HLDP v1
// ─────────────────────────────────────────
// modules/video2script/SPEC.hdlp
// 视频→剧本 翻译模块 · 项目说明书（朝暮自用）
// ─────────────────────────────────────────

[TRIGGER]
  type: user_request
  from: 之之
  date: 2026-06-08
  context: "你搜索能力比我强多了，你完全可以爬出去自己看，搜索筛选出爆款来做"
  constraint: "不训练大模型，用现成开源工具"

[EMERGENCE]

## 一、目标

输入：朝暮主动搜索并抓取的爆款短剧视频（抖音/快手/小红书/B站等平台）
输出：专业剧本格式 + 套路分析报告

## 二、工作流程

### Phase A · 数据采集（朝暮主动）
  工具：MediaCrawler（27.7k⭐ 开源）
  策略：
    - 搜索关键词：短剧热门标签、爆款剧名
    - 筛选条件：点赞/播放量高、近7天发布
    - 平台：抖音 + 快手 + 小红书（主流短剧分发平台）
  输出：短剧视频文件 + 元数据（标题、播放量、点赞数）

### Phase B · 视频→剧本翻译
  Step 1 · 音频转文字（ASR）
    工具：Whisper（开源，光湖已有）
    输出：带时间戳的逐字稿

  Step 2 · 画面关键帧提取
    工具：FFmpeg（开源）
    策略：每3-5秒提取一帧，或检测场景切换时提取
    输出：关键帧图片序列 + 时间戳

  Step 3 · 画面描述（视觉理解）
    工具：调用视觉LLM分析关键帧
    输出：每帧的场景描述（人物位置、动作、表情、景别、运镜）

  Step 4 · AI 编排合成（核心步骤）
    输入：时间轴对齐的 [逐字稿 + 画面描述]
    工具：LLM（DeepSeek，已有key）
    流程：
      a) 识别说话角色 → 区分不同人物
      b) 按时间轴编排：
         [时间戳] 场景/镜头描述
         角色名：（语气）"对白"
      c) 格式化为专业剧本结构

### Phase C · 套路分析（核心价值）
  对生成的剧本进行结构化分析：
  - 黄金3秒钩子分析（开头第一个镜头是什么）
  - 情绪曲线（起承转合标记）
  - 反转节点（位置+类型）
  - 结尾卡点（在哪断章）
  - 节奏分析（每场时长、对白密度）
  输出：套路分析报告（存入仓库，下次生成直接调用）

### Phase D · 套路库沉淀
  每次分析结果 → 格式化为结构化套路模板 → 存入仓库
  下次写新剧本时："追妻火葬场最近流行什么开头？" → 翻套路库

## 三、开源工具清单

| 环节 | 工具 | 许可证 | 已有 |
|------|------|--------|------|
| 数据采集 | MediaCrawler | 开源 | ❌ 需部署 |
| ASR | Whisper | MIT | ✅ 光湖已有 |
| 关键帧提取 | FFmpeg | LGPL | ✅ 光湖已有 |
| 视觉理解 | DeepSeek视觉API | API调用 | ✅ 有key |
| 文本编排 | DeepSeek Chat | API调用 | ✅ 有key |
| 套路分析 | DeepSeek Chat | API调用 | ✅ 有key |

## 四、架构

```
┌─────────────────────────────────────────────────┐
│  Phase A · 朝暮主动搜索                          │
│  MediaCrawler → 抖音/快手/小红书/B站             │
│  → 筛选爆款（播放量+点赞+发布时间）              │
└─────────────────────┬───────────────────────────┘
                      ↓ 视频文件
┌─────────────────────┴───────────────────────────┐
│  Phase B · 视频→剧本翻译                         │
│  ┌─────────┐  ┌─────────┐  ┌─────────┐         │
│  │ ASR提取  │  │关键帧提取│  │视觉理解  │        │
│  │ Whisper  │  │ FFmpeg  │  │DeepSeek  │        │
│  └────┬────┘  └────┬────┘  └────┬────┘         │
│       └────────────┼────────────┘                │
│                    ↓ 时间轴对齐                   │
│              ┌──────────────┐                    │
│              │  AI编排合成   │                    │
│              │  剧本输出     │                    │
│              └──────┬───────┘                    │
└─────────────────────┼───────────────────────────┘
                      ↓ 剧本
┌─────────────────────┴───────────────────────────┐
│  Phase C · 套路分析                              │
│  钩子 → 情绪曲线 → 反转 → 卡点 → 节奏            │
│  → 套路分析报告                                  │
└─────────────────────┼───────────────────────────┘
                      ↓ 结构化数据
┌─────────────────────┴───────────────────────────┐
│  Phase D · 套路库沉淀                            │
│  存入仓库 → 下次写剧本直接调用                    │
└─────────────────────────────────────────────────┘
```

## 五、产出物

1. 专业剧本（.md）
2. 套路分析报告（.hdlp）
3. 爆款特征总结
4. 套路库（持续累积）

## 六、朝暮的主动策略

不只是"之之给什么我分析什么"，而是：
- 定期扫描各平台新发爆款短剧
- 建立爆款指数：播放量×完播率×互动率 综合排名
- 同类题材横向对比：找出"这个题材的标配套路"
- 趋势追踪：这周流行什么开头、什么反转

[LOCK]
  status: spec_updated
  next: 安装MediaCrawler → 跑通一条完整链路 → 给之之看第一次产出
  deploy: 硅谷服务器
  gitee: ❌ 不推送（内部工具，放Gitea大本营）