---

name: wjs-creating-video-book description: Use when the user wants a book turned into YouTube chapter videos — 每章用 VoiceDrop 读书的有声书 mp3 做音轨，配 GPT Image 2 画面和中心思想大字，输出 1920×1080 横屏视频发 YouTube。Triggers — "把这本书做成视频", "有声书做成视频", "讲书视频", "book video", "/wjs-creating-video-book <书名>".

wjs-creating-video-book

把一本书做成 按章节的 YouTube 视频：每一章用 VoiceDrop 读书的有声书 mp3 作为音轨，从章节内容提炼 1-3 个中心思想，为每个中心思想设计提示词、用 GPT Image 2 生成画面（Ken Burns 缓推 + 交叉淡化），中心思想以大字叠加在画面上，最终合成 1920×1080 横屏视频，上传 YouTube。

What this skill produces

维度	默认
尺寸	1920×1080 横屏 (16:9)，30fps
粒度	一章一支视频（章节 mp3 多长视频就多长）
音轨	VoiceDrop 读书的章节有声书 mp3（不重新 TTS）
画面	每章 1-3 张 GPT Image 2 生成图，Ken Burns 缓推，段间 1s 交叉淡化
文字	每个中心思想：大字标题（≤12 字）+ 一句阐释，淡入淡出，Pillow 渲染
项目目录	~/code/book-videos/<book-slug>/
输出	<slug>-chNN.mp4 × N 章 + UPLOAD_META.md
发布	wjs-uploading-video 上传（横屏普通 video），默认 public

When this skill fires

• 用户给一本书说「做成视频」「把有声书配上画面发 YouTube」
• 用户跑 /wjs-creating-video-book <书名或书架章节>

When NOT to use

• 要的是 30-90 秒竖屏解说短视频 → /wjs-converting-text-to-video
• 只要有声书 mp3、不要视频 → /wjs-voicedrop-reading-aloud
• 要写书评文章 → /wjs-publishing-wechat

Core Principle

这是「听为主、看为辅」的视频。 音轨是整章朗读，观众是在"听书"；画面的职责是给眼睛一个可以停留的锚点，不是动画表演。所以：

• 中心思想宁少勿多 — 一章挑 1-3 个真正的支柱观点，一张画面停留几分钟是正常的
• 全书一个视觉风格 — 章与章之间画风必须一致（同一媒介、同一色调家族），观众换章时不出戏
• 画面画具象场景，不画抽象概念 — 「杠杆」画一根撬动巨石的长杆，不画"杠杆"两个字或抽象箭头图表
• 版权自查 — 整章朗读原文 + 公开发布，只适用于公版书或用户拥有权利的书；在版权书先向用户确认再发布

Workflow

Step 0: 项目目录

SLUG=<book-slug>   # 优先用书的英文名短 slug（如 naval-almanack）；没有英文名才用拼音
BOOK=~/code/book-videos/$SLUG
mkdir -p $BOOK/chapters/{01,02,...}   # 每章一个两位数目录

Step 1: 每章拿到文本 + 有声书 mp3

素材	来源（按优先级）
章节 mp3	① jianshuo.dev 书架有声书已合成的章节 mp3（R2，见 memory [[jianshuo-dev-audiobook]]）直接下载 ② 没有 → 用 /wjs-voicedrop-reading-aloud 从章节文本生成
章节文本	书架页面 / 用户给的 PDF・EPUB（EPUB 先 pandoc x.epub -t plain，pandoc 未装先 brew install pandoc）

存为 chapters/NN/audio.mp3 和 chapters/NN/chapter.md。

Step 2: 每章提炼 1-3 个中心思想 → ideas.json

读 chapter.md，挑真正的支柱观点。数量跟着音频长度走：<5 分钟 1-2 个，5-15 分钟 2-3 个，>15 分钟也最多 3 个（画面是锚点不是字幕）。

[
  {"title": "杠杆是新的钱",  "caption": "代码和媒体是无需许可的杠杆", "image": "img-1.png", "start": 0},
  {"title": "把自己产品化",  "caption": "独特知识乘以杠杆才有复利",   "image": "img-2.png", "start": 312}
]

