byted-mediakit-voiceover-editing

一、模式与凭据

1.1 三种执行模式

| 模式 | 说明 | 所需环境变量 | ASR 方式 | | --------- | ------------------------------------ | ---------------------------------------------------------------------------------------------------------- | ------------------ | | apig | SkillHub 网关代理，Bearer Token 认证 | ARK_SKILL_API_BASE + ARK_SKILL_API_KEY（容器注入）+ VOLC_SPACE_NAME + ASR_API_KEY + ASR_BASE_URL | 豆包语音大模型 | | cloud | 直连火山引擎 OpenAPI，HMAC 签算 | VOLC_ACCESS_KEY_ID + VOLC_ACCESS_KEY_SECRET + VOLC_SPACE_NAME + ASR_API_KEY + ASR_BASE_URL | 豆包语音大模型 | | local | 完全本地执行，无需云端服务 | 无（可选 EXECUTION_MODE=local） | Qwen3-ASR 本地推理 |

优先级：apig > cloud > local。自动检测按此顺序依次检查环境变量，缺参时打印 .env 路径与缺失变量列表并自动降级。

1.2 凭据配置

• `.env` 文件位置：<SKILL_DIR>/.env
• 脚本先读进程环境变量，再用 .env 补全未设置的项（不覆盖容器注入）
• ARK_SKILL_* 通常由部署容器注入，不必手写到 .env
• 缺参不阻塞：不使用终端 input() 交互，缺参时打印提示信息并自动降级到可用模式
• Agent 推荐用户通过编辑 `.env` 文件或Agent 文件写入工具来配置变量，避免终端粘贴问题
• 安全：控制台创建仅含所需权限的密钥；测试请用独立点播空间；.env 勿提交仓库

1.3 模式意图识别（Agent 必读）

当用户在对话中表达模式切换意图时，Agent 应识别并执行：

| 用户表达 | 识别为 | 操作 | | -------------------------------------- | ---------------------- | ------------------------------- | | "用本地模式" / "不走云端" / "离线处理" | EXECUTION_MODE=local | 写入 .env 或传 --mode local | | "用云端" / "用火山引擎" / "走 AK/SK" | EXECUTION_MODE=cloud | 写入 .env 或传 --mode cloud | | "走网关" / "用 apig" / "用 SkillHub" | EXECUTION_MODE=apig | 写入 .env 或传 --mode apig |

隔离要求：各任务的模式选择相互独立。一个任务中切换到 local 不应影响另一个任务的模式。Agent 应在每次任务开始时重新检测或遵循用户当次指定。

二、执行约束（STRICT — NO EXCEPTIONS）

1. 仅使用以下脚本，禁止创建新脚本
2. 按顺序执行所有步骤，跳步即任务失败
3. 执行任何脚本前必须先 cd <SKILL_DIR>/scripts
4. 每个 CHECKPOINT 必须验证产物后再继续
5. 任何步骤失败必须立即停止并报告，不得继续
6. Step 4/5/6 输出禁止简化版、占位符、示例或省略内容
7. 最终输出必须保持原样，不能做任何修改
8. 审核页是否自动打开由 TALKING_VIDEO_AUTO_EDIT_REVIEW_AUTO_OPEN 决定（强制）：Agent 不得额外执行 open/start/xdg-open 等命令
9. 超时设置：音视频处理时长较长，宿主超时时间应设置为 60 分钟

职责分工

| 组件 | 职责 | 不做 | | -------------------- | --------------------------------------------------- | --------------------- | | 脚本（规则引擎） | ASR 优化、候选生成（标记位置+规则置信度+删除建议） | 不做最终删除/保留决策 | | 宿主 Agent（你） | 语义断句、口癖识别确认、候选复核、最终删除/保留决策 | 不修改脚本 |

核心原则：脚本提供候选（含 deleted_parts + cleaned_text），Agent 做最终决策。

三、路径规则

3.1 SKILL_DIR 与 Output-dir

• SKILL_DIR：byted-mediakit-voiceover-editing 目录路径
• PROJECT_ROOT：由 scripts/project_paths.py 推导：

