podcast

/pika:podcast

4 幕 × 每幕 15 秒 = 共 60 秒。主持人 A 始终在左侧，主持人 B 始终在右侧。接受 URL 或自由形式的话题／简报。

参数

参数	默认值	说明
input	必填	要点评的 URL 或自由形式的话题／简报（例如：“我和 Elon Musk 谈论火星”）
bg_img	自动生成	播客录音室背景
host_a_img	自动生成	主持人 A 肖像——参见下文“真人处理”
host_b_img	自动生成	主持人 B 肖像——参见下文“真人处理”
voice_a	876341503281471517	Kling 预设音色或主持人 A 的克隆音色 ID
voice_b	829837252279803904	Kling 预设音色或主持人 B 的克隆音色 ID
aspect_ratio	16:9	输出宽高比

费用透明度确认

进行任何付费 MCP 调用前，调用一次 identity_balance({verbose: true})。告知当前余额、近期消耗速率和剩余可用时长，然后用以下原文确认是否继续：

预计费用：四段 Kling v3-omni pro 15 秒视频、可选的缺失素材图像生成、一次单幕纠错重试、拼接和飞行后 analyze_media QA，总计约需 6,000-9,000 点数（约 $60-$90）。费用超过 $5。回复 proceed 以继续，或回复 cancel 以停止。

在用户回复 proceed 前，不得调用任何付费 MCP 工具。如果用户回复 cancel，则停止，不生成任何内容。这是唯一的是否确认环节；用户回复 proceed 后，渲染四幕并返回 URL。

默认设置——快速执行，中途无需确认

• 静默使用参数表中的默认音色。 voice_a 默认为 Kling 预设音色 876341503281471517，voice_b 默认为 829837252279803904。执行前不要询问“要用哪种音色？”，仅在用户明确指定时使用覆盖值（voice_a=、voice_b=）。
• 静默自动生成任何缺失的主持人肖像（步骤 1 的原型提示词）。不要询问“要不要生成主持人图像？”，直接生成即可。
• **只有费用透明度确认会询问是否 proceed。**用户回复 proceed 后，提交 → 渲染 4 幕 → 返回 URL。账户点数余额和服务提供商故障转移是标准防护措施。为保持向后兼容，接受 --yes 标志，但不执行任何操作。
• 话题模式角色设定（步骤 3）——用户提到真人公众人物时，静默遵循步骤 4（真人处理）：默认使用原型肖像，不自动生成照片写实肖像，也不询问用户是否拥有肖像权。

生成前墙钟超时防护

在确定播客输入并通过成本门槛后，技能启动时立即开始计时。第一次付费生成调用是为缺失的背景/主持人素材调用 generate_image。如果所有素材都已提供，第一次付费生成调用则是 generate_reference_video。必须在技能启动后 5 分钟内发起第一次付费生成调用。如果技能启动后 5 分钟内仍未发起第一次付费生成调用，请在任何付费生成调用之前停止，并报告 failed_pre_generation_timeout，同时提供目前已有的信息：输入模式、素材状态、语音状态、URL 抓取/WebFetch 状态、脚本草稿状态，以及确切的阻碍。不要继续完善主持人原型、事实依据、笑话或分幕措辞。

每个准备阶段结束后，以及付费生成调用前，打印一行进度检查点：

• Stage 1/4 done — input resolved and cost gate passed, locking missing-asset image prompts.
• Stage 2/4 done — missing asset prompts ready, calling image generation now. 如果缺少任何背景或主持人图片，请在第一次调用 generate_image 前立即打印此信息。如果所有图片都已提供，则改为打印 Stage 2/4 done — assets and voices ready, collecting URL/topic facts.，并继续，不调用图像生成。
• Stage 3/4 done — script draft locked, preparing first act.
• Stage 4/4 done — first act prompt ready, calling Kling now.

