用途：把一段原始口播（talking-head）视频加工为成品品牌广告，说话人的画面与音频完整保留，其余图形、字幕、声音、构图按目标品牌视觉语言构建。输出1080×1920@30fps MP4，时长等于源时长，其他比例可按需。
主要能力：四种构图模式（split、solo、fullhim、full）切换；每句口播配一张动态图形卡（60–75秒约15–20张），逐词同步；卡拉OK字幕（1–3词、粗体无衬线、情感着色）、顶部进度条、zoom-punch、数字count-up；原声为主，约40个音效点加音乐床（低于人声峰值约19dB）。
使用方式：按阶段执行——采集需求、素材导入与裁切（多take先做最佳take拼接并写EDL）、转写、品牌调研、网站B-roll、分镜、构建合成、声音设计、QA与渲染、可选hook变体、交付评审画布。需node≥20、npx hyperframes、ffmpeg/ffprobe、本地whisper、Puppeteer、ELEVENLABS_API_KEY。
限制：资料未提供价格、平台支持范围与效果保证；部分步骤（音效审计、音乐床确认）仍为手动；渲染需本地环境与API密钥。