refactor: narrow intake to audio-first workflow

.memory/worklog.json

@@ -1,37 +1,5 @@
 {
   "entries": [
-    {
-      "files_changed": 1,
-      "message": "Codex 会话活跃 · 最近命令：codex · 1 项未提交变更 · 最近提交：auto-save 2026-05-14 17:31 (~1)",
-      "ts": "2026-05-14T09:36:15Z",
-      "type": "session-heartbeat"
-    },
-    {
-      "files_changed": 1,
-      "hash": "c5cc460",
-      "message": "auto-save 2026-05-14 17:37 (~1)",
-      "ts": "2026-05-14T17:37:45+08:00",
-      "type": "commit"
-    },
-    {
-      "files_changed": 1,
-      "message": "Codex 会话活跃 · 最近命令：codex · 1 项未提交变更 · 最近提交：auto-save 2026-05-14 17:37 (~1)",
-      "ts": "2026-05-14T09:38:43Z",
-      "type": "session-heartbeat"
-    },
-    {
-      "files_changed": 1,
-      "hash": "43cb9d7",
-      "message": "auto-save 2026-05-14 17:43 (~1)",
-      "ts": "2026-05-14T17:43:17+08:00",
-      "type": "commit"
-    },
-    {
-      "files_changed": 1,
-      "message": "Codex 会话活跃 · 最近命令：codex · 1 项未提交变更 · 最近提交：auto-save 2026-05-14 17:43 (~1)",
-      "ts": "2026-05-14T09:46:15Z",
-      "type": "session-heartbeat"
-    },
     {
       "files_changed": 1,
       "message": "Codex 会话活跃 · 最近命令：codex · 1 项未提交变更 · 最近提交：auto-save 2026-05-14 17:43 (~1)",
@@ -3268,6 +3236,39 @@
       "message": "auto-save 2026-05-17 12:28 (~4)",
       "hash": "08f1837",
       "files_changed": 4
+    },
+    {
+      "ts": "2026-05-17T12:33:13+08:00",
+      "type": "commit",
+      "message": "feat: add automatic production start workflow",
+      "hash": "b02bc3f",
+      "files_changed": 7
+    },
+    {
+      "ts": "2026-05-17T04:38:24Z",
+      "type": "session-heartbeat",
+      "message": "Codex 会话活跃 · 最近命令：codex · 分支 main · 1 项未提交变更 · 最近提交：feat: add automatic production start workflow",
+      "files_changed": 1
+    },
+    {
+      "ts": "2026-05-17T12:44:55+08:00",
+      "type": "commit",
+      "message": "auto-save 2026-05-17 12:44 (~5)",
+      "hash": "05e9e59",
+      "files_changed": 5
+    },
+    {
+      "ts": "2026-05-17T04:48:24Z",
+      "type": "session-heartbeat",
+      "message": "Codex 会话活跃 · 最近命令：codex · 分支 main · 7 项未提交变更 · 最近提交：auto-save 2026-05-17 12:44 (~5)",
+      "files_changed": 7
+    },
+    {
+      "ts": "2026-05-17T12:50:17+08:00",
+      "type": "commit",
+      "message": "auto-save 2026-05-17 12:50 (~8)",
+      "hash": "4dc4092",
+      "files_changed": 8
     }
   ]
 }

.project.json

@@ -27,7 +27,7 @@
       "type": "web_login"
     }
   ],
-  "description": "SKG 信息流广告快速复刻分镜生产板：粘贴/上传素材后点击开始生产，自动下载、抽帧、解析音频、扫描关键元素并生成分镜初稿；用户在每张分镜卡中选择关键元素生成提取图和 6 视图，审核文案后可单条或全量生成视频候选，完整视频合成暂为待接入入口。",
+  "description": "SKG 信息流广告快速复刻第一步：粘贴 TK 链接或上传视频后点击开始，系统自动下载源视频；下载完成后优先解析原音频，提取原文案/字幕，分析讲话人、语速节奏、背景音乐/环境声/音效。抽帧、分镜、元素生成和视频合成暂保留为后续能力，不作为当前开始流程的默认动作。",
   "kind": "app",
   "name": "SKG Marketing Studio / SKG 营销内容工作台",
   "ownership": "company",

