Gtrk Talking Head Agent Skill

gtrk-talking-head（通用口播 · 组合成片图纸）

把真人出镜的口播毛片（一条或一组）变成完整包装的可出片工程：双轨换声 → 拼段 → 粗剪 → 检查点① → 拆分 → B-roll → 字卡 → BGM → 字幕 → 精剪包装（合成）→ 客户端出片。

> 定位：第四张 structure 级组合图纸。本图纸自身不新增命令，只编排零件（audio align / oralcut / split / matrix / mg / audio lay / subtitle lay——其中对轨零件 gtrk audio align 与本图纸同批交付）。零件参数细节以各自 skill（/gtrk-oralcut、/gtrk-splitter、/gtrk-matrix、/gtrk-mg）与 --help 为准，本图纸引用不复制；编排次序、检查点、双轨与多段规约以本图纸为准。CLI 是手，你是脑。

与另外三张图纸的分野（先对号入座再开工）：

| 图纸 | 内容从哪来 | 产物 |

|---|---|---|

| 旅拍解说 | 素材 + AI 写稿 + TTS 配音（无真人出镜） | 完整包装工程 |

| 直播切片 | 直播回放，只粗剪不包装 | 一批粗剪工程 |

| 口播链（本图纸） | 真人已把内容讲完，AI 只做剪与包装 | 完整包装工程 |

> 用户只要「剪干净」不要包装 → 那是一句 /gtrk-oralcut 的事，别拉全链。

一、输入契约与开工五问

输入：口播毛片本地文件（一条或多条），可带独立外录音轨（wav / MP3 / m4a / flac），可带文稿 txt。

| # | 问 | 怎么取证 | 决定什么 |

|---|---|---|---|

| ① | 一条还是多条？多条是一期分段还是各自成片？ | 问用户，MUST NOT 代猜（同日多条两种都常见） | 走不走拼段（§三） |

| ② | 有无独立外录音轨？ | 看目录配对（每条视频旁的音频文件）+ ffprobe 时长比对 | 走不走双轨换声（§二） |

| ③ | 有没有文稿？ | 问用户。⚠️ 即兴内容禁传事后整理稿——oralcut 会把「终稿外内容」当废话剪掉，即兴场景必须走无稿智能重建 | --script 传不传 |

| ④ | 毛片几何 | ffprobe | 画幅随片（非拍板项，与旅拍不同——那边是无中生有须拍板画幅）；非标帧率会被吸附到标准值，属预期 |

| ⑤ | B-roll 素材来源 | 问用户，MUST NOT 硬塞：有没有本地素材文件夹（要路径）？要不要用云端素材填充？ | §五 matrix 走法三选一：本地（--local --dirs）/ 云端 / 都不要 = 不铺 B-roll（纯 A_ROLL + MG 字卡也是完整成片形态） |

| ⑥ | 有没有与人像同步录制的屏录 / 第二机位？ | 问用户，MUST NOT 代猜（看目录里有没有同时段的屏录 / 另一机位文件只是提示，不是答案）。有则追问三样：画中画形状（圆 / 圆角方 / 爱心 / 菱形 / 星形，缺省圆）、位置（缺省右下）、大小（缺省约 28% 画幅高） | 走不走 §二′ 双源画中画（gtrk pip lay）；屏录题材 ⑤ 默认答「不铺 B-roll」（屏幕本身即画面） |

> 推荐面（公约 §三‴）：问答收口时可问一句「要不要看看第三方 skill？」；题材命中场景触发词才定向推荐，读取 gtrk skills recommend --scene <id> --json；用户拒绝后不执行推荐动作。

> 精剪包装（公约 §三⁵）：开工时告知一句「快速成片会在适合的段落做合成包装，最多全片四分之一，不要就说一声」——不是问题，用户说不要即零动作；gtrk composite bake --abi 报烘焙浏览器没装时，在这张问询表里多问一句装不装（不装用本机 Chrome / Edge）。

二、双轨收音：对轨 → 换轨（本图纸最大的新东西）

真实口播几乎都是双轨收音：相机内录只是参考声，领夹麦/录音笔的外录才是成片要用的。而粗剪链吃的是视频文件里的音轨 ⇒ 先把外录换进去，转写和成片就都是外录声。

对轨是可选前置：用户给的毛片若已换好轨（或本就单轨无外录），本节整体跳过、后续零差别——链路不检查任何「对轨凭据」。

一条命令，不用人判两态

gtrk audio align "<毛片>" "<外录>"