第一次调用 generate_image 前，缺失素材的图像提示词最多迭代 2 轮。达到最多 2 轮后，将现有内容提交给 generate_image；不要继续完善主持人原型、演播室背景细节或角色风格。调用 Kling 前，脚本和分幕提示词最多迭代 2 轮。达到最多 2 轮后，将现有内容提交给 generate_reference_video；不要继续完善笑话、打断方式、角色设定或镜头措辞。

Claude Desktop 上的本地图片

Claude Desktop 目前无法将内联粘贴的图片传递给 MCP 工具（Anthropic 方面的限制）。如果用户内联粘贴了照片，或提到想用作 host_a_img / host_b_img 的本地文件，请暂停步骤 1，并友好地向他们说明以下内容，例如：

请注意——Claude Desktop 目前无法将粘贴的图片传递给 MCP 工具（Anthropic 的限制）。处理照片有两个简单选项：

• 粘贴 URL（如果图片已经托管在 Imgur、S3 或你的网站上）——最快
• 附上图片文件，这样我就可以在生成前上传。

收到本地文件后，在步骤 1 前使用 upload_asset 将其转换为公开 URL，并将返回的 public_url 用作参数。已经托管的 https://... URL 可直接使用，无需执行此流程。

如果用户提到某位现实中的公众人物，但没有附上任何图片，请勿自动生成其肖像——步骤 4（真人处理）会改用原型肖像。

长时间运行的 task_status 轮询

当任何长时间运行的生成或编辑调用返回 task_id（无论是否包含初始状态），包括 {task_id}、{task_id, status: "queued"}，或初始状态为 queued、running 或 processing 时，立即记录任务 ID 和开始时间。

• 紧密循环调用 task_status({task_id})，直到任务进入终止状态（completed | failed | cancelled）。不要手动休眠，也不要使用 Bash 轮询；工作线程会让每次状态调用保持等待。
• 当状态为 queued、running 或 processing 时，每 60 秒输出一行可见进度：Seedance i2v queued for {N}m {S}s... still processing。轮询 Kling、图像生成、克隆语音或拼接任务时，替换提供方／阶段标签。
• 任务 completed 时，提取返回的结果 URL 并继续。
• 任务 failed 或 cancelled 时，向用户报告失败，并提供 task_id、状态和最后一条状态消息。
• 从最初提交起满 15 分钟后，如果任务仍未进入终止状态，则调用 task_cancel({task_id})，然后向用户报告失败。如果取消操作返回任务已经处于终止状态，则再调用一次状态查询，并报告该终止结果。
• 原任务仍处于 queued、running 或 processing 状态时，不要重复提交请求。

步骤

0. 解析输入（空参数菜单）

从 $ARGUMENTS 中移除标志（--yes、--no-captions 等）和 key=value 参数。如果剩余内容为空或仅包含空白字符，则原样输出以下菜单作为完整回复，然后停止并等待用户的下一条消息——不要调用任何工具，不要继续执行步骤 1，也不要自行编造主题或 URL。如果移除后的输入不为空（URL 或任意文字），则静默跳过此步骤并继续执行步骤 1。

**您想做一期关于什么内容的播客？**以下内容都可以：

• 网站 URL（产品页面、文档站点、发布页面）——例如 https://pika.art
• GitHub 仓库——例如 https://github.com/anthropics/claude-code
• 博客文章／文章 URL——例如您希望讨论的一篇近期文章
• 自由主题或简述——例如 "我和埃隆·马斯克聊火星" 或 "两位科学家辩论 AGI"

回复您的选择，我会生成一段 1 分钟的双主持人播客视频（4 幕 × 约 15 秒）。

提示：您无需输入 /pika:podcast——只需说“制作一期关于 的播客”“播客评论 ”或“我和 聊聊 ”之类的话，我就会自动启动此技能。

用户回复后，将其回复视为已解析的输入（URL 或主题），并继续执行步骤 1。不要再次提示。

1. 生成缺少的素材（并行）

仅生成用户未提供的内容。默认原型提示词：

• bg_img — 现代播客录音室，两把椅子，暖色灯光，无人，16:9
• host_a_img — 热情的主持人，录音室肖像，人物位于画面左侧，1:1
• host_b_img — 务实的怀疑派主持人，录音室肖像，人物位于画面右侧，1:1

