之前，推近 / 裁画幅 / 画中画 / 隐藏在口型之后。口型模型要拿到最高分辨率、单张脸的主播画面。
3. 标签是契约： 规划器、QC、口型路由、成本只读标签，不靠猜。标签有来源（spec 预期 / measured 测得 / reviewed 复核），spec 标签在底板生成后必须复核。
4. 可见才对口型： 主播被 B-roll 或卡片盖住的时段不送口型模型；小脸（画中画）走快模型，大脸 / 重音走 pro 模型。
5. 开场主播要“到场”： 第一镜必须是主播全画面；有开场专用镜头时，配音自动延后，让她先抬眼、转身或前倾“到场”，再开口。

0. 速查：每个阶段一条命令

在本目录运行。核心模块只用 Python 标准库，渲染需要 ffmpeg ≥ 7，切片需要 numpy（OpenCV 可选）。

1. 先判断能不能用（GO / NO-GO）

沿用可行性报告的结论，不重复论证：

• ✅ GO： 口播、讲解、课程、产品介绍。正面 ±20°，近景 / 中景，手势温和。
• ⚠️ 部分： 强情绪、动作必须对上台词意思。用标签选片（情绪 / 手势 / 关键词对齐）+ B-roll 缓解，做不到逐字精确。
• ❌ NO-GO： 全身走动、与物体互动、多人、带货演示、大笑大哭。改用全量生成或实拍。
• “无限”的真实含义： 低成本长期复用 + 每月补 4–6 条新底板。轮换账本（第 9 节）告诉你哪些镜头该退役了。
• 先算账再自建： 本人出镜、每月成片少于约 60 分钟，先试一周现成数字分身服务（约 $1–1.5/分钟）当基准。原创虚拟形象、多品牌、要统一高级审美、或月产量大，才值得用本技能自建。
• Phase 0（1–2 天，< $100）必须先过： 3 条底板 × 2 个口型引擎 × 3 段中文音频（含绕口令）。按可行性报告 §7.1 的评分卡打分：平均 ≥ 4，单项无 ≤ 2，且 5 人盲测中至少 3 人没指出“嘴不对”。

2. 阶段一 · 生成底板（Generate）

2.0 用户照片 → 数字人元视频（先做这一步）

正确顺序：先生成无遮挡、可无限复用的口播元视频（底板），再切片、再写稿装配。 不要先剪片再回头找底板。

# 1) 上传自己的照片，锁定数字人身份（会改 blocks.identity + 首帧图 Subject，并写出 GENERATE_PACK）
python3 -m istream identity set --photo /path/to/me.jpg --id liz --name Liz \
  --outfit "solid navy blazer over a plain white crew-neck top" \
  --describe "optional short appearance lock — only what you type; no auto face analysis"

# 2) 打开一站式生成包，复制 K01 / K02 / O01 中英提示词去视频模型
#    prompts/GENERATE_PACK.md
#    （完整库仍见 prompts/PROMPT_LIBRARY.md）

# 3) 按包内清单生成：挂上同一张参考图、≥1080p、25fps、静音模型音频、无遮挡
# 4) 入库切片 → 再 plan / edit / lipsync
python3 -m istream slice K01.mp4 --id K01 --out drafts/K01.json

详见 docs/USER_PHOTO.md。

2.1 锁定段（同一套库内一字不改）

身份、服装、灯光、背景、机位、回位姿势。提示词由积木拼成：

锁定行(时长/画幅/景别) + 身份 + 场景与光线 + 表演 + 时间线 + 避免

prompts/library.json 是唯一来源。有照片时用 identity set（推荐）；也可手改 blocks.identity 一处再 prompts build，全库提示词同步换人。默认形象下 K01–K03 与定稿逐字一致（prompts verify）。

