脱口秀段子大王

根据用户提供的照片和主题，自动生成脱口秀表演视频。本技能会识别图片中人物的性别和年龄，生成符合喜剧原理的脱口秀文案，转换为匹配的语音，并生成对口型视频，最终输出完整的表演视频。

MCP Access: Use mcporter

完成本技能任务时，必须使用 mcporter 技能来操作 MCP。 不要直接调用 MCP 工具；所有 MCP 操作都通过 mcporter 路由。

• 配置: 全局 MCP 配置位于 ~/.openclaw/workspace/config/mcporter.json。读取此文件，仅使用本技能所需的 MCP 配置（参见本技能的 compatibility/工具列表）。不要使用配置中的其他 MCP—仅使用为本技能声明的那些。
• 列出服务器/工具: mcporter list，或 mcporter list <server> --schema 查看特定服务器。
• 调用工具: mcporter call <server.tool> key=value
  • 示例: mcporter call MiniMax-MCP-cloud.text_to_audio text="你好" voice_id="Chinese (Mandarin)_Male_Announcer" vol=3
  • 示例: mcporter call zhiyue-media.zhiyue_media_extract image_url="https://example.com/image.jpg"
  • 示例: mcporter call nami-ai-digital-human.namiai_omni_human_generate image_url="..." audio_url="..."
  • 示例: mcporter call aiso_video_merge.merge_video video_urls='["url1", "url2"]'
• 本技能的 compatibility 列表定义了可以使用哪些 MCP 服务器/工具；仅通过 mcporter 调用这些工具，使用全局文件中的配置。

工作流程

第一步：任务规划

在执行任何操作前，先向用户展示完整的任务规划。根据用户输入的内容，确定需要执行的步骤：

场景1：用户提供图片 + 音频文件

任务规划：
1. [跳过] 图片内容识别（直接使用音频）
2. [跳过] 文本处理
3. [跳过] 文本转语音
4. [执行] 图片对口型 - 使用用户图片和音频生成视频
5. [跳过] 视频拼接（单段音频只生成一个视频）

场景2：用户提供图片 + 文本/主题

任务规划：
1. [执行] 图片内容识别 - 分析人物性别和年龄
2. [执行] 文本处理 - 生成或拆分脱口秀稿件
3. [执行] 文本转语音 - 根据人物属性选择音色
4. [执行] 图片对口型 - 为每段音频生成对口型视频
5. [执行] 视频拼接 - 合并所有视频片段

场景3：用户未提供图片

❌ 终止任务
原因：请上传数字人形象图片

场景4：用户音频超过30秒

❌ 终止任务
原因：请上传小于30秒的音频文件

第二步：图片内容识别

目的: 分析用户照片中的人物属性，确定性别和年龄段，为后续语音音色选择提供依据。

执行条件: 用户提供了图片但未提供音频（需要生成语音）

操作流程:

1. 通过 mcporter 调用 zhiyue-media.zhiyue_media_extract 工具
2. 命令格式: mcporter call zhiyue-media.zhiyue_media_extract image_url="<用户图片URL>"
3. 分析返回结果，提取人物的性别和年龄信息
4. 归类为以下六种之一：
   • "年轻男性"（18-50岁男性）
   • "年轻女性"（18-50岁女性）
   • "老年男性"（50岁以上男性）
   • "老年女性"（50岁以上女性）
   • "儿童男性"（18岁以下男性）
   • "儿童女性"（18岁以下女性）

输出格式:

✅ 图片识别完成
人物属性：[年轻男性/年轻女性/老年男性/老年女性/儿童男性/儿童女性]

异常处理:

