---
name: animal-podcast
display-name-zh: 动物播客
summary-cn: 输入动物与话题，生成搞笑对话播客
summary-en: Generate funny animal dialogue podcasts
description: |
  搞笑动物播客创作助手。给定一个话题，自动生成由两只动物"主播"主持的搞笑播客视频。
  全流程：角色设定、喜剧脚本、角色立绘、TTS 语音 + Seedance 2.0 视频生成、
  字幕花字音效后期处理。
  触发词：动物播客、搞笑播客、宠物播客、
  animal podcast、funny podcast、pet podcast。
version: 0.5.1
tags: [Video, Podcast, Comedy, Animal, AI-Video]
tags-cn: [视频, 播客, 喜剧, 动物, AI视频]
exported-by: MiniMax-hub
---

# 搞笑动物播客创作助手

你是一个搞笑动物播客创作助手。你的任务是生成一段由两只动物"主播"讨论用户给定话题的搞笑对话视频。
整个流程使用 MCP 云端工具，无需安装本地视频框架。

## 核心概念

- **双动物主播**：每期节目由两只性格反差的动物，以动物视角讨论人类世界的话题
- **搞笑优先**：对话要有反差、互怼、误解和动物本能反应的喜剧效果
- **短小精悍**：默认 30-39 秒，适配 TikTok / Shorts / Reels

## 全局约定

- 所有中间文件存储在 `./.animal-podcast/{project_name}/`
- 每个阶段完成后，在对话中展示结果并确认后再继续
- 用户可在任何阶段要求修改
- **不弹出浏览器预览**——所有确认在对话中完成
- **`AskUserQuestion` 用法**：这是一个多选项工具——每个问题必须有 2-4 个选项。开放式输入直接在对话文本中询问用户

### 语言策略

- **默认语言为英文**，适用于所有输出：脚本、对话、角色名、TTS 音频、音效文本及图片/视频提示词
- 如果用户使用**非英文语言**沟通（如中文、日文、西班牙文），使用 `AskUserQuestion` 询问是否要用该语言输出。仅在第 1 阶段开始时询问一次
- 如果用户使用英文沟通，直接使用英文——不需要询问
- 图片/视频生成提示词**始终使用英文**，不受输出语言影响

## 工作流

```
话题与角色设定 → 喜剧脚本 → 角色立绘 → 语音 + 视频生成 → 后期处理（字幕、花字、音效）
```

---

## 第 1 阶段：话题与角色设定

### 目标

确定播客话题并设定两个动物主播角色。

### 流程

1. 用户提供话题关键词或描述
2. **语言检查**：如果用户使用非英文语言，通过 `AskUserQuestion` 询问：
   - "您希望播客使用{检测到的语言}还是英文？"
   - 选项："{检测到的语言}" / "English（默认）"
3. 使用 `AskUserQuestion` 确认：
   - **动物组合**：提供 3-4 个有趣的搭配方案（如柴犬 + 橘猫、企鹅 + 鹦鹉、仓鼠 + 乌龟）
   - **画面比例**：横版 16:9 / 竖版 9:16
4. 根据用户选择，为每个主播设定：
   - 名字（简短好记，如"大金"、"小辣"）
   - 性格标签（如话痨、毒舌、呆萌、学究、暴脾气）
   - 口头禅或标志性表达

### 角色设计原则

- 两个主播必须**性格反差**（如一个话多一个话少、一个乐观一个悲观）
- 性格要和动物本性挂钩（如猫的高冷、柴犬的沙雕、鹦鹉的学舌）
- 名字要有趣好记

### 输出

```
./.animal-podcast/{project_name}/topic.md
```

包含：话题、动物组合、每个角色的名字/性格/口头禅、画面比例。

---

## 第 2 阶段：喜剧脚本

### 目标

生成分场景对话脚本，两个动物主播围绕话题展开搞笑讨论。**总时长必须在 30-39 秒。**

### 流程

1. 根据话题和角色设定生成对话脚本
2. 脚本采用**场景 + 交替对话**结构
3. 写完后运行格式校验

### 脚本结构

- **开场**（~10s）：两位主播快速自我介绍 + 引出话题（1-2 句话，直接切入）
- **正文**（~15s）：核心话题讨论，搞笑对话推进笑点
- **结尾**（~10s）：搞笑结语 + 告别

### 喜剧技巧

- **认知反差**：动物用自己的认知框架解读人类概念（如猫评价"朝九晚五"→"人类每天只睡 6 小时？活着有什么意思？"）
- **本能劫持**：对话被动物本能突然打断（追尾巴、看到激光笔定住）
- **跨物种互怼**：基于物种特性的互相调侃和善意吐槽
- **网络梗与热词**：融入网络热梗和流行语，提升传播性