2.2 底板组合（按发布频率选）

* 按 $0.08–0.14/秒 × 每条抽 4–5 次估算（2026-10 公开价，落地前请核实）。

底板说明（完整提示词见 prompts/PROMPT_LIBRARY.md）：

• K01 / K02 / K03： 定稿 30 s。K01 近景主力，K02 中景手势，K03 近景变体。
• K04 / K05（v1.3，叠加层定义，待验证）： K04 中景手势密集（递出 / 对比 / 节拍点 / 耸肩），K05 近景表情密集（思考 / 皱眉 / 轻笑 / 倾听）。用 prompts overlay --plate K04 --gesture 取提示词，见 §2.6。
• K01H： K01 的 16:9 孪生版，主播在左三分之一，右半边留给图形。用于横屏“主播 + 内容区”分屏，也能裁成 9:16。
• L01 / L02： 60 s 长底板，各 8 段且段段不同。L02 含“掌心向画面右 / 左托举”两段，MG 可以“放在她手上”。不支持 60 s 的模型用“接力 A / B”两段各 30 s 生成，接力点在 28–31 s 的回位静止段。
• O01 开场入镜： 一条 30 s 里有 4 种自然开场：抬眼入镜、回身入镜、前倾入镜、静场开口。前三个镜头从“准备动作”中间切入，第一帧主播就已经在场。它们标了 position: first_only 和 speech_offset，规划器会自动把配音延后 1–1.6 s。

2.3 生成设置与入库验收

• 同一模型和版本。1080p 起，能更高就更高：要做 112–125% 推近或 16:9→9:16 裁切，就必须有像素余量，QC 的 upscale 检查会报出来。
• 统一帧率（优先 25fps）。挂同一张身份参考图，用 IMG-A / IMG-B / IMG-A169 作首帧，支持尾帧就同图首尾。模型自带音频一律静音。
• 每条抽 4–5 次，挑最好的一条入库。

入库验收清单：

1. 和参考图是同一个人。
2. 回位静止出现在 0 / 7 / 14 / 21 / 28 s 附近（±0.5 s）。
3. 手不过胸、不碰脸。
4. 闭嘴段确实闭嘴。
5. 光线、色温稳定。
6. 无文字、无多余人物、无镜头漂移。

2.4 命名与目录（沿用可行性报告 §7.4–7.5，加上本技能的产物）

{身份}_{服装}_{景别}_{画幅}_{动作}_{能量}_{时长}_v{版本}.mov   例：liz01_o1_mcu_916_koubo-main_mid_30s_v01.mov
镜头单元 ID：{底板代号}_s{序号}                                  例：K01_s3、P01_s2
dh-library/
├── 00_identity/      参考图、首帧图、声音样本、授权文件
├── 01_plates_raw/    生成 / 拍摄原片（只读）
├── 02_plates_master/ 母版（稳定、调色、超分）
├── 06_metadata/      plates.json · shots.json · review.json · ledger.json   ← istream 目录
├── 07_projects/2026-11-03_topic/
│   ├── script.md  align.json  vo.wav
│   ├── timeline.json  jobs.json  qc.txt  cost.txt
│   └── build/ (lipsync/in · lipsync/out · segments 缓存)  export/
└── 08_qc/            评分卡、问题记录

2.5 真人感与高级感（去 AI 味）

一句话目标：像布光讲究的真人访谈；生气来自微行为，不来自大动作；底板无遮挡 / 回位纪律不变。细则与可复制补丁见 docs/HUMAN_PREMIUM.md。

P0（不做就会有 AI 味）： 真皮肤（毛孔 / 绒毛 / 非油亮）· 静止时仍呼吸眨眼（不是定格）· 会思考的眼睛（不规律眨眼、同侧眼神光）· 动作由语言驱动（绝非节拍器点头）· 主补光约 3:1、墙面有减光空间 · 等效 85mm / ~f/2.8、焦点在眼睛 · 首帧与参考照决定一半（拒美颜自拍）。

怎么用（不改定稿库）：

python3 -m istream prompts overlay --plate K01 --lang both --negative
# 字数紧：加 --compact；要气质句：加 --style