如果输入中提到了特定人物（步骤 3），则调整原型以匹配人物风格——参见下文“真实人物处理”。

2. 解析语音 ID

使用给定的 voice_a / voice_b；否则使用默认 Kling 预设（876341503281471517 / 829837252279803904）。如果用户通过 voice_a= / voice_b= 提供了克隆语音 ID，则直接使用。

3. 解析输入模式——URL 与主题

从 $ARGUMENTS 中剥离标志（--yes、--no-captions 等）和 key=value 参数。检查剩余内容。

URL 模式——输入中包含 https?:// URL：

• 对该 URL 调用 capture_website，仅用于视觉参考：产品／页面名称、可见布局、屏幕截图、B-roll 线索，以及一个可拿来开玩笑的视觉细节。
• 对同一个 URL 调用 WebFetch，并将其全文作为脚本的事实来源。不要仅依赖屏幕截图获取事实。
• 从合并后的输入中提取：产品名称、价值主张、2–3 个具体功能或事实、定价、一个可拿来开玩笑的细节，以及任何具体引语或说法。
• 对于长篇页面（Wikipedia、文档、博客文章或文章），检查 WebFetch 的全文，寻找导语之后的深入章节。若至少有 3 个实质性的深入章节，脚本必须提及导语之后至少 3 个不同章节（例如架构、训练、幻觉、局限性、部署或安全），而不能只介绍开篇摘要。
• 使用 WebFetch 文本作为事实依据，并使用 capture_website 获取视觉信息。如果二者冲突，事实说法以 WebFetch 为准，并将屏幕截图视为视觉参考。

主题模式——输入为自由形式的文本（不含 URL）：

• 将全部输入视为创作简报。解析以下内容：
  • 主题——对话内容
  • 主持人——若有明确提及则使用所述信息（“我和 Elon Musk”“两位科学家”“Joe 和 Sarah”）；否则使用默认设置（热情的主持人 + 持怀疑态度的主持人）
  • 角度——辩论／采访／讲解／闲聊
  • 具体事实——用户提供的任何具体说法、数字、日期或引语
• 如果没有提供具体事实，使用 2–3 条明确标注的观察或假设，作为笑话和“等等，其实……”转折的依据。不要将编造的说法当作事实；如果主题需要事实准确性，请索要来源或 URL。
• 如果用户说“I and X”或“me and X”，则主持人 A = 用户（若提供 host_a_img=，则使用该图片；否则生成主持人肖像），主持人 B = X。

4. 真实人物处理（仅限主题模式）

如果解析后的输入将某位真实公众人物（例如“Elon Musk”“Taylor Swift”“Joe Rogan”）指定为主持人：

• 默认行为：不要自动生成该人物的照片级肖像。生成符合其人物气质的原型肖像——例如，为 Elon 风格的主持人生成“在播客桌前、充满科技亿万富翁气场的 CEO”，为 Taylor 风格的主持人生成“流行巨星风格”。应明确体现灵感来源，而非冒充本人。
• 例外情况：如果用户明确提供 host_a_img=<url> 或 host_b_img=<url>，则原样使用所提供的图片。用户需自行承担肖像权责任。
• 语音：遵循相同逻辑——默认使用通用 Kling 预设；只有在用户提供克隆语音（voice_a= / voice_b=）时才使用。
• 脚本基调：对话可以围绕该人物已知的公开立场或风格展开（例如，Elon 风格的主持人对火星的热情）；公开记录中的观点可以作为创作素材。不要让他们说出具体的诽谤性、不符合其风格或虚构的私人生活相关言论。

这项防护措施既能让创作保持自由（“我想制作一个和科技 CEO 争论火星问题的播客”），又能避免自动生成具名真实人物的深度伪造内容。

CJK / 非拉丁文字处理

当 URL、主题、产品名称、主机名、引语或必需的脚本细节中包含中文、日文、韩文、阿拉伯文、天城文、西里尔文、带重音符号的拉丁字母、表情符号或其他非拉丁文字时，请使用本节。