已对齐、未对齐都直接跑自动分支——已对齐素材会测出接近 0 的偏移与高置信。测出 0 比假设 0 更稳：万一素材其实没对齐，假设 0 会静默错轨。

--offset 0 只在你确知偏移时用（跳过检测省几秒）。

命令自动互相关测偏移并给置信度，按置信度分流：

• 置信度 ≥ 阈值 → 直接换轨产 <名>_extaudio.mp4，回执打印偏移/置信度，零人工。
• 置信度 < 阈值 → 不猜、不硬上：命令产一个对齐工程 <名>_align.gtrk（视频 + 外录双素材）——让用户在客户端时间线上拖音轨对齐（有波形有预览，比任何抽听都直观），保存后：

gtrk audio align --resume "<名>_align.gtrk"

读回人工确认的偏移，完成换轨。

> 命令面细节（--offset / --threshold / -o / --json）以 gtrk audio align --help 为准，本节不搬手册。

三条纪律

• ⚠️ 换轨产物是新文件，且是后续工程的素材——用户必须留存，删了工程就素材脱机（同直播切片的切段警告）。
• 内录不丢弃：原毛片原地不动就是保底轨，外录出问题（爆音/断录）随时回退重跑。
• 闭环：oralcut 产的工程本来就进客户端 ⇒ 对齐效果（唇音同步）最终以客户端预览为准——兜底与验收用同一个工具。

二′、屏录 / 第二机位：双源画中画（gtrk pip lay）

真实的「讲软件 / 讲代码 / 讲课件」口播几乎都是两条文件同步录：屏幕一条、人像一条。粗剪只剪人像；本零件把粗剪的每个切点镜像到屏录，

铺出「屏录满幅轨 + 人像画中画副本轨」，画中画带形状蒙版 / 圆角，客户端打开即所见。纯本地、零计费。

链路位置

对轨（§二，可选）→ oralcut → 检查点① → gtrk pip lay → 包装（字卡 / BGM / 字幕）→ 客户端出片。

pip lay 不新增必停点——铺完让用户在客户端看一眼即可；只有低置信兜底会停（那是数据正确性问题，两种模式都停）。

一条命令

gtrk pip lay --project "<口播工程目录>" --companion "<屏录.mp4>" \
  [--shape ellipse|rectangle|heart|diamond|star|none] [--feather 10] [--border-radius 24] \
  [--anchor bottom-right] [--scale 0.28] [--margin 40] [--offset <秒>] [--dry-run]

自动分支：以人像为参考、屏录为待对齐做互相关，置信度 ≥ 阈值直接铺，回执逐颗打印偏移与钳位（打印数字，不打「已验证」）；

置信度不足 → 产 <屏录名>_pip_align.gtrk，让用户在客户端把「伴随源」轨拖到与人像画面对齐后保存，再：

gtrk pip lay --project "<口播工程目录>" --resume "<屏录名>_pip_align.gtrk"

四条纪律

• 录制规约（开工时就说）：两条文件同步录；屏录 MUST 带麦克风音轨（互相关的参照，无麦只能 --offset 或客户端拖齐）；开录后拍一下手。
• 主轨不动：人像仍是主轨（split / subtitle lay 对 transcript 的锚不变），屏录与画中画都是叠加轨；画中画副本恒静音，人声由主轨承担。
• 屏录比人像短 / 晚开录：对应段留空、回执点名毫秒数，MUST NOT 拉伸或变速补齐；成片该段只见人像主轨——这是如实，不是缺陷。
• 幂等：改了参数直接重跑，自产轨剥旧重铺；用户在客户端动过的画中画 clip 会被保留并点名，不会被覆盖。

出片口径

客户端本地导出（所见即所得）/ gtrk render（本地合成画中画几何与蒙版）/ 导剪映（圆窗 / 圆角进草稿；菱形剪映无对应会跳过并明示）。

三、多段一期：concat-first

一期内容由多段毛片构成时（分场景拍摄、换机位重启录制），先拼后剪：

• 参数一致性四查：编码 / 几何 / 帧率 / 音频采样率（ffprobe 逐段比对）。同机位同期拍摄基本都一致。
• 一致 → -c copy 无损拼接（先逐段完成 §二 换轨再拼）：

printf "file '%s'\n" seg1_extaudio.mp4 seg2_extaudio.mp4 seg3_extaudio.mp4 > list.txt
ffmpeg -f concat -safe 0 -i list.txt -c copy "<工作区>/inputs/<期名>_full.mp4"

