用途：把已准备好的素材组装成 1080×1920 竖版播客片段广告。叙事由一段真实剪辑的播客音频承担，每个视觉节拍与其所述句子对齐，风格为扁平双色编辑插画。
主要能力：确定性 ffmpeg ken-burns 运动（非生成式视频）、按节拍硬切拼接、音频混流、录入字幕、用 PIL 合成真实品牌字标的片尾卡。付费输入在外部另行准备：真实播客 MP3 及其 Whisper 词级时间戳，以及每节拍一张关键帧（create-image-fal / Nano Banana），品牌字标为真实 PNG。
使用方式：给定剪辑音频、words.json、每节拍关键帧和真实字标 PNG 后运行。scripts/config.example.json 为示例配置（约 40.8s、9:16、6 个节拍），scripts/PIPELINE.md 与 scripts/README.md 记录配置与免费合成流程。音频用 -map 0:v:0 -map 1:a:0 混流。重新剪辑复用现有音频与关键帧，成本为 $0。
限制与规则：禁止生成式 i2v，仅用 zoompan 做确定性运动（约 1.0→1.06×，24fps），不要用 -loop 1 配 zoompan d=N，应喂单张图并用 -t + trim 限制。节拍之间硬切、不用交叉淡化。字幕仅在有声语句中出现，须满足不重叠（前一行结束早于下一行开始）、安全区（主体保持在上方约 75%，字幕在下三分之一；若主体侵入字幕带则用 PIL 上移约 0.24H 到纸张色画布）和烧录引擎（优先 libass，先检查 ffmpeg -filters；缺失时用透明 PNG 叠加与 enable='between(t,st,en)' 的确定性 fallback）。片尾卡用 PIL 确定性合成，不用 AI 渲染字标，并在音频后留约 1.5s 静默保持（首尾各 0.3s 淡入淡出）。是否剪辑或生成配音属 STEP-0 决策，未提供来源节目时应询问用户；其余收费与平台信息暂未提供。