• 文字保留：在脚本和任何事实回顾中，准确保留用户提供的非拉丁字符及其文字形式。除非用户明确要求，否则不要将产品名称、人名、口号或引用语罗马化、音译或翻译。如果需要辅助发音，请在附近的英文文本中提供，不要用它替代原始字符。
• Kling 语音 ID：voice_a= 和 voice_b= 仍必须是有效的 Kling 语音 ID。对于中文 / 日文 / 韩文对话，优先选择已知能够讲该语言的 Kling 语音 ID 或克隆语音样本；如果没有匹配语言的 Kling 语音可用，请在对话中保留原始字符，并说明发音可能带有口音，而不是悄悄换用无关的 TTS 服务提供商。
• 混合语言对话：让每位主持人的台词保持简短明确。避免要求 Kling 朗读冗长的混合语言段落；将复杂名称或引语拆分到不同段落中，并让周围的英文保持简单。
• 字幕 / 字体回退：此技能默认跳过 add_captions，因为播客对话的自动转录可能会误转术语。如果用户明确要求添加字幕，请根据撰写的脚本传入手动编写的 subtitles[]，中文 / 日文 / 韩文使用 font: "noto-cjk"，并准确保留原始非拉丁文本。
• QA：交付前，如果存在非拉丁文本，请在最终结论中添加一行说明：原始字符是否在脚本中得到保留，以及所选语音是否与语言匹配或为尽力选择。

术语密集型原生音频处理

当 URL、主题、产品名称、引语或必需的脚本细节涉及专业领域或术语密集内容时，请使用本节，尤其是金融、法律、医学、AI / 加密货币、缩写、新造词、特殊产品名称、长数字或多词复合术语。Kling-omni 原生 TTS 不仅可能在自动字幕中出错，也可能在语音输出中读错新造词，因此请在付费调用 Kling 之前降低风险。

• 风险扫描：如果某一行包含多个领域专用术语、缩略词、较长数字，或嵌套的、多分句的经济学家式表达，就将该段标记为术语密集。stablecoins、unbundle 和 reassure 等示例属于关键术语，必须确保含义清晰。
• 脚本改写：在脚本状态和最终回顾中保留规范术语，但缩短围绕术语的口播内容。使用短句，拆分长分句，每位主持人的台词最多包含一两个高风险术语，并避免嵌套分句，以免 Kling 推断出听起来相似的填充词。
• 发音提示：为每一幕创建简短的高风险术语发音提示，例如 stablecoins = STAY-bul coins、unbundle = un-BUN-dul、reassure = ree-uh-SHOOR。发音提示仅用于提示元数据；不要在对话、字幕、事实内容或最终回顾中用其替代规范术语。
• 已知难读术语的修正：如果已知某个术语容易读错，或后续检查发现将其听成了近似词，就不要再次单独尝试这个难读词。将规范术语保留在幕元数据中（canonical_terms: ["unbundle"]），然后将修正后的语音词条改为简短的上下文短语，并加入便于朗读的提示／微停顿，例如 we un-bundle payments。在元数据中添加观察到的错误形式作为发音排除项，例如 unbundle = un-BUN-dul, not un-bumble。
• 已知难读术语的可发布备用方案：在付费 Kling 调用之前，如果以往 E2E 或当前后续检查发现 unbundle 等术语会发生偏差，例如被读成 unbubble、un-bumble 或 unbundable，就将其标记为已知难读术语。记录 canonical_terms 和 observed_wrong_forms。不要用 Kling 原生音频生成包含已知难读口播术语的内容。应生成不含已知难读术语原生语音词条的相关视觉幕或最终视频，然后使用规范拼写（unbundle，而非连字符提示）通过 generate_speech(text=<spoken-only script>, provider: "minimax-tts", minimax_model: "speech-2.8-hd", language: "en") 生成可控旁白。仅包含口播内容的脚本必须保留撰写好的主持人轮次顺序，但不得包含 HOST_A/HOST_B 标签、元数据、发音提示或观察到的错误形式拼写。使用 transcribe_audio(audio=<tts_audio_url>) 和 analyze_media(media=<tts_audio_url>) 对 TTS 音频进行替换前 QA；每个必需的 canonical_terms 条目都必须出现在 transcribe_audio 文本和 analyze_media 观察到的转录文本中。如果缺少规范术语，或被任何观察到的错误形式或新的近似词替代，则拒绝该 TTS。然后调用 edit_audio_replace(video_url=<final_mp4>, audio_url=<tts_audio_url>, duration_policy: "video")，丢弃原生音频并替换为可控 TTS 音轨。使用 transcribe_audio(audio=<replaced_mp4_url>) 和 analyze_media(media=<replaced_mp4_url>) 对替换后的 MP4 进行替换后 QA；每个必需的 canonical_terms 条目都必须出现在两项最终检查中，且 analyze_media 还必须验证主持人轮次顺序和音画同步是否可接受。如果任何最终检查听到错误形式、未听到规范术语，或指出备用方案破坏了播客轮次结构，则返回 not publish-ready；如果两项检查均通过，即使使用的是可控 TTS 而非 Kling 原生语音，备用方案输出仍可发布。
• 数字和缩略词：在口播表达很重要时，改用便于朗读的形式：$175B 改为 one hundred seventy-five billion dollars；除非品牌通常将其读作单词，否则将 API 写作 A P I。
• 幕提示词：在语音词条附近加入每幕的发音提示，并说明这不是对话，不应逐字朗读。要求清晰读出规范术语，不要临场改说相似词。