RULES.md

@@ -11,7 +11,7 @@
 - 详见 `CLAUDE.md` 立项决策段 + `.memory/plan.md` 七步管线拆解
 - 风格：`04-Dark-Gallery-Ambient`（路径：`~/Projects/research/20260305-网页风格库/04-Dark-Gallery-Ambient.md`）
 - 第一冲刺：步骤 1-4（下载 / 拆轨 / 关键帧 / ASR+翻译）
-- 当前产品方向（2026-05-17 确认）：优先做信息流广告快速复刻产出，不再把主界面做成可视化流程节点；主界面为“左侧素材输入列 + 右侧单一分镜生产板块”。用户粘贴链接或上传素材后点击“开始”，系统自动下载、抽帧、解析音频、扫描关键元素并生成分镜初稿；分镜生产板块内，每个分镜从上到下依次包含音频分镜文案、该分镜关键元素 / 抽帧生成、该分镜视频生成。用户在关键元素候选里选择后生成元素提取图和 6 视图，审核分镜规划后可单条生成或“生成全部视频”。完整视频合成入口保留为待接入能力。
+- 当前产品方向（2026-05-17 再确认）：先解决信息流广告快速复刻的第一步，不再沿用“开始后自动抽帧、分镜、元素生成、合成”的默认做法。主界面为“左侧素材输入列 + 右侧音频解析工作表”。用户粘贴 TK 链接或上传视频后点击“开始”，系统自动下载源视频；下载完成后优先提取原音频文案/字幕，并分析讲话人、语速节奏、背景音乐/环境声/音效。抽帧、分镜规划、产品融入、元素 6 视图和视频合成暂作为后续能力保留，不在当前第一步自动触发。
 
 ## 部署事实
 - 平台：VPS `76.13.31.179`（Ubuntu 24.04 / Docker Compose / Coolify Traefik）
@@ -55,11 +55,11 @@
 - `ASR_FALLBACK_MODEL`：当当前网关没有 `/audio/transcriptions` 时，用 Gemini 多模态 chat 直接识别 wav，默认 `gemini-2.5-flash`
 - `TRANSLATE_MODEL`：字幕翻译模型，默认 `gemini-2.5-flash`
 - `REWRITE_MODEL`：通用改写/分镜描述模型，默认 `gemini-2.5-pro`
-- `AUDIO_REWRITE_MODEL`：音频口播改写模型，默认跟随 `REWRITE_MODEL`；当前产物要求按原音频时长输出英文 SKG 产品介绍 voice-over
+- `AUDIO_REWRITE_MODEL`：后续音频口播改写模型，默认跟随 `REWRITE_MODEL`；当前第一步不默认调用口播改写，只保留原文案和声音分析
 - `AUDIO_PRODUCT_BRIEF`：音频口播改写时注入的 SKG 产品卖点
-- `MINIMAX_API_KEY`：MiniMax T2A 配音 Key，只能放本地 `api/.env`，不能入库
-- `MINIMAX_TTS_BASE_URL` / `MINIMAX_TTS_MODEL` / `MINIMAX_TTS_VOICE_ID`：MiniMax 配音端点、模型和兜底音色配置
-- `MINIMAX_TTS_VOICE_POOL`：MiniMax 英文随机音色池；当前默认男声 `English_magnetic_voiced_man`、女声 `English_Upbeat_Woman`、成熟声 `English_MaturePartner`
+- `MINIMAX_API_KEY`：MiniMax T2A 配音 Key，只能放本地 `api/.env`，不能入库；当前第一步暂不默认调用
+- `MINIMAX_TTS_BASE_URL` / `MINIMAX_TTS_MODEL` / `MINIMAX_TTS_VOICE_ID`：MiniMax 配音端点、模型和兜底音色配置，供后续新配音阶段使用
+- `MINIMAX_TTS_VOICE_POOL`：MiniMax 英文随机音色池；当前默认男声 `English_magnetic_voiced_man`、女声 `English_Upbeat_Woman`、成熟声 `English_MaturePartner`，供后续新配音阶段使用
 - `POE_API_KEY` / `VIDEO_API_KEY`：视频生成通道 Key，只能放本地环境变量
 - `WEB_AUTH_USERNAME` / `WEB_AUTH_PASSWORD` / `WEB_AUTH_SESSION_SECRET`：生产网页登录和会话签名配置；密码和 session secret 只放服务器环境变量，不入库
 - 生产环境变量：服务器只使用 `deploy/.env.production`，模板为 `deploy/.env.production.example`；真实 Key 不入库

api/main.py

@@ -146,7 +146,7 @@ def llm() -> OpenAI:
     return _llm_client
 
 # Pipeline 状态：
-#   created → downloading → downloaded（停，等用户点解析/提取音频）
+#   created → downloading → downloaded（前端“开始”会继续触发音频解析）
 #         → splitting → frames_extracted
 #         → transcribing → transcribed | failed
 JobStatus = Literal[
@@ -437,6 +437,7 @@ class AudioScript(BaseModel):
     rewritten_text: str = ""
     speaker_profile: str = ""
     rhythm_profile: str = ""
+    background_audio_profile: str = ""
     product_brief: str = ""
     rewrite_model: str = ""
     voice_provider: str = ""
@@ -1392,7 +1393,7 @@ def media_duration(path: Path) -> float:
 
