口播博主动作拆解
把一位真人口播博主的开头动作，拆成数字人能执行的文字规则。产出物是一个新的 skills/talking-head-<slug>/ 目录。
原则
只提炼动作、节奏和结构。不收录对方的长相、服装、场景细节和逐字台词；台词只记录句子功能（打招呼、痛点提问、承诺……），口头禅最多引用几个字说明句式
仓库只收开头片段。每条样本截开头 25 秒放进 samples/talking-head-<slug>/，文件名「序号_作品ID」；完整原片、音频、抽帧图、完整转写留在仓库外的工作目录（.gitignore 只放行 samples/ 下的 mp4）
不要把原视频当参考视频喂给生成模型，否则对方的脸、衣服、背景可能串进成片
只写可复现的具体动作：哪只手、什么形状、在什么高度、持续多久、卡在哪个词上。不写「自然」「丰富」「有感染力」这类模型无法执行的词
区分「观察」和「建议」：观察写进 references/samples.md，建议写进 SKILL.md 的「数字人生成建议」
流程
- 选片
选 4 条点赞最高的本人棚拍口播视频；跳过播客、外景探访、混剪、合拍
记录每条的链接、发布日期、采集时的点赞数、主题
- 准备素材（本地）
用平台允许的方式把视频保存到本地目录（例如 yt-dlp），然后：
scripts/prepare_clips.sh <原片目录> <工作目录> 25
得到开头 25 秒的片段、16k 音频和每秒 2 帧的总览拼图。
- 转写
用任意 ASR 转写 audio/*.wav，保留分句时间戳。例如本地 Whisper：
mlx_whisper audio/xxx.wav --model mlx-community/whisper-large-v3-turbo --language zh --output-format json
- 看整体结构
读每条的总览拼图，按秒标出画面状态：真人全屏 / 画中画（人在哪个位置、什么形状）/ 无人素材 / 花字。算出开头 20 秒里真人全屏的占比，写下开头结构（第一句是什么功能、什么时候切走、什么时候回来）。
- 看手势
只对真人全屏段做每秒 4 帧的细看图：
scripts/contact_sheet.sh clips/xxx.mp4 sheets/xxx_10.5s.jpg 10.5 6 4 6x4 400
对照转写稿，逐句记录：手势形状、单手还是双手、高度范围、持续时长、卡在哪个词上、表情和头部动作。
- 归纳
手势词汇表：反复出现的只有几个？给每个编号（作者首字母 + 序号）
范围：手的活动框（例如胸口到眉毛）、是否超出肩宽、肘部是否贴身
节拍：手势在什么时候切换，多久一次，是否对称
表情：第一帧表情、重音处的固定表情（眯眼、挑眉）
风险分档：低（手不入画、单手低位）/ 中（双手对称、手指不需精确）/ 高（双食指、捏合、五指张开、弯指）
开头结构类型：「先人后证据」还是「先证据后人」
- 写成 Skill
复制 templates/creator-skill-template.md 到 skills/talking-head-<slug>/SKILL.md 填写；样本表和观察写进 references/samples.md。然后：
把 clips/ 里的开头片段按「序号_作品ID.mp4」复制到 samples/talking-head-<slug>/
在 data/samples.csv 追加样本行（含 clip 列）
在仓库 README.md 的博主表里加一行
自查清单
手势词汇表里每一项都有：形状、触发台词类型、位置、时长
有「禁止动作」
开头结构模板里的台词只写功能，没有抄原句
没有描述对方的长相、服装和具体场景
仓库里只有 samples/ 下的开头片段，没有完整原片、音频、截图和完整转写
「生成描述示例」是原创的，能直接改成自己的