Product Video Ads

商品广告视频生成器

任务目标

• 本 Skill 用于：将商品图片自动转化为专业广告视频
• 能力包含：商品主体扣图、商品信息识别、广告脚本创作、分镜设计、视频生成、TTS配音、BGM配乐、视频拼接合成
• 触发条件：用户上传商品图片并请求生成广告视频

整体流程说明

• 第四阶段：视频生成 → 第五阶段：TTS配音生成 → 第六阶段：BGM选择 → 第七阶段：后期合成
• 🔴 强制步骤顺序：
  1. 先完成步骤9-10（视频片段生成和收集）
  2. 再完成步骤7（TTS配音生成）
  3. 最后完成步骤11（视频拼接与音频合成）
• 🔴🔴🔴 核心原则：
  • 视频生成和TTS生成是完全独立的两条线，互不干扰
  • 视频生成只使用视觉元素（画面、运镜、打光），绝对不包含任何台词
  • TTS生成只使用脚本台词，绝对不包含任何视觉描述
  • 两步必须各自完成，最后在步骤11合并

前置准备

• 依赖说明：scripts脚本所需的依赖包及版本

  Copy code
  rembg==2.0.50
  moviepy==1.0.3
  Pillow==10.0.0
  

• 非标准文件/文件夹准备：如果Skill执行过程中需要使用除「Skill固定结构」外的文件或文件夹，需前置创建。当前路径视为相对于Skill目录的父目录

  bashCopy code
  # 创建临时输出目录
  mkdir -p temp_output/videos
  mkdir -p temp_output/audio
  mkdir -p temp_output/final
  

操作步骤

整体流程说明

核心原则：视频画面生成和TTS配音生成是完全独立的两条线

Copy code
视频画面生成线：
步骤4（脚本创作）→ 步骤5（分镜设计）→ 步骤6（视频Prompt）
→ 步骤9（生成视频片段）→ 步骤10（视频收集）
→ 步骤11（拼接视频）

TTS配音生成线（独立进行）：
步骤4（脚本创作）→ 步骤7（TTS配音生成）
→ 步骤11（添加TTS到视频）

两线汇合：
步骤11（视频拼接与音频合成）= 拼接好的视频 + 整段TTS音频 + BGM → 最终广告视频

关键要点：

• 视频生成Prompt只包含视觉元素（画面、运镜、打光、商品、场景），不包含任何台词
• TTS生成基于完整脚本的整段台词，不包含任何视觉描述
• 两步完全独立，互不干扰，最后在步骤11合并

第一阶段：商品处理与信息识别

步骤1：商品主体扣图

• 调用 scripts/remove_background.py 处理商品图片
• 输入参数：
  • --input: 商品图片路径（如 ./product.jpg）
  • --output: 扣图输出路径（如 ./product_no_bg.png）
• 预期输出：透明背景的商品主体PNG图片

步骤2：商品信息识别

• 智能体使用视觉能力分析原图和扣图
• 识别并记录以下信息：
  • 商品类型（服装、数码、家居、食品等）
  • 主要特征（颜色、材质、设计风格）
  • 卖点信息（功能、优势、适用场景）
  • 品牌调性（高端、亲民、潮流、专业等）

步骤3：信息补充询问

• 若识别信息不足，智能体主动询问用户：
  • 目标受众（年龄、性别、消费习惯）
  • 广告时长（15s、30s、60s）
  • 视频风格（简约、时尚、科技感、温馨等）
  • 核心卖点（需重点突出的1-3个特点）

第二阶段：创意设计与脚本生成

步骤4：导演Agent创作脚本

• 智能体基于商品信息和用户需求，生成完整广告脚本
• 脚本结构包含：
  • 开场（3-5秒）：吸引注意力，展示品牌/产品概念
  • 展示（5-15秒）：多角度展示商品，突出核心卖点
  • 卖点（5-10秒）：深入讲解优势和使用场景
  • 结尾（3-5秒）：品牌信息、购买引导