数据源：prompts/overlays/human_premium.json。prompts verify 仍对 K01–K03 定稿逐字通过。口型后可 render --grain 2–4 统一细颗粒。

入库： HUMAN_PREMIUM.md §5 的 10 项是/否，≥9 通过；身份不一致或底板纪律（手挡脸等）一票否决。参考照规则见同文档 §4；禁止清单见 §6。

验证： Phase 0 A/B（基础版 vs overlay）按文档 §8；未跑通前叠加层标「待验证」，不要当已证明默认。

2.6 手势与表情词表

一句话目标：底板里的人在交流，不只是“活着”。手势是访谈主持人的对话手势，不是短视频舞蹈或舞台表演。硬规则不变：嘴不被挡、手不碰脸、切点回位、±20°。词表、例时间线和补丁原文见 docs/GESTURE_EXPRESSION.md（全部 待验证）。

表情 E01–E10（近景、中景通用）： 浅笑承接 · 认同点头 · 思考一瞥 · 扬眉点题 · 轻皱眉 · 轻笑后收 · 倾听脸 · 笃定收句 · 共情柔和 · 会心一笑。表情小、短、略不对称，峰值约 0.5–1.5 s 后回到中性脸。

手势 G01–G11（只用于中景）： 摊手讲解 · 单手递出 · 两手对比 · 计数（高风险，默认用节拍点 + 字幕 ①②③ 代替）· 节拍点 · 合手收束 · 轻耸肩 · 比划大小 · 手按胸口 · 侧向引导 · 指尖相触。

• 语法： 回位 → 手势 → 回位，约 2 s；腰到胸口略低处；单手为主、两手不镜像；每段最多两个。
• 禁止： 指镜头、OK / 比耶 / 点赞、挥手、抱臂、道具。
• 近景（K01 / K03 / K05 / O01）： 手不入画，只用表情。

怎么用（不改定稿库）：

python3 -m istream prompts overlay --plate K02 --lang both --negative --gesture   # 真人感 + 手势表情
python3 -m istream prompts overlay --plate K04 --lang zh --negative --gesture     # 新：中景手势密集（K05 = 近景表情密集）
python3 -m istream catalog build-spec --overlay gesture_expression --out catalog/gesture

数据源是 prompts/overlays/gesture_expression.json；K04 / K05 只在叠加层里，prompts verify 照常通过。

脚本：

• 新意图：[认同] [对比] [提醒]/[转折] [思考] [共情]。
• 点名：[手势: 对比]、[表情: 浅笑+扬眉]，规划器会优先选带这个标签的镜头，选不到会给出警告。
• 不用这些标记的老脚本，结果逐字节不变。

入库： HUMAN_PREMIUM 10 项 + GE1–GE8；GE2（手过胸 / 近脸）和 GE7（手势梗）一票否决。全部通过才打新的表情 / 手势标签。

3. 阶段二 · 切片打标（Slice + Tag）

python3 -m istream slice plate.mp4 --id P01 --out drafts/P01.json --sheet drafts/P01_sheet.jpg

机器测得（measured）：

• 硬切： 左右两半同时剧变。
• 叠化： 两半同时持续升高，且两半的边缘密度对调（机位换了）。
• 烧录图形： 只有一半的边缘密度离开本机位基线。如果那块区域大部分是皮肤，就判为手势（例如托举），不是缺陷。
• 回位 / 低运动静止段、说话停顿（静音检测）。
• 人脸框和脸高： 肤色启发式，可换 YuNet 等人脸检测。
• 其他： 手是否靠近脸、语音占比、能量。

需要复核的语义标签： 情绪、手势名、角色（roles）、可否倒放。把联系表（每镜 3 帧）和测量值交给 VLM（提示词在 PROMPT_LIBRARY.md §6，枚举值由词表生成），或人工写进 review.json，再 catalog merge-review。抽查 20%。