1. 环境变量 VOICEOVER_EDITING_PROJECT_ROOT 若设置则用之
2. 否则为 <SKILL_DIR> 的 parents[2]（沿父链上移 3 级，不依赖中间目录命名）

• Output-dir：<PROJECT_ROOT>/output/<素材名>/；若目录已存在则自动递增为 <素材名>_01、<素材名>_02...
• 脚本启动时会打印路径推导日志，便于调试确认

3.2 素材名推导

| 来源 | 推导规则 | 示例 | | --------- | -------------------- | ----------------------------------------------- | | URL | 取最后一段去扩展名 | https://x.com/video.mp4 → video | | 本地文件 | 取文件名去扩展名 | /path/Test_Video_720p.mp4 → Test_Video_720p | | DirectUrl | 取 FileName 去扩展名 | test.mp4 → test | | Vid | 取 Vid 值 | v0xxx → v0xxx |

3.3 从上下文推导 output-dir

• 推导优先级（按顺序尝试）：

1. 对话历史/命令参数中已显式传入 --output-dir output/<子目录> → 直接沿用
2. 无法从对话历史获得 → 询问用户指定

• Agent 不得扫描仓库来推断 output-dir

3.4 重复处理

写入任何输出文件/目录前，若目标已存在，必须提示用户：

• 目录已存在：是否删除原目录？[删除/保留并新建(01)]
• 文件已存在：是否删除/覆盖/保留？
• 超时 20 秒默认「保留并新建(01)」

四、脚本清单

执行前必须 cd <SKILL_DIR>/scripts

| 脚本 | 用途 | | ----------------------------------- | ----------------------------------------------------------- | | ./scripts/setup.sh | 环境检查与依赖安装 | | ./scripts/step2_confirm_config.py | Step 2: 语气词/卡顿词确认完成后生成 checkpoint（阻止跳步） | | ./scripts/pipeline_url_to_asr.py | Step 3: URL → ASR 流水线（支持 --mode local/cloud/apig） | | ./scripts/merge_asr_words.py | Step 4 产出缺 words 时，从 raw 合并 | | ./scripts/prepare_export_data.py | Step 6a: 数据预处理（--width --height --write-step6） | | ./scripts/serve_review_page.py | Step 6b: 审核页静态服务 + 数据保存 + 导出代理 | | ./scripts/export_server.py | 导出服务（独立进程，接收审核页 POST） | | ./scripts/vod_direct_export.py | Step 6c: VOD 导出任务提交与查询 |

五、必经步骤

执行顺序：按顺序执行所有步骤，不得跳步即任务失败 各 Step 完整检查单见 references/执行步骤/ 下分步文档。

| Step | 说明 | 文档 | | -------- | --------------------------- | -------------------------------------------------------------------------------------- | | Step 1 | 环境检查与依赖安装 | 1. 环境检查.md | | Step 2 | 语气词/卡顿词确认与规则更新 | 2. 语气词提示与用户行为更新.md | | Step 3 | URL → ASR 流水线与候选生成 | 3. URL到ASR流水线与候选生成.md | | Step 4 | ASR 语义纠错（Agent 执行） | 4. ASR语义纠错.md | | Step 5 | 口播剪辑（Agent 执行） | 5. 口播剪辑.md | | Step 5.5 | 审核逻辑确认 | 5.5 审核逻辑确认.md | | Step 6a | 数据预处理 | 6a. 数据预处理.md | | Step 6b | 审核与导出 | 6b. 审核与导出.md | | Step 6c | VOD 导出任务提交与查询 | 6c. VOD导出任务提交与查询.md |

六、产物对照表

| 产物文件 | 生成步骤 | 说明 | | ------------------------------------ | ------------------ | -------------------------------------------------------- | | step1_preuploaded.json | Step 3 | 素材上传/注册结果（含 _execution_mode） | | step3_voice_separation_result.json | Step 3 | 人声分离结果 | | step5_asr_raw_*.json | Step 3 | ASR 原始转写 | | step5_asr_optimized.json | Step 4 | 语义纠错后 ASR | | step6_speech_cut.json | Step 5 | 口播剪辑决策 | | review_import_data.json | Step 6a | 审核页数据（含 _execution_mode、track、sentences） | | export_request.json | Step 6a / 审核保存 | 导出请求（审核页"保存"后会同步更新此文件） | | export_submit_*.json | Step 6b/6c | 最终提交的导出数据 |