• title ≤12 字（大字）；caption 一句话 ≤20 字；都不写标点结尾
• start（秒）= 该思想在朗读中开始被讲到的位置，按文本位置比例估算即可；全部省略则均分音频
• 中心思想必须忠于章节内容 — 这不是二次创作，是给听众划重点

Step 3: 每个中心思想一张画面（GPT Image 2）

先给全书定一个风格底稿 $BOOK/style.md（只做一次）：媒介必须是插画类（editorial illustration / 水彩插画 / 极简扁平插画等，不用照片写实——插画在 Ken Burns 缓推和文字叠加下最耐看）、色调家族、光线气质，2-3 句。

每张图的提示词按视频友好插画模板拼装 = 全书插画风格 + 该思想的具象场景 + 固定收尾：

node ~/.claude/skills/gpt-image-2-skill/scripts/gpt_image_2_skill.cjs \
  --json --provider codex images generate \
  --prompt "<全书插画风格>. <这个中心思想的具象场景>. Wide horizontal panoramic composition, landscape orientation, cinematic 16:9 framing. Generous negative space, calm lower left area for text overlay. Illustration, not a photograph. No text, no words, no letters." \
  --out $BOOK/chapters/NN/img-1.png --format png --size 1920x1088 --quality high

固定收尾三句缺一不可，各治一种实际踩过的坑：

• "Wide horizontal panoramic composition, landscape orientation" — Codex 端 --size 只是参考，构图实际跟着提示词走；不写这句会返回方图甚至竖图（竖图被 16:9 居中裁剪后损失大半画面）。渲染脚本虽有兜底裁剪，但源头出横图才是正解
• "Generous negative space, calm lower left area" — 左下角是中心思想大字的固定落位，画面主体必须避开
• "No text, no words, no letters" + "Illustration, not a photograph" — 文字由渲染脚本 Pillow 叠加，AI 画中文必崩；照片写实风在缓推 + 大字下显廉价

其余要求：

• 画具象场景（人、物、光、空间），不画概念图解 / 图表 / 箭头
• 同章多张图之间要有视觉关联（同一空间的不同角度、同一天的不同时辰）
• 生成后检查尺寸：仍出竖图（高 > 宽）就换更明确的横向场景措辞重生成，不要将就

Step 4: 合成本章视频

cd $BOOK/chapters/NN
uvx --with pillow python ~/.claude/skills/wjs-creating-video-book/scripts/render-chapter.py .
mv chapter.mp4 $BOOK/$SLUG-chNN.mp4

脚本（已在本机验证）做的事：每张图 3840 上采样后 zoompan 缓推（12s 约 1.09×）、段间 1s xfade、中心思想大字 + 阐释句 Pillow 渲染成透明 PNG 后 overlay（1s alpha 淡入淡出，避开段首段尾各 0.8s/0.5s）、章节 mp3 直接做音轨，-crf 19 输出。字体自动探测 PingFang → Hiragino Sans GB → STHeiti。

注意：本机 ffmpeg 没编译 drawtext，文字必须走脚本里的 Pillow 路径，别试图手写 drawtext 滤镜。

Step 5: 缩略图（每章）

用视频帧 + 大字（不另画 AI 插画）：挑该章标题字最清晰的一帧：

ffmpeg -y -ss <标题完全显示的秒数> -i $BOOK/$SLUG-chNN.mp4 -frames:v 1 -vf scale=1280:720 $BOOK/thumb-chNN.jpg

uploader 不支持 API 设缩略图 — 上传后提醒用户在 YouTube Studio 手动设置。

Step 6: UPLOAD_META.md + 上传

格式必须严格照抄下面骨架 — upload_youtube.py 的解析器只认 ## NN · 文件名 块头 + **短标题** / **视频描述** 小节 + 正文里的 #tag，别的格式解析出 0 个块直接退出。每章一个块：

## 01 · <slug>-ch01.mp4

**短标题**
《书名》第一章：<章名或一句话钩子>

**视频描述**
<本章讲什么，2-3 句> + 本章的中心思想列表

有声书朗读来自 VoiceDrop。

#有声书 #听书 #<书名> #<作者> #读书

---

uvx --with google-auth --with requests python \
  ~/.claude/skills/wjs-uploading-video/scripts/upload_youtube.py --dir $BOOK