3.1 标签 schema（完整枚举见 schema/TAGS.md，JSON Schema 见 schema/shot.schema.json）

3.2 打标规则（直接影响成片）

• 手靠近脸 → hands: near_face，永远不进自动装配。
• 画面里有第二张脸（倒影、海报）→ lipsync.second_face: true，口型任务带 face_lock 框。
• 缺陷尽量标上 zone。例如“右半区烧录乱码”在 9:16 裁人物时仍可用，演示里 P02_s4/s5 因此在竖版里复活。
• 手势进行中的区间写进 keep_out，规划器不在手势中间切。
• 开场镜头写 position: first_only + speech_offset（开口前的在场秒数）。

4. 阶段三 · 脚本驱动装配（Plan）

4.1 稿件标记（script.md）

---
title: …
aspect: 16:9          # 或 9:16 / 1:1
profile: short        # short ≤ 2 min / long 3–10 min / 省略则按时长自动
vo: vo.m4a            # 配音；没有就按 rate 估算时间
mg_library: mg_library.json
---
# 第一讲 · AI Native                      ← 章节（长视频自动加章节卡 + MG 擦除转场）
[开场][钩子][MG: an_hook] 全员都开了AI账号，效率怎么还原地踏步？
[故事][B-roll: 车间俯拍] 直到有人给每台机器配上小电机……   ← 主播隐藏，配音继续
[强调][重音: 打字机] AI也一样，塞进旧流程，它只是台更快的打字机。   ← 在“打字机”上推近
[列点] ①…②…③…                          ← 自动识别列点
[停顿 0.6]                                ← 句后静场

标签表：

• 角色： [开场] [钩子] [解释] [故事] [列点] [数据] [提问] [强调]/[金句] [总结] [过渡] [结尾] [关注]，v1.3 新增 [认同] [对比] [提醒]/[转折]/[注意] [思考] [共情]（只在显式标记时生效）。不写会按句式推断：首句 = hook，问号 = question，数字 = data，“因为” = explain，“才叫 / 记住 / 一句话” = emphasis，末句含“关注” = cta。
• 版式提示： [主播] [推近] [画中画] [隐藏] [切]。
• 内容： [B-roll: …] [MG: id] [重音: 词] [停顿 秒]。
• 手势 / 表情（v1.3）： [手势: 对比]、[表情: 浅笑+扬眉]。可以写中文名、E01–E10 / G01–G11 或 vocab 键，见 §2.6。

4.2 时间

• 有配音时： 给 align.json（逐句 start/end，可带关键词 keys）。TTS 或 ASR 的时间戳导出就是这个格式（见 recipes/demo60/align.json）。
• 没有配音时： 按 rate 字/秒估算（默认 5.0），适合先出方案和动态分镜。

4.3 决策规则（规划器就是这么做的，人工剪也照这个做）

1. 句子 → 版式：

2. 覆盖率平衡： 被内容盖住的比例（hidden + pip）达不到档位下限时，把最长的叙述 / 解释 / 故事句改成“内容主导 + 主播画中画”。short 档 15–35%，long 档 25–40%。

3. 切槽：

• 在下一句开口前 2 帧切（J-cut 感）。
• 强调句在关键词起点切进推近。
• 同版式的短句合并，但带关键词的强调 / 钩子 / 数据句单独成槽，给手势对齐留空间。
• 超长槽拆成跳切（short 槽长 1.6–4.2 s，long 3–7.5 s）。

4. 选镜顺序： 最受约束的槽先选（候选最少的先挑，带关键词的优先），而不是从左到右。招牌镜头（例如掌心托举）因此留给最需要它的那句。

5. 硬过滤：

• 说话槽只要 talking 且口型可用的镜头。
• 手近脸、qc < 3 排除。
• 画幅不合且裁不出来的排除。
• MG 要的半区必须在 safe_zones 里。
• 开场专用镜头只能做第一镜。