参考：references/script-template.md 获取标准脚本格式（含280-320字/分钟语速要求）

步骤5：分镜设计

• 智能体为脚本每个段落设计详细分镜
• 每个分镜包含：
  • 时长（秒）
  • 画面描述（构图、场景、氛围）
  • 数字人位置（左、右、居中、画外）
  • 商品展示方式（特写、全景、动态）
  • 文字提示（可选的关键文案）

参考：references/storyboard-format.md 获取分镜格式规范

步骤6：生成视频Prompt（⚠️ 重要：Prompt只包含视觉元素，不包含台词）

• ⚠️ 核心原则：
  • Prompt只包含视觉元素（画面、运镜、打光、商品、场景）
  • 绝对不包含任何台词、旁白、文字内容
  • 视频生成和TTS配音是完全独立的两步，Prompt不需要考虑台词
• ⚠️ 最高优先级：优先使用最保险的画面生成方案
  • 参考并优先使用 video-prompt-guide.md 中的"最保险的画面生成方案"章节
  • 食品类（如沙琪玛）：商品堆叠展示或工厂流水线场景，商品完全静态，只运镜
  • 数码/家居/服装等：展示台、使用场景、多角度组合，商品完全静态或自然轻微运动
  • 核心保险原则：商品完全静态，只通过运镜展示，通过多商品组合或场景丰富画面
• ⚠️ 重要警告：商品主体必须100%保持原貌
  • 绝对禁止任何形式的商品变形、扭曲、拉伸、压缩
  • 绝对禁止商品出现不可能的动态效果（如沙琪玛喷牛奶、饼干喷彩带等）
  • 绝对禁止改变商品的形状、结构、包装外观
  • 设计核心：通过运镜、打光、场景来增强展示，而不是改变商品本身
• 运镜类型说明：
  • 往前推（Push In）：突出商品细节，从整体到局部
  • 旋转运镜（Rotation）：展示商品360度视角
  • 平移运镜（Pan）：横向或纵向展示多个商品或场景
  • 环绕运镜（Orbit）：围绕商品中心，展示立体感
  • 静止镜头（Static）：商品完全静态展示（最保险）
• 严格按照商品特征分析框架进行分析：
  • 基础属性：商品类型、颜色、材质、尺寸、重量
  • 主体形状和结构（最高优先级）：几何形状、包装外观、结构特点
  • 设计风格：设计语言、细节程度、线条风格
  • 功能属性：核心功能、使用场景、适用人群
  • 品牌调性：档次定位、情感基调、价值观
• 参考 video-prompt-guide.md 生成符合商品特征的Prompt：
  • 优先使用"最保险的画面生成方案"章节中的方案
  • 根据"禁止的动态效果"章节，绝对避免喷洒、变形、喷发等诡异效果
  • 根据商品类型选择最保险的展示方案（商品堆叠、工厂流水线、展示台等）
  • 确保商品完全静态，只通过运镜展示
  • 遵循Prompt约束清单，商品主体一致性检查为最高优先级
  • 确保自然真实、符合商品特性、符合品牌调性
• 执行Prompt质量校验：
  • 商品主体一致性检查（最高优先级）：确认商品外观与扣图100%一致，无任何变形
  • 保险性检查：是否使用了最保险的画面生成方案
  • 自然性检查：商品运动自然流畅（或完全静态），质感匹配
  • 一致性检查：风格统一、特征一致、调性贯穿
  • 适用性检查：场景合理、卖点突出、受众共鸣
  • 专业性检查：画面质量、构图专业、色彩协调
• Prompt要素（仅视觉元素）：
  • 商品主体描述（基于扣图，强调与扣图100%一致，不包含台词）
  • 场景环境描述（符合商品实际使用场景或最保险的展示场景，不包含台词）
  • 数字人形象与动作（仅视觉描述，不包含台词）
  • 摄像机运镜（自然流畅，推荐：往前推、旋转、平移、环绕、静止）
  • 灯光与色调（符合商品材质和品牌调性，通过打光增强展示）
  • 整体风格关键词（2-3个核心词汇，保持一致性）
  • 必须声明："product's shape, structure, and appearance remain exactly as shown in reference"