章节多时注意 YouTube 每日配额（默认约 6 个/天）：建 upload-batch-N/ 暂存目录放当天要传的 mp4 软链接 + UPLOAD_META.md 软链接，--dir 指向暂存目录分天传。

--dir 模式自动配对目录里的 mp4 和 UPLOAD_META.md（不要用 --video + --meta — --meta 只在 --dir 分支生效，--video 分支要求 --title 且忽略 meta 文件）。多章节视频建议加 --playlist <id> 归入同一播放列表。上传完把链接回给用户。

Step 7: 把全文文稿挂成评论

每支视频上传后，把该章文稿以「置顶评论 + 按小节分条回复」的形式挂在视频下面（听书的人可以对照读）：

uvx --with google-auth --with requests python \
  ~/.claude/skills/wjs-creating-video-book/scripts/post-transcript-comments.py \
  <video_id> chapters/NN/chapter.md \
  --header "📖《书名》第 N 章「章名」全文文稿"

脚本行为：自动剥离 chapter.md 里的站点页眉页脚，按 ## 小节切成 3-6 条评论（第一条是置顶主评论，其余作为它的回复，每条 ≤4200 字、标 k/N 序号），回复间隔 2s 防 spam 判定。

权限：需要 youtube.force-ssl scope。若 token 只有 youtube.upload（发评论报 403 / 脚本提示 re-auth），跑一次 uvx --with google-auth-oauthlib python ~/.claude/skills/wjs-creating-video-book/scripts/reauth-youtube.py — 会弹浏览器让用户点一次授权，新 token 同时含 upload + force-ssl，以后不用再弹。

目录结构

~/code/book-videos/<slug>/
├── style.md                  # 全书视觉风格底稿（一次定）
├── <slug>-ch01.mp4 ...       # ⭐ 每章最终视频（在根目录，供 --dir 上传扫描）
├── thumb-ch01.jpg ...        # 每章缩略图（YouTube Studio 手动设）
├── UPLOAD_META.md
└── chapters/
    └── 01/
        ├── chapter.md        # 章节文本
        ├── audio.mp3         # VoiceDrop 读书 mp3
        ├── ideas.json        # 1-3 个中心思想
        ├── img-1.png ...     # GPT Image 2 画面
        └── overlay-1.png ... # 脚本生成的文字层（中间产物）

Anti-Patterns

不要	原因
把章节文本重新 TTS	音轨就是 VoiceDrop 读书 mp3，重新合成既浪费又不一致
一章塞 5-6 个中心思想	画面变成字幕机。锚点宁少勿多，≤3
提示词里让 AI 画字	GPT Image 2 画中文必崩。提示词强制 "No text"，文字走 Pillow 叠加
提示词不写 landscape/wide composition	Codex 端 --size 只是参考，会返回方图竖图，16:9 裁剪损失大半画面
用照片写实风格	插画才耐得住 Ken Burns 缓推 + 大字叠加；photo 风显廉价
画抽象概念图解（箭头/图表/概念词）	画具象场景，让画面自己会呼吸
每章换一种画风	全书一个 style.md，章间一致
手写 drawtext 滤镜	本机 ffmpeg 没编译 drawtext，会 "No such filter"。用脚本的 Pillow 路径
在版权书直接公开发布	整章朗读原文的版权风险远大于讲书评论。公版书 / 有权利的书才默认发；否则先确认
缩略图另画 AI 插画	用视频帧 + 大字（同封面约定）
上传用 --video + --meta	该组合不成立（--video 要求 --title 且忽略 meta），用 --dir

Dependencies

• ffmpeg（已装；注意本机构建无 drawtext，脚本已用 Pillow 绕过）
• uvx + pillow — 文字层渲染（uvx --with pillow python ...）
• GPT Image 2（~/.claude/skills/gpt-image-2-skill/，--provider codex）— 画面生成
• wjs-voicedrop-reading-aloud — 章节 mp3 不存在时生成
• wjs-uploading-video + OAuth token ~/.config/youtube/token.json — 上传
• pandoc — 仅 EPUB 输入需要，本机默认未装，先 brew install pandoc