• 如果图片中没有检测到人类形象，输出：

  ❌ 未检测到照片中的人物形象，请更换照片再试一次
  

  然后终止任务。

第三步：文本处理

目的: 准备用于语音合成的脱口秀文案，确保符合喜剧表演的节奏和效果。

执行条件: 用户提供了文本/主题（未提供音频）

情况A：用户已提供完整的脱口秀稿件

对用户输入的文本进行智能拆分，每段不超过60字。拆分原则：

1. 标点符号边界: 必须在句号、问号、感叹号、逗号等标点符号处拆分
2. 内容完整性: 保持语义完整，一个完整的意思不要被拆开
3. 喜剧节奏: 考虑"铺垫-笑点"结构，避免在笑点处截断
4. 字数限制: 严格控制每段不超过60个中文字（包括标点符号）
5. 自然停顿: 在适合表演停顿的位置进行拆分

情况B：用户仅提供主题或要求

根据主题生成完整的脱口秀文字稿，应用以下专业喜剧创作原理：

1. "铺垫-笑点"结构:

   • 通过铺垫建立观众预期
   • 用笑点打破预期制造惊喜
   • 示例：铺垫"我每天最幸福的事就是代码一次跑通" → 笑点"最痛苦的事就是发现是因为bug互相抵消了"

2. 幽默的认知理论:

   • 不协调-解决理论：制造逻辑上的矛盾再巧妙化解
   • 良性冒犯理论：在安全范围内制造轻微的冒犯感

3. 幽默的语言学原则:

   • 刻意违反格赖斯合作原则（数量、质量、关系、方式准则）
   • 运用礼貌原则的巧妙偏离

4. 修辞手法:

   • 谐音梗：利用谐音相似性
   • 拟人、联想、类比：语义相似性幽默
   • 概念转换：意想不到的概念跳跃

5. 语篇衔接与连贯:

   • 使用代词、连接词建立逻辑联系
   • 关键词重复强化主题
   • 设计停顿、重音点

6. 叙事流程与"包袱"设计:

   • 行文流畅，逻辑性强
   • 笑点密集但不过度
   • 隐含表演节奏和策略性停顿

7. 观众互动策略:

   • 模拟与听众对话
   • 创造直接互动的"错觉"
   • 营造轻松愉快的氛围

8. 文化细微差别:

   • 优先采用自嘲式幽默
   • 对他人保持积极描述
   • 避免过度自夸或贬低他人（符合中国观众偏好）

生成后按照情况A的原则进行60字/段拆分。

输出格式:

如果拆分后只有1段：

✅ 文本处理完成
文案内容：[直接展示文本]（XX字）

如果拆分后有多段：

✅ 文本处理完成

| 段落序号 | 文本内容 | 字数 |
|---------|---------|------|
| 1 | [第一段内容] | XX |
| 2 | [第二段内容] | XX |
| 3 | [第三段内容] | XX |

第四步：文本转语音

目的: 将分段后的文本转换为音频，音色要匹配人物属性。

执行条件: 用户未提供音频（需要生成语音）

操作流程:

1. 根据第二步识别的人物属性，选择对应的音色
2. 通过 mcporter 调用 MiniMax-MCP-cloud.text_to_audio 工具
3. 对每一段文本逐个生成音频
4. 命令格式: mcporter call MiniMax-MCP-cloud.text_to_audio text="[文本内容]" voice_id="[音色ID]" vol=3

音色选择规则:

特殊情况:

• 如果用户指定了其他音色，优先使用用户指定的音色
• 如果检测结果不在上述预设内，根据具体情况自行判断选择最合适的音色

参数设置:

• vol（音量）：固定设置为 3
• text：每段的文本内容
• voice_id：根据人物属性选择的音色

输出格式:

✅ 文本转语音完成
生成音频：
- 第1段：[音频URL 1]
- 第2段：[音频URL 2]
- 第3段：[音频URL 3]
...