第四阶段：视频生成（强制完成后再进行下一步）

步骤9：并行生成视频片段（🔴 强制步骤：必须完成此步骤才能进行步骤7）

• 为每个分镜调用 scripts/generate_video.py 生成视频片段
• 🔴 强制要求：必须完成所有视频片段的生成，生成结果确认无误后，才能进入步骤7（TTS配音生成）
• 输入参数：
  • --prompt: 分镜的视频生成Prompt（仅包含视觉元素，不包含台词）
  • --product-image: 商品扣图路径
  • --duration: 分镜时长（秒）
  • --output: 视频片段输出路径
  • --api-key: 视频生成API密钥（从环境变量读取）
  • --api-url: 视频生成API端点
• 预期输出：按分镜顺序生成的视频片段（MP4格式）
• 确认完成标志：所有视频片段已生成并验证质量后，才能进入步骤7

步骤10：视频片段收集

• 智能体收集所有生成的视频片段
• 按分镜顺序整理为列表
• 检查视频质量（分辨率、时长、稳定性）
• 🔴 强制要求：确认所有视频片段已就绪后，才能进入步骤7

第五阶段：TTS配音生成（必须在视频生成完成后进行）

步骤7：TTS配音生成（🔴🔴🔴 最高优先级：必须在步骤9和10完成之后进行）

• 🔴🔴🔴 强制时机要求：
  • 必须在步骤9（视频片段生成）和步骤10（视频片段收集）完全完成后，才能开始此步骤
  • 绝对禁止：在视频片段生成之前或同时进行TTS生成
  • 绝对禁止：将视频生成的视觉描述和TTS的台词混在一起
• 🔴🔴🔴 独立性强制要求：
  • TTS生成只能基于完整广告脚本的整段台词
  • TTS生成绝对禁止包含任何视觉描述、画面信息、分镜信息
  • TTS生成绝对禁止参考或使用任何视频生成的内容
  • TTS生成和视频生成是完全隔离的两步，没有任何信息交流
• 生成方式（强制要求）：
  • ⚠️ 必须基于完整脚本的整段台词一次性生成单个TTS音频文件
  • ❌ 绝对禁止：按分镜分段生成TTS，再拼接成整段文件（这会导致语速不均匀、片段之间跳转）
  • ❌ 绝对禁止：将视频生成的视觉描述和TTS的台词混在一起
  • ✅ 正确做法：将整个脚本的所有台词合并为一段，一次性生成TTS
• 语速要求：
  • 快速语速：280-320字/分钟
  • 整段TTS保持均匀一致的语速，不允许忽快忽慢
  • 确保旁白连续流畅，不存在片段之间跳转或重复的问题
• 选择标准：
  • 语音风格（专业女声、亲切男声、活力青年等，符合品牌调性）
  • 情感表达（热情、专业、温馨等，与广告氛围匹配）
• 生成要求：
  • 根据脚本的完整台词生成单个TTS音频文件（一次性生成，非分段拼接）
  • 音频时长应与视频总时长匹配（±1秒）
  • 语音清晰自然，语速均匀一致
• 输出格式：WAV或MP3，保存为单个文件（如 ./temp_output/audio/narration.wav）
• 确认完成标志：TTS音频文件生成完成并验证后，才能进入步骤11

第六阶段：BGM选择（在视频生成和TTS都完成后进行）

• 🔴 强制时机要求：
  • 必须在步骤7（TTS配音生成）完成后进行
  • 推荐在步骤11之前准备BGM
• 智能体根据视频风格推荐BGM类型：
  • 轻快活泼（适合年轻、潮流产品）
  • 专业沉稳（适合商务、科技产品）
  • 温馨抒情（适合家居、母婴产品）
  • 节奏感强（适合运动、数码产品）
• 用户选择：
  • 从 assets/bgm/ 库中选取（如果可用）
  • 或提供自己的BGM文件