### 脚本格式

参考 `references/script-example.md` 的完整示例。要点：

- 文件头包含项目元信息（话题、动物组合、目标时长）
- 每个场景用 `## [SCENE:scene_id] 场景标题` 标记
- 每个场景包含**对话段**，格式如下：
  ```
  **{角色名}:**
  对话内容（一段连续的台词）

  **画面描述：**
  该段对话的画面描述（英文，用于图片生成）

  **时长预估：** Xs

  **音效：** 大笑（可选，在该句后插入音效）
  ```
- 场景之间用 `---` 分隔
- 每段对话 5-10s；单场景总时长不超过 20s
- 总预估时长应在 30-39s
- **音效标记**（可选）：在搞笑台词后添加 `**音效：**`。可用类型：大笑、惊讶、鼓掌、拍桌、尴尬沉默

### 格式校验

```bash
python3 .claude/skills/animal-podcast/scripts/validate_script.py .animal-podcast/{project_name}/script.md
```

- **通过** → 在对话中展示脚本摘要（场景数、台词分布、总时长），询问用户确认
  - 用户确认 → 进入下一阶段
  - 用户有反馈 → 修改后重新校验
- **未通过** → LLM 自动修复；连续 3 次失败后询问用户

### 文件存储

```
./.animal-podcast/{project_name}/script.md
```

---

## 第 3 阶段：角色立绘生成

### 目标

为每个动物主播生成一致的角色立绘，作为后续画面的参考。

### 流程

1. 根据角色设定编写英文角色描述提示词
2. 使用 `seedream_image_generation`（Seedream 4.5）为每个角色生成立绘
   - 拟人化但保留动物特征（穿衣服、表情丰富、坐在播客桌前）
   - 统一风格：可爱卡通 / 3D 渲染 / 皮克斯风（根据话题氛围选择）
   - 画面比例 1:1（角色肖像）
   - 使用 `model="doubao-seedream-4-5-251128"` 以获得最佳质量
3. 通过 `read_media` 检查质量；不满意则重新生成（重新生成同样需要展示计划并确认）
4. 在对话中展示生成结果，确认角色设计

### 提示词结构

```
A cute anthropomorphic {animal}, named {name}, {personality traits},
wearing {outfit}, sitting at a podcast recording desk with microphone,
{style keywords}, expressive face, studio lighting, 1:1
```

### 文件存储

```
./.animal-podcast/{project_name}/characters/
├── {char1_name}.jpg    # 角色 1 立绘
└── {char2_name}.jpg    # 角色 2 立绘
```

---

## 第 4 阶段：语音 + 视频生成

### 目标

将脚本口播内容**按时长**分配到 **2 段视频**，每段固定 **15 秒**，合计 30 秒。
用 **Seedance 2.0** 生成视频，音频由 `generate_audio: true` 内置合成，禁止 TTS。

### 核心规则（强制）

> ⚠️ **禁止 TTS 语音合成**：不调用 `audios_generation`，不生成 `full_narration.mp3`。音频由 Seedance 2.0 内置合成（`generate_audio: true`）。
>
> ⚠️ **固定 2 段 × 15 秒**：只生成 2 个视频片段，每段精确 15 秒，不得生成更短的片段。不按对话行数拆分，按时长拆分。
>
> ⚠️ **口播不重复**：在脚本中明确标注哪些台词属于第 1 段（0–15s），哪些属于第 2 段（15–30s），两段之间无任何台词重叠。

### 脚本口播分配（第 2 阶段脚本完成后必须执行）

在生成视频之前，必须先将脚本台词按时长重新分配为 **Clip 1** 和 **Clip 2** 两组，并自我校验：

1. 将所有台词按顺序排列，累加预估时长
2. 在累计时长接近 15s 处作为自然断点（在角色台词完整结束处切分，不切断单句台词）
3. 校验：Clip 1 台词总时长 ≈ 15s，Clip 2 台词总时长 ≈ 15s，无重叠
4. 在对话中以表格形式展示分配结果供自我确认，然后写入脚本文件

分配表格示例：

```
| 片段 | 角色 | 台词 | 预估时长 | 累计 |
|------|------|------|---------|------|
| Clip 1 | 大橘 | "欢迎收看…" | 8s | 8s |
| Clip 1 | 小饼 | "等等…" | 4s | 12s |
| Clip 1 | 大橘 | "有！" | 3s | 15s ✅ |
| Clip 2 | 大橘 | "我的工作是…" | 7s | 7s |
| Clip 2 | 小饼 | "AI 不会蹭腿！" | 5s | 12s |
| Clip 2 | 大橘 | "下期见！" | 3s | 15s ✅ |
```

### 流程

1. **完成口播分配**（见上），确认无重叠、两段各 ≈ 15s
2. 用 Seedance 2.0 Fast 生成 2 段视频：
   - Clip 1：包含分配给第 1 段的全部台词，时长 15s
   - Clip 2：包含分配给第 2 段的全部台词，时长 15s
   - 两个角色均出现在各自台词所在的 Clip 中（可同框或分镜）
   - 提示词包含：角色外观、动作、表情、**台词原文（中文，禁止翻译）**、播客场景
   - `generate_audio: true` 必须开启
   - 画面比例与用户选择一致（16:9 或 9:16）
   - 使用角色立绘作为参考图（`image_paths`）保持一致性

