从 SRT 字幕文件到完整白板动画视频片段的自动化工作流。
| 参数 | 必填 | 说明 |
|---|---|---|
| ------ | ------ | ------ |
srtPath | 是 | SRT 字幕文件的绝对路径 |
outputDir | 否 | 输出根目录，默认为 SRT 文件所在目录 |
整个流程分为 10 步，必须严格按顺序执行。步骤 3、5、7 使用 subagent，其余步骤由主 agent 直接执行。
运行本 skill 的 scripts/check_env.py，一次性检查所有依赖（Python 虚拟环境、RUNNINGHUB_API_KEY）：
python3 <skill-dir>/scripts/check_env.py
PYTHON_PATH=<路径>，记录该路径用于步骤 7，继续ENV_RESULT=... JSON 中解析各项检查结果，向用户展示清晰易懂的错误说明和修复指引（见下方故障排查指引），终止工作流注意：脚本会自动检测并安装可修复的依赖，只将无法自动修复的问题报告给大模型。
当环境预检失败时，必须向用户清晰解释原因并给出具体修复步骤。根据失败项不同，给出对应说明：
RUNNINGHUB_API_KEY 未配置：
> 白板动画视频生成需要 RunningHub API 来调用 AI 模型先生成图片。你需要在 skill 目录下的 .env 文件中配置 API Key。
>
> 修复方法：
> 1. 在 RUNNINGHUB_API_KEY=你的API密钥
> 2. 如果文件不存在，先创建它
> 3. API Key 可在 RunningHub 获取
> 4. 配置完成后重新运行即可
Python 依赖安装失败：
> 白板动画依赖 OpenCV、NumPy、PyAV 等 Python 库来处理视频。自动安装未能成功。
>
> 修复方法：
> 1. 请确认你的 Python 版本为 3.9 或更高版本
> 2. 然后重新运行本工作流，脚本会再次尝试自动安装
多项检查同时失败时，逐条列出每个失败项及对应修复方法，便于用户一次性解决所有问题。
outputDir，则使用 srtPath 所在目录作为输出根目录outputDir 转换为绝对路径运行本 skill 的 scripts/workflow_helper.py：
python3 <skill-dir>/scripts/workflow_helper.py init-dirs "<outputDir>"
输出 JSON 含 storyboardDir、imageDir、videoDir 三个绝对路径，保存备用。
启动一个 subagent，指令为：
> 使用 Read 工具读取文件 <将本 skill 目录替换为实际绝对路径>/references/storyboard-parser.md，按照其中的工作流步骤执行。
>
> 输入参数：
> - srtPath = <将srtPath替换为实际绝对路径>
> - projectRoot = <将storyboardDir替换为实际绝对路径>
> - skill-dir = <将本 skill 目录替换为实际绝对路径>（用于定位脚本）
>
> 完成后返回 storyboard.json 的绝对路径和场景数量。
>
> 注意：主 agent 必须将实际路径值填入指令中，不要传递变量名，subagent 无法访问主 agent 的上下文。
必须等待 subagent 完成并获取 storyboard.json 路径后才继续。
运行本 skill 的 scripts/workflow_helper.py：
python3 <skill-dir>/scripts/workflow_helper.py gen-prompts "<storyboardJsonPath>"
输出一个 JSON 字符串数组，每个元素是一个带白板风格前缀的图片生成提示词，数组索引与 storyboard 中的 scenes 顺序一一对应。
同时从 storyboard.json 中提取每个 scene 的 duration 值（毫秒），按顺序记录为数组备用。
启动一个 subagent，指令为：
> 使用 Read 工具读取文件 <将本 skill 目录替换为实际绝对路径>/references/image-generator.md，按照其中的工作流步骤执行。
>
> 使用批量模式，将以下 JSON 字符串数组作为 prompt 参数传入：
> <将步骤4输出的提示词JSON数组的实际内容粘贴于此>
>
> 参数：
> - skill-dir = <将本 skill 目录替换为实际绝对路径>（用于定位脚本）
> - 输出目录 = <将imageDir替换为实际绝对路径>
> - 宽高比 = "16:9"
>
> 注意：主 agent 必须将实际提示词内容和路径值填入指令中，不要传递变量名，subagent 无法访问主 agent 的上下文。
>
> 重要： 返回所有生成图片的路径列表，顺序必须与提示词数组顺序一致。
必须等待 subagent 完成并获取所有图片路径后才继续。
确认步骤 5 返回的图片路径数组长度与 storyboard 的 scenes 数量一致，顺序正确（第 i 张图片对应第 i 个 scene）。
启动一个 subagent，指令为：
> 调用 whiteboard-animation skill，使用批量模式。跳过环境预检（主 agent 已确认环境就绪），直接运行批量生成脚本：
>
> ```
> <将PYTHON_PATH替换为步骤0获取的实际值> <将whiteboard-animation skill目录替换为实际路径>/scripts/batch_generate.py \
> --images
> --durations
> --output-dir
> ```
>
> 主 agent 必须将 PYTHON_PATH 和 skill 目录的实际绝对路径填入指令中，不要传递变量名，subagent 无法访问主 agent 的上下文。
>
> 参数：
> - --images：按分镜顺序排列的图片路径列表（空格分隔）
> - --durations：与图片一一对应的时长列表（单位：毫秒，直接使用 storyboard 中的 duration 值，无需转换）
> - --output-dir：
>
> 重要： 完成后，收集
必须等待 subagent 完成并获取所有视频路径后才继续。
运行本 skill 的 scripts/workflow_helper.py，将所有视频片段按顺序合并为一个完整视频。必须使用步骤 0 获取的 PYTHON_PATH（PyAV 依赖在虚拟环境中）：
<PYTHON_PATH> <skill-dir>/scripts/workflow_helper.py merge-videos "<outputDir>" <videoPath1> <videoPath2> ...
输出 JSON 含 mergedVideo（合并后的视频绝对路径）、totalSegments、sizeMB。
输出最终结果，包含合并后的完整视频路径和所有片段信息：
输出格式示例：
{
"mergedVideo": "/path/to/output/白板视频_20260329_120000.mp4",
"videoSegments": [
"/path/to/video/vid_20260329_120000_h264.mp4",
"/path/to/video/vid_20260329_120010_h264.mp4"
],
"totalSegments": 2,
"sizeMB": 15.3,
"outputDir": "/path/to/output"
}
check_env.py 脚本会自动检测并安装可修复的依赖，只将无法修复的问题报告给大模型PYTHON_PATH 必须传递给步骤 7 的 subagent 使用，也用于步骤 8 的视频合并（PyAV 依赖在虚拟环境中），避免重复环境检查storyboard-parser.md - SRT 分镜解析工作流指令，由步骤 3 的 subagent 读取执行image-generator.md - Banana2 图片生成工作流指令，由步骤 5 的 subagent 读取执行check_env.py - 一次性环境预检，检查 Python 虚拟环境、API Key，自动安装可修复的依赖workflow_helper.py - 提供 init-dirs（创建目录结构）、gen-prompts（解析 storyboard 生成提示词）、merge-videos（合并视频片段）三个子命令generate-storyboard.py - 解析 SRT + groups.json 生成 storyboard.jsongenerate-image.py - Banana2 模型文生图，支持单张和批量并发模式banana_prompt_template.py - 白板风格提示词模板共 1 个版本