 
 def pipeline_download(job_id: str) -> None:
-    """阶段 1：仅下载（或上传跳过），落 source.mp4，停在 downloaded 等用户点解析/提取音频。"""
+    """阶段 1：仅下载（或上传跳过），落 source.mp4；前端开始流程会在 downloaded 后触发音频解析。"""
     job = JOBS[job_id]
     d = job_dir(job_id)
     try:
@@ -1423,7 +1424,7 @@ def pipeline_download(job_id: str) -> None:
             height=int(v_stream["height"]) if v_stream else 0,
             progress=25,
             error="",
-            message=f"视频就绪 · {duration:.1f}s · 等待解析",
+            message=f"视频就绪 · {duration:.1f}s · 等待音频解析",
         )
     except Exception as e:
         update(job, status="failed", error=str(e), message="下载失败")
@@ -1785,6 +1786,91 @@ def _audio_delivery_profile(segments: list[TranscriptSegment], target_seconds: f
     return speaker, rhythm
 
 
+def _fallback_audio_profile(segments: list[TranscriptSegment], target_seconds: float = 0.0) -> tuple[str, str, str]:
+    duration = max(float(target_seconds or 0), _segment_duration(segments), 0.0)
+    words = sum(len([w for w in s.en.replace("\n", " ").split(" ") if w.strip()]) for s in segments)
+    sentence_count = len([s for s in segments if (s.en or s.zh).strip()])
+    wpm = int(round(words / max(duration, 1.0) * 60)) if words else 0
+    avg_sentence = duration / sentence_count if sentence_count else 0.0
+    speaker = "检测到短视频口播人声；当前仅能根据转写段落估算，未做声纹克隆。"
+    rhythm = (
+        f"音频约 {duration:.1f}s，{sentence_count} 个文案段，语速约 {wpm} wpm，平均每段 {avg_sentence:.1f}s。"
+        if duration > 0 and sentence_count
+        else "音频节奏信息不足；等待模型返回更完整的语速和停顿分析。"
+    )
+    background = "背景音待模型细分；当前已保留原音频文件，可继续用于音乐、人声和环境声判断。"
+    return speaker, rhythm, background
+
+
+def _audio_profile_model_sync(wav: Path, segments: list[TranscriptSegment], target_seconds: float = 0.0) -> tuple[str, str, str]:
+    fallback = _fallback_audio_profile(segments, target_seconds)
+    if not LLM_API_KEY or not wav.exists():
+        return fallback
+    transcript = _transcript_join(segments, "en") or _transcript_join(segments, "zh") or "No reliable transcript."
+    try:
+        audio_b64 = base64.b64encode(wav.read_bytes()).decode("ascii")
+    except Exception:
+        return fallback
+    prompt = (
+        "Analyze this short-video audio for an ad recreation workflow. Return strict JSON only, no markdown.\n"
+        "Fields:\n"
+        "- speaker_profile: describe speaker count, likely gender/age range if audible, tone, energy, accent/language, confidence.\n"
+        "- rhythm_profile: describe pacing, pauses, speech density, segment rhythm, and timing pattern.\n"
+        "- background_audio_profile: describe music, background sound, ambience, SFX, loudness relationship to voice, and whether it should be recreated or replaced.\n"
+        "Do not invent an exact identity. If uncertain, state uncertainty.\n\n"
+        f"Known transcript/timestamps:\n{transcript[:5000]}"
+    )
+    last_error: Exception | None = None
+    for attempt in range(2):
+        try:
+            resp = llm().chat.completions.create(
+                model=ASR_FALLBACK_MODEL,
+                messages=[{"role": "user", "content": [
+                    {"type": "text", "text": prompt},
+                    {"type": "input_audio", "input_audio": {"data": audio_b64, "format": "wav"}},
+                ]}],
+                response_format={"type": "json_object"},
+                temperature=0.1,
+                max_tokens=900,
+            )
+            content = (resp.choices[0].message.content or "").strip()
+            data = json.loads(content)
+            speaker = str(data.get("speaker_profile") or "").strip()
+            rhythm = str(data.get("rhythm_profile") or "").strip()
+            background = str(data.get("background_audio_profile") or "").strip()
+            if speaker or rhythm or background:
+                return (
+                    speaker or fallback[0],
+                    rhythm or fallback[1],
+                    background or fallback[2],
+                )
+        except Exception as e:
+            last_error = e
+            if attempt == 0:
+                time.sleep(1.0)
+    if last_error:
+        print(f"[audio profile fallback] {last_error}", flush=True)
+    return fallback
+
+
+def _build_audio_intake_sync(job_id: str, wav: Path, segments: list[TranscriptSegment], target_seconds: float = 0.0) -> AudioScript:
