用途
本技能是一份讲解视频（Explainer Video）制作指南，帮助用户从脚本撰写到最终剪辑完成一条完整的讲解视频。内容覆盖脚本公式、节奏规则、场景规划、配音制作、音乐音频处理以及多工具组装流水线。
主要能力
脚本公式
提供三种可直接套用的脚本结构：
- Problem-Agitate-Solve（PAS）：60 秒，分为问题（10s/~25 词）、激化（10s/~25 词）、解决方案（15s/~35 词）、工作原理（20s/~50 词）、行动号召（5s/~12 词）。
- Before-After-Bridge（BAB）：90 秒，分为 Before（15s）、After（15s）、Bridge（40s）、社会证明（10s）、CTA（10s）。
- Feature Spotlight：30 秒社交短视频，分为 Hook（3s）、Feature（15s）、Result（7s）、CTA（5s）。
节奏与时长规则
- 语速标准：标准旁白 150 wpm；复杂/技术内容 120 wpm；活力/社交内容 170 wpm；儿童内容 100 wpm。
- 核心规则：每个关键信息对应一个场景，不要在一个画面中塞入多个想法。
- 场景时长建议：建立镜头 3-5 秒；功能演示 5-8 秒；屏幕文字/数据 3-4 秒；转场 0.5-1 秒；CTA 画面 3-5 秒。
视觉制作
通过 belt CLI 调用不同模型生成场景画面，示例包括：产品使用场景、抽象概念可视化、生活方式/结果镜头、前后对比分屏。还支持先生成静帧再动画化的图生视频流程。
配音制作
- 脚本写作要点：短句（每句最多 15 词）、主动语态、口语化、一句一个想法。
- 使用 Dia TTS 生成专业旁白，示例命令已给出。
- TTS 节奏控制技巧：句号（中等停顿）、省略号（长停顿/戏剧性）、逗号（短停顿）、感叹号（强调/能量）、问号（升调）。
音乐与音频
- 背景音乐音量：旁白下方 20-30%，人声播放时压低 6-12dB。
- 风格匹配品牌调性；结构为开场渐强（前 3 秒）→ 旁白下循环 → CTA 处渐强。
- 旁白下只使用纯器乐，不要人声。
组装流水线
完整制作工作流：
- 生成配音（falai/dia-tts）
- 并行生成场景画面（google/veo-3-1-fast，使用 --no-wait）
- 合并场景（infsh/media-merger）
- 添加配音（infsh/video-audio-merger）
- 添加字幕（infsh/caption-videos）
视频长度参考
- 社交预告：15-30 秒（TikTok、Reels、Shorts）
- 产品演示：60-90 秒（网站、落地页）
- 功能讲解：90-120 秒（YouTube、邮件）
- 教程/演示：2-5 分钟（YouTube、帮助中心）
- 投资人路演视频：2-3 分钟（路演材料补充）
转场类型
切（默认，干净专业）、溶解/交叉淡化（时间流逝、情绪转变）、划像（新主题或章节）、缩放/推（深入细节）、匹配剪辑（场景间视觉相似）。
常见错误与修正
- 脚本太啰嗦 → 削减到 150 wpm 上限
- 前 3 秒没有钩子 → 以问题或惊人数据开场
- 画面滞后于旁白 → 画面应匹配或略微先于文字
- 背景音乐太响 → 人声下压低 6-12dB
- 没有字幕 → 85% 社交视频静音观看，务必加字幕
- 想法太多 → 每条视频只保留一个核心信息
使用方式
需先安装 belt CLI 技能：npx skills add belt-sh/cli，然后 belt login。之后通过 belt app run <模型> --input '{...}' 调用各模型完成画面、配音、音乐生成，并用 infsh/media-merger、infsh/video-audio-merger、infsh/caption-videos 等工具完成合并与字幕。可浏览全部应用：belt app list。
适用场景
适用于制作产品演示、功能讲解、社交短视频、教程、投资人路演等各类讲解视频，尤其适合需要从脚本到成片全流程指导的创作者。
限制
本指南依赖 inference.sh CLI（belt）及其生态中的模型与应用；具体模型可用性、费用与输出质量暂未提供。音乐生成示例中的 <music-gen-app> 为占位符，需用户自行替换为可用应用。