5. 编写脚本

编写 4 幕 × 每幕 2 句台词（HOST_A / HOST_B）。每句口播时长约为 10–12 秒。

必需（URL 模式和主题模式都适用）：

• 一个与具体细节相关的笑点（URL 模式中来自抓取的事实；主题模式中来自主题相关的说法）
• 一个“等等，其实……”式的质疑反转时刻
• 至少一次句中打断
• 自然的填充语：“okay so”“wait”“right?”“i mean”“honestly”
• 真实反应，而非泛泛赞美
• 至少提及一个实际的功能名称、价格、说法或引言
• 自然收尾，不要生硬地说“bye！”
• 如果主题属于领域知识密集、术语密集或使用自造词，在敲定每幕台词前，先处理术语密集内容的原生音频。

各幕：引子 → 功能深入讲解 → 转折 → 结论 （主题模式下对应为：引子 → 内容实质 → 转折 → 结论。）

6. 生成视频各幕（子代理，依次执行）

将所有已确定的素材和脚本交给子代理。子代理按 1→2→3→4 幕依次执行——不要并行处理。子代理必须遵循上文的长时间运行任务 task_status 轮询约定，并在等待 Kling、图像生成、语音克隆或拼接任务时，每隔 60 秒向父代理转发进度信息。

每个常规幕：调用一次 generate_reference_video（kling-v3-omni、duration=15、sound=true、quality_mode: "pro"）。每个常规幕都传入 reference_images=[bg_img, host_a_img, host_b_img]、voice_ids=[voice_a, voice_b] 和 quality_mode: "pro"；必须传入 quality_mode: "pro"，因为成本关卡按 Pro 档的 15 秒幕报价。可选参数：如果需要确保不同运行之间结果可复现，可使用 kling_model 固定具体的 Kling 系列成员。三个镜头：

• 已知难发音内容的回退例外：对于包含已知难发音口播词语的幕，将受影响的画面幕设为 sound=false，且受影响的台词不使用语音令牌。不要在任何 <<<voice_*>>> 原生语音令牌台词中包含标准写法的已知难发音词语；之后由受控 TTS 替换内容补上这些词语。对于术语密集但不属于已知难发音的幕，在该幕提示词中以非对白元数据的形式加入第 5 步提供的发音辅助信息，并在引号中的 <<<voice_*>>> 台词中保留标准写法的术语。
• 全景 5 秒：两位主持人，无语音令牌
• A 的中近景 5 秒：<<<voice_1>>> '<HOST_A line>'
• B 的中近景 5 秒：<<<voice_2>>> '<HOST_B line>'