第七阶段：后期合成（必须在视频生成和TTS都完成后进行）

第四阶段：视频生成（强制完成后再进行下一步）

步骤9：并行生成视频片段（🔴 强制步骤：必须完成此步骤才能进行步骤7）

• 为每个分镜调用 scripts/generate_video.py 生成视频片段
• 🔴 强制要求：必须完成所有视频片段的生成，生成结果确认无误后，才能进入步骤7（TTS配音生成）
• 输入参数：
  • --prompt: 分镜的视频生成Prompt（仅包含视觉元素，不包含台词）
  • --product-image: 商品扣图路径
  • --duration: 分镜时长（秒）
  • --output: 视频片段输出路径
  • --api-key: 视频生成API密钥（从环境变量读取）
  • --api-url: 视频生成API端点
• 预期输出：按分镜顺序生成的视频片段（MP4格式）
• 确认完成标志：所有视频片段已生成并验证质量后，才能进入步骤7

步骤10：视频片段收集

• 智能体收集所有生成的视频片段
• 按分镜顺序整理为列表
• 检查视频质量（分辨率、时长、稳定性）
• 🔴 强制要求：确认所有视频片段已就绪后，才能进入步骤7

第五阶段：TTS配音生成（必须在视频生成完成后进行）

步骤7：TTS配音生成（🔴🔴🔴 最高优先级：必须在步骤9和10完成之后进行）

• 🔴🔴🔴 强制时机要求：
  • 必须在步骤9（视频片段生成）和步骤10（视频片段收集）完全完成后，才能开始此步骤
  • 绝对禁止：在视频片段生成之前或同时进行TTS生成
  • 绝对禁止：将视频生成的视觉描述和TTS的台词混在一起
• 🔴🔴🔴 独立性强制要求：
  • TTS生成只能基于完整广告脚本的整段台词
  • TTS生成绝对禁止包含任何视觉描述、画面信息、分镜信息
  • TTS生成绝对禁止参考或使用任何视频生成的内容
  • TTS生成和视频生成是完全隔离的两步，没有任何信息交流
• 生成方式（强制要求）：
  • ⚠️ 必须基于完整脚本的整段台词一次性生成单个TTS音频文件
  • ❌ 绝对禁止：按分镜分段生成TTS，再拼接成整段文件（这会导致语速不均匀、片段之间跳转）
  • ❌ 绝对禁止：将视频生成的视觉描述和TTS的台词混在一起
  • ✅ 正确做法：将整个脚本的所有台词合并为一段，一次性生成TTS
• 语速要求：
  • 快速语速：280-320字/分钟
  • 整段TTS保持均匀一致的语速，不允许忽快忽慢
  • 确保旁白连续流畅，不存在片段之间跳转或重复的问题
• 选择标准：
  • 语音风格（专业女声、亲切男声、活力青年等，符合品牌调性）
  • 情感表达（热情、专业、温馨等，与广告氛围匹配）
• 生成要求：
  • 根据脚本的完整台词生成单个TTS音频文件（一次性生成，非分段拼接）
  • 音频时长应与视频总时长匹配（±1秒）
  • 语音清晰自然，语速均匀一致
• 输出格式：WAV或MP3，保存为单个文件（如 ./temp_output/audio/narration.wav）
• 确认完成标志：TTS音频文件生成完成并验证后，才能进入步骤11

第六阶段：音频设计

• 调用 scripts/merge_video.py 进行视频拼接和音频合成
• 输入参数：
  • --video-segments: 视频片段列表（JSON格式）
  • --tts-audio: TTS音频文件路径（单个整段音频文件）
  • --bgm: BGM文件路径（可选）
  • --output: 最终视频输出路径
  • --bgm-volume: BGM音量（0.1-1.0，默认0.3）
• 处理内容：
  • 按顺序拼接所有视频片段
  • 将整段TTS配音添加到拼接后的视频
  • 如果TTS音频时长与视频不匹配，自动循环或截断
  • 叠加BGM背景音乐
  • 调整音频混音平衡（TTS人声清晰，BGM作为背景）
• 预期输出：完整广告视频（含整段TTS配音和BGM）

