history-persona-video — 历史人物AI复原短视频

把历史人物从画像里"拉到现实中"的竖版短视频完整制作流程。已用《AI还原曹操》实测验证（v2 成品：56s / 1080×1920 / 7.8MB）。

核心思路

• 不做学术考据，先视觉冲击，再简短史料增加可信度
• 固定时间轴模板（45-60s）：强钩子 → 制造期待 → 过程展示 → 最终揭晓 → 互动结尾
• 用 AI 生图 + TTS 磁性配音 + 低沉史诗 BGM + 大气中文字体（方正粗黑宋简体）
• 每次交付必须加免责声明："基于史料、时代服饰与AI视觉推演的艺术化还原，不代表真实照片"

前置环境

• ffmpeg（含 ffprobe）可用
• Python 3 + Pillow
• RunningHub 技能已装（skills/runninghub/scripts/runninghub.py），API Key 已配置
• 大气字体：C:\Windows\Fonts\方正粗黑宋简体.ttf（复制到 workspace 为 font_heisong.ttf，避免 drawtext 冒号转义问题）

第一步：素材准备

1. 史料与画像调研

用 web_search 收集：

• 正史外貌线索（如《三国志》《世说新语·容止》）→ 塑造可信度
• 传统画像（Wikimedia 公有领域，如《三才图会》）→ 古画像素材
• 时代服饰依据（《续汉书·舆服志》等）→ AI 生图关键词

下载古画像用 Wikimedia Special:FilePath URL：

https://commons.wikimedia.org/wiki/Special:FilePath/<文件名>?width=800

2. AI 生图（RunningHub 或 GPT Image 2）

按 9:16 竖版生成 4 张核心画面（1152×2048）：

生图命令（RunningHub）：

py skills/runninghub/scripts/runninghub.py --endpoint <text-to-image端点> --prompt "<提示词>" --param aspectRatio=9:16 -o "media/<人物>/<name>.png"

3. TTS 配音（磁性男声）

• 端点：rhart-audio/text-to-audio/speech-2.8-hd
• 磁性男声：voice_id=male-qn-qingse（低沉有磁性；备选 audiobook_male_2 沉稳）
• 语速：speed=1.05（纪录片节奏，中等偏快）
• 成本参考：全文约 ¥0.025，5s 测试 ¥0.002

py skills/runninghub/scripts/runninghub.py --endpoint rhart-audio/text-to-audio/speech-2.8-hd --prompt "<全文文案>" --param voice_id=male-qn-qingse --param speed=1.05 --param enable_base64_output=false --param english_normalization=false -o "<out>.mp3"

⚠️ PowerShell 传长中文文案易出错 → 先把文案写入 txt（UTF-8），用 Get-Content -Raw -Encoding UTF8 读入变量再传。

4. BGM（低沉史诗感）

• 端点：rhart-audio/text-to-audio/music-2.5
• 目标：60s 左右低沉史诗配乐（成本约 ¥0.12）
• 混音时压到配音的 16% 音量

第二步：卡片制作（PIL + 大气字体）

用 Python PIL 生成 3 张 1080×1920 卡片：

关键实现：

• 主字体 font_heisong.ttf（方正粗黑宋简体，大气），点缀用 simkai.ttf 楷体
• 主标题 100-110px，正文 40-60px，副标题楷体
• 钩子卡背景：最终还原像 GaussianBlur(30) + 压暗（Brightness 0.28）叠在近黑底上
• 对比卡：ImageOps.fit 左右各半（古画 | AI还原）

第三步：视频合成（ffmpeg）

时间轴模板（按配音时长动态对齐）

以曹操版实测切点（配音 56.27s）为基准：

0-5.5s   S1 钩子（card_hook 缓慢推近 zoompan）
5.5-8s   S2 古画像快闪（两张各1.25s，轻微 zoom）
8-13s    S3 关键词卡
13-20s   S4 AI初稿缓慢放大
20-27s   S5 五官修正（初稿→还原像 xfade 交叉溶解 1.5s）
27-40s   S6 最终揭晓（还原像推近 + 大气字体字幕）
40-50s   S7 诗意图（对酒当歌类 + 大字字幕）
50-56.3s S8 互动结尾（对比图 + "英雄，还是枭雄？下一期想看X还是Y？"）

若新配音时长不同，按比例缩放各段，保证总时长=配音时长。

分段生成要点

• 统一 -r 30 -c:v libx264 -pix_fmt yuv420p -an
• 推近动效：zoompan=z='min(zoom+0.0008,1.06)':x='iw/2-(iw/zoom/2)':y='ih/2-(ih/zoom/2)':d=<帧数>:s=1080x1920:fps=30
• drawtext 字幕必须用相对路径字体 + cwd=workspace（Windows 冒号转义坑：C: 会被当选项分隔符，方案=把字体复制到工作目录用 font_heisong.ttf）
• 多输入片段（S5 交叉溶解）用 -filter_complex，不能用 -vf

拼接与混音

# concat 拼接
ffmpeg -y -v error -f concat -safe 0 -i concat_list.txt -c copy video_silent.mp4
# 混音：配音1.0 + BGM 0.16，normalize=0 + volume=2.0 提升响度
ffmpeg -y -v error -i video_silent.mp4 -i peiyin.mp3 -i bgm.mp3 \
  -filter_complex "[1:a]aformat=sample_fmts=fltp:channel_layouts=stereo,volume=1.0[vo];[2:a]aformat=sample_fmts=fltp:channel_layouts=stereo,volume=0.16[bg];[vo][bg]amix=inputs=2:duration=first:dropout_transition=2:normalize=0,volume=2.0[aout]" \
  -map 0:v -map "[aout]" -c:v copy -c:a aac -b:a 192k -shortest video_final.mp4

第四步：质量验证（必做）

1. ffprobe：确认时长=配音时长、1080×1920、h264+aac
2. 关键帧亮度（视觉模型不可用时用 PIL）：

   ffmpeg -i video.mp4 -vf "fps=1/7" check_%02d.png
   # PIL ImageStat：钩子帧 mean低但 max=255（黑底白字），其余帧 mean>30 无黑屏
   

3. 音量：volumedetect 确认 mean≈-20dB、max≈-0.5dB（无爆音）
4. 抽查文字是否渲染：钩子帧标题区 max=255 即白色大字已渲染

交付规范

• 输出 video_<人物>_FINAL.mp4 到 media/<人物>/
• 交付时附上：时长/分辨率/音色/字体/成本明细
• 固定结尾互动句式："你觉得更像英雄，还是枭雄？下一期想看X还是Y？"（按人物调整）
• 记住免责声明

成本参考（曹操版实测）

已验证参数速查

• 磁性男声：male-qn-qingse；沉稳有声书：audiobook_male_2
• 大气字体：方正粗黑宋简体（font_heisong.ttf）；楷体点缀：simkai.ttf
• TTS 端点：rhart-audio/text-to-audio/speech-2.8-hd
• BGM 端点：rhart-audio/text-to-audio/music-2.5
• 画质：1152×2048 生图 → 1080×1920 输出

脚本模板文件

本技能建议同目录维护：

• scripts/make_cards.py — 卡片生成（参数化：人物名、标题、关键词、古画/AI图路径）
• scripts/make_video.py — 分段+拼接+混音全流程（参数化：各段素材、配音、BGM、字幕文字）