每幕的情绪表现：

• 第 1 幕：A 兴奋，B 怀疑
• 第 2 幕：A 做手势并讲解，B 提问
• 第 3 幕：A 坚定，B 惊讶并重新考虑
• 第 4 幕：A 满意，B 认同

第 4 幕结束后，子代理调用 edit_concat([act1, act2, act3, act4])，将任何异步轮询进度转发给父代理，并返回最终视频 URL。将四个幕的 URL 保存在状态中，以便飞行后质量关卡最多只需进行一次有针对性的幕修正，而不必重新生成已通过检查的幕。

7. 输出

返回最终视频 URL 和一句话结论。默认不要调用 add_captions——Whisper 自动转录在播客对白常见的领域专有词语（产品名称、角色名称、技术术语）上并不可靠。如果用户明确要求字幕，请根据撰写好的脚本传入 subtitles[]，不要自动转录；对于 CJK / 非拉丁文本，请遵循上文的字体和保留原文指导。默认交付内容为 Kling Omni 原生音频。

飞行后质量门槛

在宣布成功之前，请对最终视频 URL 调用 analyze_media，并要求给出结构化判定：

Return JSON only: {
  "verdict": "clean" | "degraded" | "catastrophic",
  "observations": string[],
  "quality_warning": string | null,
  "re_roll_suggestion": string | null
}
Check that Host A remains on the left, Host B remains on the right, product names / persona names / topic-specific terms are not visibly garbled, the four-act podcast structure is present, and there are no black frames or wrong-host shots.
Also check the spoken audio, not only captions or visible text: product names, persona names, topic-specific terms, coined terms, and jargon must be intelligible. Flag garbled or mispronounced native audio such as "stablecoins" sounding like "stable kinds", "unbundle" sounding like "un-bumble" or "unbundable", or "reassure" losing syllables.

• 如果 verdict 为 clean，首先检查脚本状态中是否包含已知难发音词。对于已知难发音词，在接受 clean 判定之前，运行“已知难发音词可发布备用方案”，并执行替换前及替换后的 transcribe_audio / analyze_media 检查。只有替换后的 MP4 检查通过后才能返回成功。如果没有已知难发音词，则正常返回最终 URL 和一句话判定。
• 如果 verdict 因普通的非阻断性视觉问题而为 degraded，则返回最终 URL 和 quality_warning，供用户在发布前审核。
• 如果 verdict 因口语音频将术语、新造词或其他领域专用词弄得含混不清而为 degraded，则视为尚未达到发布要求，而非默默判定成功。对于已知难发音词或观察到的难词偏差，跳过原生音频的片段修正；不要将定向片段修正预算花在另一个 Kling 原生音频提示词上。直接使用“已知难发音词可发布备用方案”：调用 generate_speech(text=<spoken-only script>, provider: "minimax-tts", minimax_model: "speech-2.8-hd")，对 TTS 音频运行替换前的 transcribe_audio 和 analyze_media，然后调用 edit_audio_replace(video_url=<final_mp4>, audio_url=<tts_audio_url>, duration_policy: "video")，丢弃原生音频并替换最终 MP4 的音频。对替换后的 MP4 运行替换后的 transcribe_audio 和 analyze_media。如果这些检查通过，则返回替换后的 URL；如果备用方案检查仍报告口语术语含混不清，或者问题不够集中，无法修正或替换，则不要将播客视为已完成；返回 URL，并注明 not publish-ready、受影响的术语以及 quality_warning。仅对于非已知难发音词的含混问题，如果观察结果或 re_roll_suggestion 将问题定位到某一片段，则使用一次定向片段修正预算：通过缩短受影响的句子、拆分多分句表述、添加或改进语音发音辅助信息、更改镜头提示词、参考图像、语音 ID，或调整导致失败的其他阶段专用输入，对该片段的负载做实质性修改。以 quality_mode: "pro" 提交一个修正后的片段，将四个片段重新拼接，并再次运行此 analyze_media 检查。如果第二次判定仍报告口语术语含混不清，则不要将播客视为已完成；返回 not publish-ready。
• 如果 verdict 为 catastrophic，仅当观察结果或 re_roll_suggestion 指明某一个片段有问题、镜头中的主持人错误、出现黑屏，或存在局部视觉 / 音频故障时，才使用一次定向片段修正预算。kling-v3-omni 没有 seed，相同的片段负载可能会解析为相同的任务 / 资源。不要提交相同的 Kling 负载。重试前，通过调整脚本句子、镜头提示词、参考图像、语音 ID、发音辅助信息，或导致失败的其他阶段专用输入，对有问题片段的负载做实质性修改。以 quality_mode: "pro" 提交一个修正后的片段，将四个片段重新拼接，并再次运行此 analyze_media 检查。不得超出成本门控范围：如果第二次判定仍为 catastrophic，或者故障无法归因于某一个片段，则不要将播客视为已完成；应呈现判定和 re_roll_suggestion，而不是宣布成功。