第五步：图片对口型

目的: 根据图片和音频生成对口型视频，让静态图片"说话"。

执行条件: 必须有图片和音频（用户提供或第四步生成）

操作流程:

1. 确定输入的音频来源：
   • 如果用户上传了音频文件 → 使用用户音频
   • 否则 → 使用第四步生成的音频链接
2. 通过 mcporter 调用 nami-ai-digital-human.namiai_omni_human_generate 工具
3. 对每一段音频，使用用户图片生成对口型视频
4. 命令格式: mcporter call nami-ai-digital-human.namiai_omni_human_generate image_url="[图片URL]" audio_url="[音频URL]"

输入要求:

• 图片: 必须包含人物形象

  • 支持写实风格（真人照片）
  • 支持动漫风格
  • 支持卡通风格
  • 支持3D渲染风格
  • 图片中必须能识别到人脸

• 音频:

  • 用户上传的音频：时长必须 ≤ 30秒
  • 系统生成的音频：每段自动符合要求
  • 如有多段音频，按顺序逐个生成对口型视频

处理逻辑:

• 如果有N段音频，生成N个对口型视频
• 每个视频使用相同的图片，但对应不同的音频片段
• 保持生成顺序与音频顺序一致

异常处理:

1. 如果图片中没有检测到人脸：

   ❌ 未检测到照片中的人物形象，请更换照片再试一次
   

   终止任务。

2. 如果用户上传的音频大于30秒：

   ❌ 请上传小于30秒的音频文件
   

   终止任务。

输出格式:

✅ 图片对口型完成
生成视频：
- 第1段视频：[视频URL 1]
- 第2段视频：[视频URL 2]
- 第3段视频：[视频URL 3]
...

第六步：视频拼接

目的: 将多段视频合并为一个连续播放的完整视频。

执行条件: 第五步生成了多个（≥2个）视频

跳过条件: 如果第五步只生成了1个视频，跳过此步骤，直接输出该视频

操作流程:

1. 收集第五步生成的所有视频URL，按顺序排列
2. 通过 mcporter 调用 aiso_video_merge.merge_video 工具
3. 命令格式: mcporter call aiso_video_merge.merge_video video_urls='["视频URL1", "视频URL2", "视频URL3", ...]'
4. 注意：video_urls 参数必须是JSON数组格式的字符串

输出格式:

✅ 视频拼接完成
最终视频：[拼接后的完整视频URL]
视频时长：约 XX 秒
包含片段：X 段

最终输出格式

无论执行了哪些步骤，最终都要向用户提供清晰的输出：

🎬 脱口秀视频生成完成！

📋 执行摘要：
- 任务类型：[图片+主题生成 / 图片+音频生成]
- 人物属性：[XX]（如适用）
- 文案段数：[X]段（如适用）
- 生成视频：[X]个片段

📹 最终成果：
[最终视频URL或视频列表]

💡 提示：
- 视频时长：约 XX 秒
- 支持下载和分享
- 可用于短视频平台发布

注意事项与最佳实践

必须遵守的规则

1. ✅ MCP工具调用: 所有 MCP 工具必须通过 mcporter 调用，不可直接调用
2. ✅ 任务规划先行: 执行任何操作前，必须先向用户展示完整的任务规划
3. ✅ 步骤跳过逻辑:
   • 用户上传音频 → 跳过第二、三、四步
   • 只有1个视频 → 跳过第六步
4. ✅ 音频时长限制: 用户音频必须 ≤ 30秒
5. ✅ 图片必需性: 必须有包含人物的图片才能执行
6. ✅ 文本拆分: 每段严格控制在60字以内

质量优化建议

1. 脱口秀文案生成:

   • 笑点密度适中，不要过于密集或稀疏
   • 保持逻辑连贯性
   • 符合目标人物的身份设定
   • 考虑表演节奏和停顿

2. 音色匹配:

   • 优先使用预设音色规则
   • 如果人物属性模糊，倾向选择更自然的音色
   • 考虑内容风格，严肃主题用正式音色，轻松主题用活泼音色

3. 错误处理:

   • 任何步骤失败都要明确告知用户
   • 提供具体的失败原因和建议
   • 不要因为一个步骤失败就默默放弃

示例场景

示例1：图片 + 主题生成完整流程

用户输入:

• 图片：一张年轻男性的照片
• 主题："程序员的日常"

执行过程:

📋 任务规划：
1. [执行] 图片内容识别
2. [执行] 文本处理 - 根据主题生成脱口秀稿件
3. [执行] 文本转语音
4. [执行] 图片对口型
5. [执行] 视频拼接

---

✅ 图片识别完成
人物属性：年轻男性

---

✅ 文本处理完成

| 段落序号 | 文本内容 | 字数 |
|---------|---------|------|
| 1 | 大家好，我是一名程序员。每天最幸福的事，就是代码一次跑通。 | 30 |
| 2 | 最痛苦的事呢？就是发现跑通的代码，是因为bug互相抵消了。 | 29 |
| 3 | 然后你开始改bug，结果越改越多，最后只能假装没看见。 | 28 |

---

✅ 文本转语音完成
生成音频：
- 第1段：https://audio.example.com/audio1.mp3
- 第2段：https://audio.example.com/audio2.mp3
- 第3段：https://audio.example.com/audio3.mp3

---

✅ 图片对口型完成
生成视频：
- 第1段视频：https://video.example.com/video1.mp4
- 第2段视频：https://video.example.com/video2.mp4
- 第3段视频：https://video.example.com/video3.mp4

---

✅ 视频拼接完成
最终视频：https://video.example.com/final_video.mp4
视频时长：约 25 秒
包含片段：3 段

---

🎬 脱口秀视频生成完成！

📋 执行摘要：
- 任务类型：图片+主题生成
- 人物属性：年轻男性
- 文案段数：3段
- 生成视频：3个片段已拼接

📹 最终成果：
https://video.example.com/final_video.mp4

💡 提示：
- 视频时长：约 25 秒
- 支持下载和分享
- 可用于短视频平台发布

示例2：图片 + 音频快速生成

用户输入:

• 图片：一张卡通角色图片
• 音频：用户录制的20秒段子音频文件

执行过程:

📋 任务规划：
1. [跳过] 图片内容识别
2. [跳过] 文本处理
3. [跳过] 文本转语音
4. [执行] 图片对口型
5. [跳过] 视频拼接（单个音频文件）

---

✅ 图片对口型完成
生成视频：
- 视频：https://video.example.com/output.mp4

---

🎬 脱口秀视频生成完成！

📋 执行摘要：
- 任务类型：图片+音频生成
- 生成视频：1个

📹 最终成果：
https://video.example.com/output.mp4

💡 提示：
- 视频时长：约 20 秒
- 支持下载和分享
- 可用于短视频平台发布

示例3：异常处理 - 无人物图片

用户输入:

• 图片：一张风景照片
• 主题："旅游故事"

执行过程:

📋 任务规划：
1. [执行] 图片内容识别
2. [执行] 文本处理
3. [执行] 文本转语音
4. [执行] 图片对口型
5. [执行] 视频拼接

---

❌ 未检测到照片中的人物形象，请更换照片再试一次

任务终止。请上传包含人物形象的照片（支持真人、动漫、卡通、3D风格）。

技术说明

支持的图片格式

• JPEG / JPG
• PNG
• WebP
• 其他常见图片格式

支持的音频格式

• MP3
• WAV
• M4A
• 其他常见音频格式

性能参数

• 图片识别时间：通常 2-5 秒
• 文本转语音：每段 3-8 秒
• 图片对口型：每段 15-30 秒
• 视频拼接：5-15 秒（取决于片段数量）

限制说明

• 单次音频时长：≤ 30 秒
• 文本分段：每段 ≤ 60 字
• 图片要求：必须包含可识别的人物形象
• 视频质量：取决于输入图片的质量

通过本技能，用户可以轻松创作专业的脱口秀表演视频，无需任何视频制作经验！