• 对拼接产物跑一次 oralcut——一份工程、一次计费、粗剪自然跨段（段间的重录/垫场会被当停顿剪掉）。
• 参数不一致（罕见）→ 逐段各跑 oralcut 出 N 份工程、拼接归用户在客户端做。MUST NOT 静默转码统一参数。
• 拼接产物同受「留存」警告。

四、粗剪与检查点①（必停）

gtrk oralcut "<inputs/…_full.mp4>" --lang zh-CN [--script 稿.txt] [--preset concise]

命令与参数细节归 /gtrk-oralcut，本节只管走查什么：

• 粗剪回执走查：时长压缩比是否合理（口播毛片通常剪去 20–50%）、report 剪除项抽查 2–3 处是否真是废话。剪错了真内容 → 换 --preset steady 或开 --visual-assist 重跑，MUST NOT 带着错误粗剪往下铺。
• BGM 拍板（双来源，推荐必附试听链接）：用户自带音乐 → 问是否 audio_separation 分离取伴奏；没带 → 素材矩阵按内容基调搜 3–5 首附试听直链。
• 字幕样式拍板：给样式候选，用户没选用 default。
• 前六秒方案拍板（公约 §三⁗ 执行文本，引用不复制）：粗剪回执到手后、检查点①之前由你产——基于粗剪转写首段改写钩子文案三候选（五型任选，每条一行，只改开口方式、MUST NOT 改动用户的事实与数据）+ 画面层建议（A_ROLL / MG 字卡 / 拼贴或 AI 片段三选一）+ 字卡节奏（屏字与出现时机按公约口径）。与前三项同屏一次拍板；用户答「开场照原样」= 零动作、后续不再提。先给自持方案，再一句轻提「要更多变体也可以看第三方钩子 skill」（推荐面 §三‴ 的 hook 场景，不列名）。拍了 MG 字卡 ⇒ §五 拆分稿里开场 beat 的 MG handoff.theme 写 "opening-hook｜屏字：<拍板文案>"；拍了 A_ROLL ⇒ 开场不派辅助层。

以上四项一次确认完 = 检查点①收口。

五、拆分与铺轨：三车道，无 AI 情景动画

口播链拆分只派三车道（拍板：口播场景不需要 AI_DRAMA）：

• A_ROLL 主导：真人出镜是叙事主体——大部分 beat 就该是 A_ROLL，别为了「丰富」硬切走人。
• FILM_BROLL 辅助：只在需要视觉支撑处切出（提到具体事物/场景/数据来源时），切出必回。
• MG 字卡强调：金句、要点列举、数字——叠加强调，不抢主体。

流程与制片顺序（遵既有定序，细节归各车道 skill）。B-roll 步按开工⑤的确认结果走：

用户给了本地素材夹 → gtrk matrix --local --dirs；同意云端 → gtrk matrix；都不要 →

跳过 matrix，拆分稿不派 FILM_BROLL（对应 beat 改 A_ROLL + MG 强调）——别给用户硬塞素材。

gtrk split（投影 → 你写拆分稿 → 落地）→ gtrk matrix（按⑤走或跳过）
→ 全局抽帧检查构图 → gtrk mg（字卡，§六风格）→ gtrk audio lay（BGM，-20dB 口径）
→ gtrk subtitle lay（检查点①拍板样式）→ 精剪包装（§五′）→ 客户端打开出片

拆分稿写完自查两条：

• lane 里出现 AI_DRAMA 即改派（机检 grep 即可）；
• 字卡要产颗粒的，aux 必须用 type:"overlay" + handoff（含 duration_hint）——quote-card 等

前七类 aux 只是语义标注、不产派单；需要颗粒的字卡必须用 type:"overlay" + handoff。

五′、精剪包装（字幕之后、出片之前）

字幕上完、出片之前，把适合的时间窗做成合成（一段时间内的整个画面由一颗代码颗粒接管：逐句换画面、对照并排、并列卡片、字幕排版，讲者与 B-roll 作为槽位画进去）。既有步骤的顺序不变，这一步加在最后：