---

规则：

• voice_ids 必须是有效的 Kling 语音 ID — 绝不要使用 Calm_Man 这类名称式字符串
• 主持人 A 始终在左侧（<<<image_2>>>），主持人 B 始终在右侧（<<<image_3>>>）— 绝不能交换

承载关键信息的短语

这些锚点可确保播客输出在 URL 模式和主题模式下都连贯一致：

短语	位置	为何是承载关键信息的内容
Host A always LEFT, Host B always RIGHT	布局和镜头提示词	防止在分别渲染的 4 个单独片段中，主持人身份互换。
4 acts × 15s each	整体结构	确保拼接结果可预测，并避免各片段节奏不均。
Hook → Feature deep-dive → The Turn → Verdict	脚本结构	让单集形成对话式的起承转合，而不是 4 段互不相干的反应。
wait, actually... 怀疑者立场反转时刻	脚本要求	通过制造转折，让播客听起来像真实交流。
Do not call add_captions	输出规则	默认避免生成质量较差的烧录字幕；用户明确要求字幕时，使用手动设置的 subtitles[] 和字体回退，而不是自动转录。

引擎选择：使用 Kling v3-omni 实现原生双主持人对话

4 个片段都使用 Kling v3-omni，因为它支持在单个镜头计划中使用 2 位参考主持人和语音令牌进行原生对话。代价是为了保持一致性，片段会依次运行，耗时可能比纯剪辑／合成流程更长。默认不要添加单独的字幕或音乐层；这项技能的价值在于原生的口语交流。

运行时间预期

完整的 4 段渲染通常需要 24-32 分钟的实际耗时：实际情况约为 25 分钟，P95 约为 32 分钟。 4 个片段会依次通过 Kling Omni 运行；这是主要耗时环节，不应描述为并行工作。 如果用户或执行框架的时间预算低于 32 分钟，应提前提醒用户，完整渲染可能无法完成，并提供 2 段／30 秒的备用方案。否则，按正常流程执行，无需确认。

步骤	实际耗时	备注
生成缺失素材	30-90s	用户已提供背景／主持人参考素材时跳过
解析 URL／主题 + 编写脚本	1-3 min	URL 模式取决于页面抓取质量
4 段 Kling 生成	24-32 min	依次调用 Kling Omni 4 次，每次约 8 分钟；是主要耗时环节
拼接 + 返回	30-90s	仅返回最终 URL；默认跳过字幕

故障模式

从 capture_website / clone_voice / generate_video / edit_concat 的上游 5xx 错误中恢复

如果任何 MCP 调用返回：

• code: "provider_5xx" 且 retry_class: "retry_after_backoff"
• 或任何上游服务商（Kling、语音克隆、抓取、存储）返回 HTTP 502 / 503 / 504

请按以下步骤操作：

1. 等待 5 秒。
2. 使用完全相同的参数，重新调用完全相同的 MCP 工具。不要改写脚本、切换语音、更换主持人参考素材、改变片段顺序，也不要重新提交不同的提示词。
3. 如果重试后仍返回 5xx，则中止并向用户说明："服务商两次返回暂时性上游错误。请在 1-2 分钟后重试；此类错误通常会自行消失。"

