topic-to-digital-human-video 拆解

拆解对象：shzharris/topic-to-digital-human-video-skill（18★，活跃至 2026-08，仅 15 文件） 拆解方式：GitHub API 直连文件树 + 通读 SKILL.md 全文（168 行）。本地栈（GPT Researcher 定制版 + Qwen3-TTS + HeyGen）实测待跑，本期为结构实评。 对照系：池内 Rimagination/dy-note（B 档，证据四级标注）——两者是「证据分级」思想在消费侧与生产侧的镜像。

1. 它解决什么问题

资讯口播视频的特有失败模式不是画质差，是说错话：把搜索碎片当事实、把未核实的传言配上自信的配音、为了 hook 删掉「据报道」「疑似」。这个 skill 的全部设计围绕一个判断：资讯视频是一条从「检索证据」到「口播成片」的流水线，证据状态必须全程携带、且在关键节点有权力叫停生产。

它只有 15 个文件，却是三仓里唯一把「研究→脚本→配音→成片」做成单一产品工作流（而非工具拼接）的：research, script, voice, presenter footage, source visuals, captions, cover, QA 被明文定义为「one product workflow rather than unrelated tools」。

2. 怎么设计的

2.1 三态证据门：not_verified 有权停线

调研 API 返回状态三态，应用规则写死：verified → 继续；partial → 只能带着不确定性声明继续；not_verified → 在 TTS 之前停下，并说明哪个核心事件或前提缺可靠证据。配套纪律：「Never convert low-quality search snippets into confident narration」——低质搜索碎片不配变成自信口播。这条与 dynamics 的 verify: verified/unverified/doubtful 三态几乎逐字同构（我们的契约是给阅读者分级，它的契约是给生产线设闸）。

2.2 双稿分离：canonical 与 spoken

• script-canonical.txt：字幕与审查用的精确事实措辞（truth）
• script-spoken.txt：仅 TTS 用的发音友好版（可选）
• 铁律：「Keep the spoken and canonical versions semantically identical. Do not remove uncertainty language to make a stronger hook.」——不许删不确定措辞换强 hook，这是对「AI 味标题党」的制度性反制。ASR 发现人名/数字/金融词错 → 只改 spoken 版或只重生成受影响段落，canonical 永远是字幕真值。

2.3 付费最小化：HeyGen 只做书立（bookends）

成本结构设计：数字人只出片头片尾（各约 12–15 秒），中段全部用真实来源截图——「Middle-section evidence visuals must be authentic screenshots captured during research」「Do not fabricate news imagery」（不伪造新闻画面）。免费段先做：Qwen3-TTS 本地合成 + Qwen3-ASR 回验 + 15 秒 MP3 预览，然后在「组合人工/付费门」一次性打包审批：选定脚本与证据状态、预览音频、肖像路径、数字人头尾时长、预计付费秒数与成本、中段截图清单。hash 寻址：「已批准过这个 hash 的包 → 不再问也不再重渲」。

2.4 字幕对齐语音，不按字数比例

「Character-proportional timing is preview-only」——字符数按比例分时间是预览用的近似，交付字幕的边界必须来自真实旁白的停顿/静音检测/对齐。检查清单点名五处高危：第一句、每个长停顿、专有名词、数字、首尾接缝 + 末条字幕。0.5–1 秒的系统性提前/滞后必须在终渲前修掉。

2.5 修改路由与完成条件

Resume 规则表（词改→research 起 / 发音改→spoken 起 / 换声→TTS 起 / 口型问题→受影响 HeyGen 段起 / 截图封面字幕→Remotion only / 编码问题→render only）+ 「Never spend HeyGen credits to fix a local composition or subtitle problem」。Completion Condition 是硬清单：终片存在、有可听旁白、过尺寸/时长/音频校验、开场是非黑封面帧、字幕对齐语音、用真实证据画面、带 CTA、全部工件单目录。特别是「opens on a non-black cover frame」——把「黑屏开场」这种最常见的技术性翻车写进完成定义。

2.6 本地栈工程：定制 API + 测试

gpt-researcher-extension/ 带三个测试文件（fast_script / script_package / topic_video_router），定制 /api/script/package 端点：DuckDuckGo 快速调研 + 并行查询变体 + 来源过滤 + 单次综合调用 + 证据卡 + 三版脚本 + 截图 + 视觉计划一次打包返回。SKILL.md 明文「Do not begin with GPT Researcher's slower multi-step planning flow」——知道自己的依赖该用哪个接口；且「Do not claim that installing the unmodified upstream repository alone provides this endpoint」——不把定制版伪装成官方能力。

3. 六维实评

4. 实测记录

• 结构实测（本期）：15 文件全树核对，SKILL.md 引用的 references/scripts/extension 文件全部存在；extension 带 3 个测试文件是三仓中测试密度最高的（相对体积）。
• 栈实测（2026-10-27 部分完成）：check_stack.py Prerequisite Gate 实测——返回 install_required + 9 个缺失组件逐项清单（研究 API/服务器/语音/ASR/HeyGen/参考音…），不静默、不降级，与 SKILL.md 声明的拦截行为一致。全流程被 GPT Researcher 本体（GitHub clone 断）+ HeyGen 付费卡。证据门与 dynamics verify 三态的对接验证：已在手搓资讯产线（v1/v2 双稿纪律）中部分验证，待 GPT Researcher 可装后补全。

5. 可偷的设计模式（回灌自产线）

1. 三态证据门可停线 → dynamics/资讯视频直连：news.json 的 verified/unverified/doubtful 已是现成三态，缺的是「doubtful 在配音前叫停」这条生产线规则——直接移植。
2. canonical/spoken 双稿分离 → 一切「事实文本→口语文本」场景（视频口播、播客稿、小红书文案）：字幕审校对 canonical，TTS 吃 spoken，语义一致性是铁律。
3. 「不删不确定措辞换 hook」 → 反 AI 味的姊妹条款，应进 blog 创作线的文案规范。
4. 数字人只做 bookends + 中段真实截图 → 资讯视频成本与可信度的双优解：可信度来自真实截图（这正是比特新语类视频的画面主体），成本来自付费段最小化。
5. 非黑封面帧入完成条件 → 一切视频交付清单都该有这条（黑屏开场是最常见技术翻车）。
6. 「不声称装了原版就有定制端点」 → 引用二次封装依赖时的诚实条款，自产 skill 对 fork/魔改依赖同样适用。

6. 边界与风险

• 本地栈门槛：定制 GPT Researcher 是硬前置（Prerequisite Gate 会拦），装不上整个调研层不可用；对已有 dynamics 管道的我们是冗余（上游本来更强），可借鉴的是它的下游。
• 单机单人验证：18★、无外部使用报告，工程质量靠自身测试兜底；HeyGen 政策/价格变动直接影响 bookends 成本模型。
• 16:9 单一画幅：默认 1280×720，抖音竖屏需自行改配置——对「竖屏优先」的资讯场景是待补的一环。
• 英文 reference 主体：SKILL.md 英文，中文触发词已配，但中文新闻源过滤质量未验证（DuckDuckGo 中文检索深度有限，国内信源覆盖弱于我们的采集管道）。