6. 打分：

7. 选入点（窗口）：

• 落在回位点 +0.8；开场从底板起点入 +1。
• 跨手势 keep_out −2。
• 手势峰值离关键词每 0.1 s 少 0.2 分（满分 +2）。
• 窗口碰到缺陷时，只有裁画幅能裁掉才可用。
• 同一时刻 12 s 内不许再出现；更远的重复 −3，并且必须做成不同变体。

8. 变体与跳切：

• 再次使用同一时刻时，必须换缩放（1.0 / 1.10 / scale_max）或倒放。
• 同底板相邻两镜，缩放差必须 ≥ 8%，否则读起来像“跳帧”。

9. 供给放宽： 素材里没有能让出某个半区的新镜头时，该槽自动改成画中画，并提示“补一条那一侧空着的底板”。

10. 转场：

• 主播 ↔ 主播：cut / zoomcut。两个说话的脸之间永远不叠化（双脸会让口型失效）。
• 主播 ↔ B-roll / 卡片：4–8 帧淡化。
• 长视频章节：MG 擦除。

11. MG： 脚本 [MG: id] 或按角色自动出模板（列点 / 计数 / 提问 / 关键词 / 关注）。区域按画幅取。尾巴在下一句前收掉，防止跨到不让位的镜头上。

12. 开场到场： 目录里有 first_only 镜头时，配音整体延后（最大 speech_offset − 首句起点），第一镜必选开场专用镜头。

13. 种子： 同脚本、同目录、同种子，结果完全一致；换种子得到另一版合法剪辑（演示：seed 7 → 11 有 5/21 个镜头不同，QC 仍通过）。可用于 A/B 测试或多账号分发。

4.4 档位参数

5. 阶段四 · 像改代码一样改（Edit API）

配音锁定录制时间，所以所有操作都是“槽位内”的：换内容、换显示方式，不挪语音。

Python 链式写法： tl.clip("c05").swap("K02_s1").punch(1.15)

推荐闭环： 写 .ops 文件 → istream edit（打印 diff）→ istream qc → 修 → 再 QC → 渲染。渲染有内容哈希缓存，只重建改过的片段。

演示：6 个改动让 QC 抓到 4 个 FAIL（MG 被挡、同一画面 3.4 s 内重复、同变体重复 ×2），4 行修复后 PASS（recipes/demo60/edit/）。

6. 阶段五 · 口型（Lip-sync，一等公民）

6.1 为什么在“拼好的底板”上做，而且只做可见段

• 规划完成后，lipsync plan 把连续的“主播可见段”合成任务，B-roll / 卡片段直接跳过。
• 每个任务的输入，是只做了时间操作（裁剪 / 倒放 / 变速）的原分辨率主播画面，加上对应的配音切片。
• 引擎返回后，再做推近、裁画幅、画中画和 MG。因此口型模型永远拿到最大的那张脸，而且画面里没有字幕、没有 MG、没有第二个主播。

6.2 路由（recipes/policies/*.json，可改）

合并相邻任务时，按秒数取主导档位（0.7 s 的推近不会把 10 s 任务整段升成 pro）。

6.3 引擎选项（2026-10 公开信息，价格以官网为准）

istream lipsync run --engine passthrough 可以直接跑通（不改嘴，只用于预览）。其他引擎在本包里是模板适配器：只打印要发出的请求或命令，拒绝伪造结果。接上真实引擎后，把结果放到任务的 output 路径，再跑 render --stage composite。