最多重试一次。5xx 表示暂时性服务中断，并不意味着播客主题、语音或脚本有问题。

从上游 4xx / moderation_blocked 错误中恢复

如果可选的 generate_image 辅助工具、主持人素材或 Kling 片段出现上游 4xx 或 moderation_blocked：

1. 不要使用相同输入重试；审核拦截和大多数 4xx 验证失败都是确定性的。
2. 只有在该环节明确提供备用服务商时才使用。默认的 Kling v3-omni 双主持人片段流程没有等效的备用服务商；不要用无关字幕或单人语音合成来伪造播客。
3. 向用户说明："服务商拒绝了此播客输入。请尝试更换主持人参考素材、减少对知名公众人物／品牌的明显提及，或选择更安全的主题角度。"

从上游 429（速率限制）错误中恢复

如果任何上游服务返回带有退避提示的 HTTP 429：

1. 等待提示的退避时长；如果未提供提示，则等待 30 秒。
2. 使用完全相同的参数，重新调用完全相同的 MCP 工具。
3. 最多重试一次。如果仍返回 429，则中止并向用户说明速率限制问题。

capture_website 返回空内容／页面未加载

如果 URL 模式调用 capture_website 后返回 200，但 action_bboxes 为空或 recording_viewport 为 0x0：

1. 不要重试 capture_website；页面在捕获环境中未能渲染。
2. 如果 WebFetch 返回了可用的全文文本，请勿重试 capture_website，直接继续：使用 WebFetch 提供事实依据，并使用通用视觉素材或生成的视觉素材，而不要假装损坏的页面捕获包含页面细节。
3. 如果捕获和 WebFetch 都未能提供可用的源材料，请说明：“无法捕获 。该页面可能受到拦截／付费墙限制／需要身份验证。请提供文本简介或粘贴源材料。”

如果捕获的页面明显只有首屏导航，没有文章／内容正文，只有在 WebFetch 返回了足以支撑脚本的全文时才继续；这种情况下，使用捕获内容作为视觉素材，使用 WebFetch 提供事实依据。如果捕获和 WebFetch 都未能提供可用的源材料，请要求用户粘贴源材料，而不要臆造页面深层内容。

upload_asset 网络／身份验证失败

如果 upload_asset 在将本地宿主引用、语音样本或源媒体转换为托管 URL 时失败，请勿使用本地文件系统路径继续。仅针对上述 5xx 或 429 类错误重试一次。对于 auth_error、不支持的 MIME 类型、网络故障或重试后仍失败的情况，请用户提供托管 URL 或受支持的替代文件。

长时间运行的 task_status 超出上限

每个异步 MCP 调用都会返回内联结果或 {task_id, status} 以供轮询。在判定任务卡住之前，请使用以下时限：

• Kling Omni act：每次调用 15 分钟
• 语音克隆：5 分钟
• 编辑／拼接：5 分钟

使用以下两者中较早的时限：服务提供方时限的 1.5 倍，或任何特定技能的硬性轮询上限，包括上文“长时间运行的 task_status 轮询约定”中的 15 分钟总上限。如果 task_status 返回 status: "processing" 或 status: "queued"，且超过了较早的时限，请调用 task_cancel({task_id}) 并说明：“服务提供方耗时异常；正在中止。请重试。”

示例

URL 模式（审阅网站／仓库／博客）：

/pika:podcast https://pika.art
/pika:podcast https://github.com/anthropics/claude-code
/pika:podcast https://cursor.com voice_a=876341503281471517

主题模式（自由形式的简介）：

/pika:podcast Two AI researchers debate whether AGI arrives before 2030
/pika:podcast I and a Mars-obsessed tech CEO talk about colonization timelines
/pika:podcast interview with a seed-stage VC about what kills most startups
/pika:podcast podcast about quantum computing breakthroughs in 2026

混合模式（主题提示中包含 URL——如果找到有效 URL，Agent 会优先采用 URL 模式）：

/pika:podcast podcast about https://pika.art with skeptical investor energy