七、审核页与数据联动

7.1 模式感知

审核页通过 review_import_data.json 中的 _execution_mode 字段自动识别当前模式，并在界面上：

• 显示模式徽标（APIG 蓝/云端绿/本地橙）
• 调整导出按钮文案（本地模式显示"本地导出视频"）
• 调整导出成功信息（本地模式显示输出文件路径，云端显示 OutputVid + PlayURL）

7.2 本地模式审核页

本地模式完全支持审核页。Source 字段使用 http://127.0.0.1:<port>/local-media/<绝对路径> 格式，由 serve_review_page.py 的 /local-media/ 路由代理访问本地文件。

7.3 数据联动（审核修改 ↔ 直接导出同步）

审核页提供两个操作按钮：

| 按钮 | 功能 | 数据流 | | --------------- | ------------------ | ----------------------------------------------------------------------------------------- | | 保存审核 | 将修改持久化到磁盘 | POST /api/save-review → 更新 review_import_data.json + 重新生成 export_request.json | | 导出 | 直接触发视频导出 | POST /export → apply_review_to_export → export_submit_*.json → ffmpeg/VOD |

关键：用户在审核页做了修改后，点击"保存审核"即可将修改同步到磁盘。此后即使关闭审核页，Agent 通过 vod_direct_export.py --output-dir <输出目录> submit --wait 直接导出时也会读取更新后的 export_request.json，确保数据一致。

关键约束：调用 vod_direct_export.py 时，--output-dir 必须写在 submit/query 子命令之前。一行式调用格式：

>

`` cd SKILL_DIR/scripts && source .venv/bin/activate && python vod_direct_export.py --output-dir <绝对路径> submit --wait ``

7.4 审核页服务端点

| 端点 | 方法 | 说明 | | --------------------- | ---- | --------------------------------------------------------------- | | / | GET | 审核页 HTML | | /api/review-data | GET | 返回 review_import_data.json | | /api/mode | GET | 返回当前执行模式 | | /api/save-review | POST | 保存审核修改（回写 review_import_data + 重生成 export_request） | | /export | POST | 触发导出（local: ffmpeg；cloud/apig: vod_direct_export） | | /local-media/<path> | GET | 本地模式媒体文件代理 |

八、常见问题

| 现象 | 处理 | | --------------------------- | ------------------------------------------------------------------------------------- | | 本地文件走了 DirectUrl 模式 | 本地文件必须作为第一个位置参数传入；--directurl 仅用于 VOD 空间内已有 FileName | | step5 写入失败 | 必须写入 output/<文件名>/step5_asr_optimized.json，禁止写 output 根目录 | | concat 规则要删但音频还在播 | actionTime 必须从 step5 words 查出仅保留部分的 ms | | 重复文件未提示 | 写入前必须检查目标是否存在，按 3.4 规则处理 | | step6 修正未生效 | 确保 step6 顶层为 optimized_segments 或 sentences；运行 --write-step6 写回 | | segment 起止时间不准 | Step 6a 会依 step5 words 校正 | | delete 未在 deleted_parts | 每个 action: delete 段必须在 deleted_parts 中有对应项 | | 审核页修改关闭后丢失 | 关闭前点击"保存审核"持久化到磁盘 | | 审核页本地资源 404 | 确认 Source 字段为 /local-media/ URL 格式；检查 serve_review_page.py 是否正常运行 | | 缺参提示后阻塞 | 不再使用 input()，缺参时自动降级并打印 .env 路径提示 |

九、字幕可见性（Alpha）

• 字段：textElement.Extra[transform].Alpha（0～1）
• 含义：0 隐藏（不渲染到画布），1 展示
• 删除态：Alpha 设为 0；恢复：Alpha 设为 1