6.4 中文口型：必须单独对待

• 语速：
  • ≤ 5.5 字/s 理想；> 6.0 记 WARN；> 6.6 记 RISK，必须逐帧复核或让 TTS 放慢 5–10%。
  • 演示里 MCP 段真人原声是 7.3–7.4 字/s，被准确标出。
  • 每个口型任务按重叠时长加权计算语速。
• 闭唇音 b/p/m： 必须真正闭合。按密度报警（内置常用字表；装了 pypinyin 就精确计算）。
• 唇齿音 f： 看上齿是否压下唇。
• 夹杂英文和缩写（AI、MCP、USB-C、GitHub）：字母口型和汉字不同，单列出来人工看。
• 数字： TTS 读“十 / 一百 / 10”的方式要和字幕一致。
• 停顿： ≥ 0.8 s 的静场落在说话镜头里会记 WARN。要么确认引擎在静音时闭嘴，要么切到闭嘴倾听镜头（K01_s4、L01_s8）。
• 脸的大小：
  • 1080 竖屏里脸高 300–500px 最好。
  • < 160px 走小脸档。
  • 推近不超过 scale_max（脸太大、嘴部分辨率不够会糊）。
• 遮挡与第二张脸： 手近脸的镜头不进自动装配；有倒影的镜头带 face_lock。

6.5 口型之后（可选的“嘴部校准”）

• 嘴糊：在同一任务上换 pro 引擎重跑，比后期修复更稳。
• 表情微调：LivePortrait（开源）。
• 面部修复（GFPGAN / CodeFormer）：只用低强度，修完一定和身份参考图比对，过度修复会换脸。
• 复核：按可行性报告的评分卡（口型准确、嘴部清晰、身份、头身自然、接缝）。有条件可以加 SyncNet 类指标（LSE-C / LSE-D），本包未内置。

7. 阶段六 · 合成与“高级感”规则

版式语法：

• full：主播全画面，主力。
• punch：推近 112–125%，用于重音和金句。
• split：主播在一侧，内容区在另一侧（横屏左右分；竖屏上下分）。
• pip：内容主导，主播缩成圆形窗口，放在内容的对侧。
• hidden：主播隐藏，演播室虚化成背景，B-roll 或卡片在上，配音继续。

节奏：

• 短视频平均镜头长 2.2–3.8 s，长视频 3.5–7 s。
• 同底板跳切的缩放差 ≥ 8%。
• 在开口前 2 帧切，推近落在关键词上。
• 说话脸之间不叠化。
• B-roll 进出 4–8 帧淡化。

裁 / 缩 / 藏：

• 推近锚在脸上，不超过 scale_max。
• 竖版从横版裁时跟着脸框走，QC 会报放大倍数。
• 带缺陷的镜头只在“裁掉缺陷那一半”时使用。
• 被 MG 或 B-roll 盖住的时段不花口型的钱。

MG 挂点：

• mg_library.json 把 [MG: id] 映射到素材、区域、at_keyword（在重音词上出现）和预览文字。
• 横屏演示直接复用 Glass Protocol 的 PNG 卡。其他画幅回退为扁平预览卡。
• 正式的动态 MG（描边、粒子、玻璃模糊）用本项目 Glass Protocol 动效包的合成流程制作，本渲染器负责摆位、时间和淡入淡出。

字幕：

• ASS 格式，思源黑体 / Noto Sans CJK 粗体。
• 按宽度断行（拉丁字母算半格），不以标点开头，不留 1–2 字的孤字。
• 竖屏字幕放在平台按钮区以上。

8. 阶段七 · QC 与导出

自动 QC（istream qc）：

人工复核（5–10 分钟）： 手机竖屏、1 倍速看一遍，重点看 b/p/m、牙齿、接缝、身份、重复感，以及 RISK 段逐帧。

导出：

• 同一份脚本可以出多个画幅：--aspect 16:9 和 --aspect 9:16 各规划一次，裁切、MG 区域和可用镜头都会自动变。
• 按平台规定标注“AI 生成 / 数字人”；授权文件放 00_identity/。
• 发布后记账：istream ledger record。