• 交棒 /gtrk-composite 做精剪包装（公约 §三⁵：快速成片 auto ≤ 25% → 逐窗口复核 → 构建机检 → 铺轨烘焙，不停；回执列「做了 / 建议了没做 / 烘焙结果」；逐步推进按合成 skill 两个检查点停；开工时用户说了不要就跳过）。
• 用户中途说「整片做一下合成」「11 秒到 32 秒做一个」时，入口按 /gtrk-composite 的三选一走，不受快速成片口径限制。
• ⚠️ 合成颗粒出片靠本机烘焙（/gtrk-composite 的「出片：烘焙」一节）；某颗烘焙失败时导出该段按粗剪出画——回执里点名。

六、MG 风格：内容驱动的临场泛化（成片型图纸通用条款）

> 横切原则正本见仓内《成片型图纸公约》§三（docs/成片型图纸公约.md）；本节是口播链的执行文本，旅拍图纸 §六「因势象形」是它的旅拍实例。

• 有栏目风格 skill → 走栏目（经栏目配置注入），本节不适用。
• 没有栏目风格 skill → 按当下这片的内容，现场泛化一套自洽风格直接用：
• 先从内容调性推风格基调：讲什么（严肃知识 / 情感陪伴 / 轻快种草）→ 定配色倾向（沉稳深色系 / 暖色低饱和 / 高亮对比）、字体气质（书卷 / 圆润 / 利落）、动效克制度（知识类稳、情绪类柔、种草类快）；
• 基调定了全片贯彻：同片所有颗粒同一套色板与字体气质，MUST NOT 逐颗粒各自为政；
• 两个 MUST NOT：不把某套固定「通用默认风格」死板套在所有片子上（那是换了个形态的强行锚定）；不因为没有栏目 skill 就放弃风格一致性（那是没有风格）。
• 一句话：风格必须有，但不强行锚定——锚在这一片的内容上，而非某个预设模板上。

七、文风铁律（继承通用框架层，射程 = 一切 AI 产文本）

口播链没有写稿环节（内容是用户自己讲的），三段式写稿规约不适用。但你产出的每一段文本——字卡文案、标题、HashTag、简报——全量适用通用框架层的文风铁律（正本见 gtrk-travel-recap §三通用框架层）：

• 禁「否定—转折」对举句式家族（「不是 X 而是 Y」「不仅…更是」「与其…不如」及全部变体；含标题与 HashTag）——能直接陈述的事实绝不用对举包装；
• 禁模板连接词、拒翻译腔、禁幼稚拟声；
• 裁剪版自校验（产出前逐项过）：对举句式零命中 / 重复字错字扫描 / 字卡文案与用户原话事实一致（别替用户改口径——他说「大概三成」你别写「30.2%」）。

八、双模式

| 模式 | 停点 |

|---|---|

| 快速成片 | 开工五问 → 检查点①（§四，必停一次）→ 一杆到底（含 SOP 既有的「B-roll 铺完抽帧检查」与精剪包装，归入快速语义不再单独打扰用户；合成静帧随交付一次给） |

| 逐步推进模式 | 每步停：对齐/拼段确认 → 粗剪回执 → 拆分稿 → B-roll 候选 → 字卡 → BGM/字幕逐项确认 → 精剪包装（合成 skill 两个检查点） |

双轨低置信度兜底（§二）在两种模式下都会停——那是数据正确性问题，不归模式管。

九、计费与排错

• 跑前 CLI 自动查实时价并打印，原样转述；计费按上传物音频时长（≈毛片时长）。
• concat-first 的计费含义：拼成一条跑一次 ≈ 各段分别跑的总和（时长相加），差别在工程份数与人的操作量，价钱差别不大——别拿「省钱」当拼段理由，拿「一份工程」当理由。
• 排错以 /gtrk-oralcut 排错节为准，本图纸只补双轨/多段特有的：
• 成片人声与口型错位 → 偏移错了。回 §二用客户端对齐工程重测，换轨重跑；
• 拼接产物在某段交界处画面卡顿/音画渐飘 → 段参数其实不一致（四查漏了帧率的分数形式差异），改走逐段兜底；
• 粗剪把段间垫场剪得太狠/不够 → 那是节奏预设的事，回 §四换 preset。