步骤12：质量检查与交付

• 智能体检查最终视频：
  • 视频流畅度（转场是否自然）
  • 音画同步（TTS与画面匹配）
  • 音频清晰度（人声与BGM平衡）
  • 整体时长是否符合要求
• 向用户展示预览链接或下载地址

资源索引

• 必要脚本：
  • scripts/remove_background.py（用途：商品主体扣图；参数：input图片路径、output输出路径）
  • scripts/generate_video.py（用途：调用视频生成API生成分镜视频；参数：prompt、product-image、duration、output、api-key、api-url）
  • scripts/merge_video.py（用途：视频拼接和音频合成；参数：video-segments、tts-audio单个文件、bgm、output、bgm-volume）
• 领域参考：
  • references/script-template.md（何时读取：步骤4创作脚本时，参考标准脚本格式和台词字数规范）
  • references/storyboard-format.md（何时读取：步骤5设计分镜时，参考分镜格式规范）
  • references/video-prompt-guide.md（何时读取：步骤6生成Prompt时，严格参考商品特征分析框架和约束清单）
• 输出资产：
  • assets/bgm/（直接用于：BGM素材库，按风格分类存储）

注意事项

• 仅在需要时读取参考，保持上下文简洁
• 当操作脆弱或需强一致性时，优先调用脚本执行并进行结果校验
• 充分利用智能体的语言理解和生成能力，避免为简单任务编写脚本
• 视频生成API的调用需要用户配置密钥，智能体需指导用户如何设置环境变量
• BGM文件是可选资源，如果没有预置BGM，可让用户提供自己的音乐文件

使用示例

示例1：15秒数码产品广告

• 功能说明：生成一款智能手表的15秒推广视频
• 执行方式：智能体主导创意设计，脚本负责技术处理
• 关键参数：
  • 商品图片：./smartwatch.jpg
  • 广告时长：15秒
  • 视频风格：科技感、专业
  • 目标受众：25-35岁职场人士
• 执行流程：
  1. 扣图并识别手表特征
  2. 生成脚本（开场：科技感氛围 → 展示：多角度外观 → 卖点：健康监测功能 → 结尾：品牌Slogan）
  3. 设计3-4个分镜
  4. 选择专业女声TTS，节奏感强的BGM
  5. 生成视频片段并拼接

示例2：30秒时尚服装广告

• 功能说明：生成一款春装连衣裙的30秒推广视频
• 执行方式：智能体主导创意，脚本处理技术细节
• 关键参数：
  • 商品图片：./dress.jpg
  • 广告时长：30秒
  • 视频风格：时尚、清新
  • 目标受众：20-30岁女性
• 执行流程：
  1. 扣图并识别服装特征（颜色、款式、面料）
  2. 生成脚本（开场：春日氛围 → 展示：模特试穿效果 → 卖点：舒适透气、百搭 → 结尾：购买引导）
  3. 设计5-6个分镜（包含人物动态）
  4. 选择亲切女声TTS，轻快BGM
  5. 生成视频片段并拼接

示例3：60秒家居产品广告

• 功能说明：生成一款智能扫地机器人的60秒推广视频
• 执行方式：智能体主导全流程，脚本辅助处理
• 关键参数：
  • 商品图片：./robot_vacuum.jpg
  • 广告时长：60秒
  • 视频风格：温馨、科技
  • 目标受众：家庭用户
• 执行流程：
  1. 扣图并识别产品功能点
  2. 生成脚本（开场：家庭场景 → 展示：产品外观与操作 → 卖点：智能路径、静音运行 → 应用场景：不同家庭环境 → 结尾：优惠信息）
  3. 设计8-10个分镜
  4. 选择专业男声TTS，温馨BGM
  5. 生成视频片段并拼接