9. 经济账（详见 ARCHITECTURE.md §4）

单条成本 = Σ 可见说话秒数 × 引擎单价 × 返工系数  +  底板一次性成本 ÷ 预计服务的成片分钟  （TTS 各路线都要，另计）

演示实测（同一份时间轴，只换路由策略文件）：

对照（每成片分钟）：

• 通用视频模型整段生成：$10–25
• 音频驱动数字人 SaaS：$5–8
• 现成数字分身服务：$1–1.5

结论：

• 自建 + 自部署口型，才能把边际成本压到 $1/分钟以下。
• 只用商用 pro 时，和 SaaS 价差不大。省钱的真正来源是可见段路由、小脸走快模型、剪辑全自动。

账本：

• 每次发布后把用过的镜头记进 ledger.json。
• 规划器按 0.5·ln(1+n) 加疲劳惩罚，近 2 天用过的再罚 1.5。
• 曝光超过阈值的镜头进退役名单。
• 月度换新（prompts refresh）从菜单里组合没用过的动作，生成新底板。

10. 本技能的文件

无限流怎么玩

先生成或拍摄一套人物、服装、光线一致的母片，切成带动作、表情、景别标签的镜头库。每次写新稿，就按内容选镜头、配音、处理口型，再用不同版式和动效组合成片。

适合课程、知识讲解、产品介绍等口播内容。素材库可以持续补新，镜头按使用情况轮换。

同一套人物切片和音轨，组合成六种剪辑风格。上图为现有成片节选。

核心流程

怎么省成本

• 同稿换风格：共用母片、配音和已对好的口型，继续剪辑、渲染。
• 新稿换内容：母片继续用，重新配音，并处理新稿需要的口型。
• 按需处理：人物被全屏图解或补充画面覆盖的时段，跳过口型任务。

“无限流”强调长期复用与重新组合；母片、模型调用及返修仍按实际使用计费。

快速开始

将本目录放进 Agent 的技能目录，例如项目下的 .agents/skills/lanshu-infinite-stream-koubo/，加载 SKILL.md。提供人物参考图或已有切片库、文案和声音要求，即可让 Agent 按流程制作：

使用 lanshu-infinite-stream-koubo。
优先复用我的人物切片，以确认后的配音锁定时间轴。
只对需要出镜说话的片段做口型。
制作一条 16:9 口播，人物主讲、圆形小窗与全屏图解交替。
输出成片、字幕和检查结果。

本地命令入口：

git clone https://github.com/cclank/lanshu-infinite-stream-koubo.git
cd lanshu-infinite-stream-koubo
python3 -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt
python tools/check_environment.py
python -m istream --help
python -m istream prompts build

核心规划模块使用 Python 3.10+；切片需要 NumPy。合成推荐 FFmpeg 7+，须包含 drawtext、subtitles、libx264 和中文字体。macOS 可安装完整版：

brew install ffmpeg-full
export PATH="$(brew --prefix ffmpeg-full)/bin:$PATH"
python tools/check_environment.py --render

视频、配音与真实口型服务需自行接入；包内口型适配器以模板为主，passthrough 用于预览，不会修改嘴型。以上环境检查和示例渲染均不调用生成模型。

python tools/build_library.py
python -m istream prompts verify
python -m unittest discover -s tests -v
bash tools/run_demo.sh

提示词源文件已随仓库提供。没有原始母片时，示例使用带标识的占位动画验证装配流程；原有预览和联系表可在 DEMO.md 查看。要复现替身母片示例，将自己的两条原片放到 source/original-koubo.mp4、source/ai-native-original.mp4，重新切片并复核标签。

搭配不同剪辑风格

可以参考下面这些独立 Skill 的分镜、版式和动效，再接上同一套人物切片与音轨：

• talking-head-editor · Renoise：口播精剪、字幕花字、画中画。 安装 Renoise
• lanshu-create-ai-presenter-video · cclank：纸艺立体书等讲解风格。
• digital-human-koubo · andyhuo520：发布解读、粒子文字、文档聚焦。

详细文档

许可证

项目代码采用 MIT License。第三方依赖、外部服务及人物、图片、音视频素材遵循各自的授权和使用条款。

由 岚叔（Lanshu） 整理与维护。在 X 上关注 @LufzzLiz →