Video Assemble

1. 定位

本技能负责最终合成：

1. 把各段旁白音频放到视频时间线上。
2. 在旁白窗口内压低原声，支持 fixed / sidechain / zone 模式。
3. 根据旁白位置生成 subtitles.srt；默认同时生成并烧录 subtitles.ass，--no-burn-subtitles 可关闭。
4. 可选把最终响度标准化到目标 LUFS。

2. 声音收尾契约

合成阶段只实现创作决定，不凭空制造决定。Agent 在写旁白位置前，已在 visual_audio_board.json 为每个 beat 指定 audio_owner：

• original_dialogue
• action_sound
• ambience / music
• silence
• narration

因此，旁白间隙是主动选择，不是必须填满的空白。不要为了“更满”而加入通用 BGM、压住必须听见的台词或消除有意义的沉默。

当前渲染器不解析 visual_audio_board.json；Agent 通过旁白时间、overlaps_speech、原声留白与现有混音参数落实这些决定。

3. 输入契约

• ：源视频；cut 模式下为 edited_source.mp4。
• work_dir/tts_meta.json：默认 narration 模式必需；配音阶段写出的 {segments: [...]}。每段包含 audio_path、时间、pause_after_ms、overlaps_speech 和用于混音/字幕的位置。显式 source-mix / adopted-packet-copy 模式不读取它。
• 已采用的配音使用显式 --tts-meta 和 --narration-adoption：后者由调用方独立确认文字、请求的引擎/声线和速度策略，不能从待消费元数据自动“批准”出来。完整格式与记录边界见 references/narration-adoption.md。
• 已采用的完整声音底轨与逐段配音可再传 --audio-mix-adoption；严格格式、48 kHz 声道矩阵和双 binding 事务见 references/explicit-audio-mix.md。

下面的 scripts/... 均相对于本技能目录。若执行器从仓库根目录启动，请给脚本路径加上本技能的绝对目录。

4. 运行命令

python3 scripts/assemble.py <video> --work-dir <work_dir> \
  [--audio-mode narration|source-mix|adopted-packet-copy] [--audio-stream-index <N>] \
  [--tts-meta <tts_meta.json> --narration-adoption <narration_adoption.json>] \
  [--audio-mix-adoption <audio_mix_adoption.json>] \
  [--recap-stem <name>] [--output-dir <dir>] [--no-burn-subtitles] \
  [--subtitle-y-top <inclusive-y> --subtitle-y-bot <exclusive-y>] \
  [--source-video <orig.mp4>] [--export-jianying [--jianying-out <dir>]]

5. 输出契约

• recap_ .mp4：稳定的最终输出别名；每次运行覆盖更新。
• work_dir/output.mp4：工作目录内成片。
• subtitles.srt：旁白字幕；烧录时另有 subtitles.ass。
• timeline.json：后端无关的多轨模型，包含视频、原声、旁白、BGM、字幕和 ducking 自动化。
• _placed_*.wav：实际写入主混音的完整逐段旁白 PCM；时间线与剪映只引用这些文件。
• narration_input_binding.json：旁白输入、转换、实际放置、旁白总轨和最终音轨的消费记录（路径、PCM 参数、packet 计数）。区分未采用与已绑定采用决定两种状态；不等于声线鉴定或听审。
• audio_mix_binding.json：显式完整声音分支消费的画面时钟、底轨、48 kHz 配音放置、premaster、固定 master gain、最终 PCM/AAC 事实与 narration binding 路径的记录。
• assembly_manifest.json：输入来源、cut 来源标识（路径、大小、mtime）、渲染设置与最终输出路径。
• assembly_qc.json：旁白完整性、原声句末交接、时间线素材时长与交付质量的发布门禁。
• 剪映草稿目录：仅 --export-jianying 时生成，包含 draft_content.json、draft_info.json 与 draft_meta_info.json。

6. 合成规则

• 音频模式的处理与冻结语义见 references/audio-modes.md。默认仍为 narration；另外两种模式必须显式选择。
• --audio-mix-adoption 只与显式 --tts-meta、--narration-adoption 同时使用；它保留 narration 模式名，但跳过旧速度/适配、原声 handoff、环境 BGM、duck、loudnorm 和 limiter。
• 音频按轨道混合：原声、可选 BGM 与旁白各自独立。
• 旁白不做任何容差裁尾；温和加速后仍放不下即 no_safe_fit。每段 _placed_*.wav 必须与序列化后的时间线区间等长或更短，否则 timeline_audio_mismatch 阻断。
• 已采用配音的 v1 合同只支持原速、禁止段内适速；不能让环境默认 1.15 倍速或旧缓存覆盖它。放不下就修订安排，不裁尾。严格运行使用新工作目录与新输出路径；输入/实际混音来源变动或 QC 失败时，不发布候选成片。没有采用文件的旧入口仍是兼容模式，不自动获得同等证据。
• 原声在旁白结束后保持压低到下一可靠句末的 pause_start，只在实测停顿内渐强， 于 source_restore_at 回满；无后续锚点时保持压低到时间线末端，而不是放出半句。
• --export-jianying / EXPORT_JIANYING=1 可把 timeline.json 导出为可编辑草稿。cut 模式应传 --source-video ，让草稿引用真实原片区间。
• 剪映导出默认把视频、音频与图片复制到 Resources/local/{video,audio,image}，保持草稿可搬迁；--jianying-no-bundle-media 只适合原路径始终可访问的情况。
• 重叠覆盖物会拆到编号轨道；非空目标目录不会覆盖，而会创建编号兄弟目录。
• 常速、倒放、变换、富文本、转场、蒙版、LUT、绿幕复合草稿及显式特效轨道通过 timeline v2 扩展表达。需要素材包的功能只接受调用方合法提供的离线资源。
• 剪映草稿引用未烧录的源视频，因此原片硬字幕仍会保留，必要时在剪映内另行遮罩。
• 字幕外观可用 SUBTITLE_FONT_SIZE、SUBTITLE_MARGIN_V、SUBTITLE_MAX_CHARS 等控制。

按原片区间准备声音，而不是整体压低旧成片

已有多段原声取舍和独立 BGM 决定时，先用 references/source-score.md 的独立 source_score.py 从原片声音流按精确帧区间重建原声轨、音乐轨及两者之和；它只输出 声音底轨和来源回执。要与逐段已采用配音合成，再由调用方提供 references/explicit-audio-mix.md 的严格 adoption；不要将底轨塞入旧入口自动 duck，也不要从含旧解说的成片取整条声音冒充干净原声。

7. 字幕与可选包装

先锁定画面、剪点、旁白和混音，再投入字幕动画或边框包装；字幕样式不能掩盖叙事、剪点或声音问题。 普通交付优先使用现有 ASS 路径；只有用户需要逐 cue 排版、动画或透明图层时，才用项目级代码渲染器， 并按 references/foreground-compose.md 把它生成的 RGBA 序列叠到锁定母版。包装顺序与样帧抽检清单见 references/packaging.md。

8. 能力边界

• 不生成旁白文字，不合成 TTS，不重新转写视频。
• 字幕烧录默认开启；关闭时不会重编码绘制字幕区域。

显式输出轴字幕轨的独立合同、完整替换语义和当前边界见 references/subtitle-track.md。

画面回原片重建后，若需保留另一文件中的已采用完整混音，先按 references/pair-media.md 显式配对独立画面与音轨。配对只复制流，不补字幕或片名卡； 后续字幕轨必须重新绑定配对后的容器与 a:0，不能继续沿用旧版本身份。