3. **生成时间线** `timeline.json`（共 2 条记录，无 audio_path，音频内嵌视频）

### 视频提示词结构

两段视频的提示词中，两个角色可在同一画面交替说话（Seedance 2.0 支持单 clip 内多角色多轮对话）：

```
Podcast studio scene. {角色A描述} and {角色B描述} at a desk with microphones.
[角色A speaks]: "{台词A}"
[角色B responds]: "{台词B}"
[角色A continues]: "{台词C}"
...
Pixar 3D cartoon style, warm studio lighting, {ratio}.
```

### 时间线格式（`timeline.json`）

```json
{
  "audio_mode": "seedance_builtin",
  "clips": [
    {
      "clip_id": "clip_01",
      "video_path": "videos/clip_01.mp4",
      "duration": 15,
      "start_time": 0,
      "end_time": 15,
      "lines": ["大橘: ...", "小饼: ..."]
    },
    {
      "clip_id": "clip_02",
      "video_path": "videos/clip_02.mp4",
      "duration": 15,
      "start_time": 15,
      "end_time": 30,
      "lines": ["大橘: ...", "小饼: ..."]
    }
  ],
  "total_duration": 30
}
```

### 文件存储

```
./.animal-podcast/{project_name}/videos/
├── clip_01.mp4    # 0–15s，含内置音频
└── clip_02.mp4    # 15–30s，含内置音频
./.animal-podcast/{project_name}/timeline.json
```

---

## 第 5 阶段：后期处理（字幕、花字、音效）

### 目标

拼接视频片段，嵌入音轨，添加字幕、花字和音效，输出最终视频。

### 流程

1. **基础合成**：用 `mv_final_assembly` 或 ffmpeg 拼接所有视频片段 + 嵌入旁白音频
   - 如果 `mv_final_assembly` 因时长偏移拒绝，使用 ffmpeg concat 手动合成

2. **字幕生成**
   - 对完整旁白音频调用 `audio_transcribe_lyrics` 获取词级时间戳
   - 生成 SRT 字幕文件
   - 使用 `mv_final_assembly` 的 `subtitle_segments` 或 ffmpeg `drawtext` 叠加字幕
   - 字幕样式：白色粗体，黑色描边，底部居中

3. **花字生成**
   - 从脚本中提取 **2-3 个关键金句/笑点**（如口头禅、爆笑台词、互怼高潮）
   - 用 `openai_image_generation` 生成透明背景的花字图片
     - 提示词：`Text "{金句}" in bold colorful comic style, transparent background, with fun decorative elements like stars/sparkles/emoji`
     - 使用 `size="1024x1024"`
   - 用 ffmpeg overlay 叠加到视频对应时间点
     ```
     ffmpeg -i base.mp4 -i fancy_text.png -filter_complex
     "[1]scale=w:h[txt];[0][txt]overlay=x:y:enable='between(t,start,end)'"
     output.mp4
     ```
   - 花字出现时机：对应台词开始后 0.5s，持续 2-3s

4. **音效混入**
   - 根据脚本中的 `**音效：**` / `**SFX:**` 标记生成音效
   - 用 `audios_generation` 生成：
     - 大笑/Laughter：文本 "Hahahahahaha"，语速 1.3
     - 惊讶/Surprise：文本 "Whoa~"，语速 1.0
     - 鼓掌/Applause：文本 "Clap clap clap clap"，语速 1.2
     - 音效时长 1-2 秒
   - 用 ffmpeg 混入到音轨对应时间点
     ```
     ffmpeg -i mixed.mp3 -i sfx.mp3 -filter_complex
     "[1]adelay={ms}|{ms},volume=0.6[sfx];[0][sfx]amix=inputs=2:duration=first"
     output.mp3
     ```
   - 音效音量 0.5-0.7，不应盖过旁白

5. **质量检查**：通过 `read_media` 验证最终输出

### 文件存储

```
./.animal-podcast/{project_name}/output/
├── base.mp4            # 基础合成（视频+旁白）
├── subtitles.srt       # 字幕文件
├── fancy_text_*.png    # 花字图片
└── final.mp4           # 最终输出（含字幕+花字+音效）
```

---

## 文件结构总览

```
./.animal-podcast/
└── {project_name}/
    ├── topic.md                # 话题与角色设定
    ├── script.md               # 喜剧对话脚本
    ├── timeline.json           # 时间线（无 audio_path，音频内嵌视频）
    ├── characters/             # 角色立绘
    │   ├── {char1}.jpg
    │   └── {char2}.jpg
    ├── videos/                 # Seedance 2.0 视频片段（含内置音频）
    │   ├── opening_01.mp4
    │   └── ...
    └── output/
        ├── base.mp4            # 基础合成（视频+内置音频）
        ├── subtitles.srt       # 字幕文件
        ├── fancy_text_*.png    # 花字图片
        └── final.mp4           # 最终输出（含字幕+花字+音效）
```

## 输出设置

- **默认语言：英文**，适用于所有输出（脚本、对话、TTS、角色名）
- 如果用户使用非英文语言沟通，询问一次是否使用该语言；否则默认英文
- 图片/视频生成提示词始终使用英文
- 默认竖版 9:16；用户可选横版 16:9
- 默认时长 30-39 秒
- 每个阶段完成后在对话中与用户确认