+    source_text = _transcript_join(segments, "en")
+    source_zh = _transcript_join(segments, "zh")
+    duration = max(float(target_seconds or 0), _segment_duration(segments), 0.0)
+    speaker_profile, rhythm_profile, background_audio_profile = _audio_profile_model_sync(wav, segments, duration)
+    return AudioScript(
+        status="completed",
+        source_text=source_text,
+        source_zh=source_zh,
+        speaker_profile=speaker_profile,
+        rhythm_profile=rhythm_profile,
+        background_audio_profile=background_audio_profile,
+        product_brief=AUDIO_PRODUCT_BRIEF,
+        rewrite_model=ASR_FALLBACK_MODEL,
+        created_at=time.time(),
+    )
+
+
 def _rewrite_audio_script_sync(segments: list[TranscriptSegment], target_seconds: float = 12.0) -> tuple[str, str]:
     fallback = _fallback_audio_script(segments, target_seconds)
     if not LLM_API_KEY:
@@ -1980,21 +2066,21 @@ def pipeline_transcribe(job_id: str, manage_job_status: bool = True) -> None:
                     status="rewriting",
                     source_text=_transcript_join(mock, "en"),
                     source_zh=_transcript_join(mock, "zh"),
+                    speaker_profile="正在分析原音频讲话人和口播节奏…",
+                    rhythm_profile="正在按原音频时长、语速和停顿分析口播节奏…",
+                    background_audio_profile="正在分析背景音乐、环境声和音效…",
                     product_brief=AUDIO_PRODUCT_BRIEF,
-                    rewrite_model=AUDIO_REWRITE_MODEL,
-                    voice_provider="minimax",
-                    voice_model=MINIMAX_TTS_MODEL,
-                    voice_id="random:" + ",".join(MINIMAX_TTS_VOICE_POOL or [MINIMAX_TTS_VOICE_ID]),
+                    rewrite_model=ASR_FALLBACK_MODEL,
                 ),
             }
             if manage_job_status:
-                update_kwargs.update(message="ASR mock 完成，生成 SKG 英文产品口播…", progress=92)
+                update_kwargs.update(message="ASR mock 完成，分析声音和背景音…", progress=92)
             update(job, **update_kwargs)
-            audio_script = _build_audio_script_sync(job_id, mock, target_duration)
+            audio_script = _build_audio_intake_sync(job_id, wav, mock, target_duration)
             if manage_job_status:
                 update(job, transcript=mock, status="transcribed", progress=100,
                        audio_script=audio_script,
-                       message="转录完成（MOCK · 未设 LLM_API_KEY）")
+                       message="音频解析完成（MOCK · 未设 LLM_API_KEY）")
             else:
                 update(job, transcript=mock, audio_script=audio_script)
             return
@@ -2046,21 +2132,21 @@ def pipeline_transcribe(job_id: str, manage_job_status: bool = True) -> None:
                 status="rewriting",
                 source_text=_transcript_join(full, "en"),
                 source_zh=_transcript_join(full, "zh"),
+                speaker_profile="正在分析原音频讲话人和口播节奏…",
+                rhythm_profile="正在按原音频时长、语速和停顿分析口播节奏…",
+                background_audio_profile="正在分析背景音乐、环境声和音效…",
                 product_brief=AUDIO_PRODUCT_BRIEF,
-                rewrite_model=AUDIO_REWRITE_MODEL,
-                voice_provider="minimax",
-                voice_model=MINIMAX_TTS_MODEL,
-                voice_id="random:" + ",".join(MINIMAX_TTS_VOICE_POOL or [MINIMAX_TTS_VOICE_ID]),
+                rewrite_model=ASR_FALLBACK_MODEL,
             ),
         }
         if manage_job_status:
-            update_kwargs.update(message="翻译完成，生成 SKG 英文产品口播与 MiniMax 配音…", progress=94)
+            update_kwargs.update(message="翻译完成，分析讲话人、节奏和背景音…", progress=94)
         update(job, **update_kwargs)
-        audio_script = _build_audio_script_sync(job_id, full, target_duration)
+        audio_script = _build_audio_intake_sync(job_id, wav, full, target_duration)
         if manage_job_status:
             update(job, transcript=full, status="transcribed", progress=100,
                    audio_script=audio_script,
-                   message=f"转录完成 · {len(full)} 段（{ASR_MODEL} + {TRANSLATE_MODEL}）")
+                   message=f"音频解析完成 · {len(full)} 段（{ASR_MODEL} + {TRANSLATE_MODEL} + {ASR_FALLBACK_MODEL} 音频分析）")
         else:
             update(job, transcript=full, audio_script=audio_script)
 
@@ -2498,12 +2584,10 @@ async def trigger_transcribe(job_id: str, bg: BackgroundTasks) -> Job:
     audio_payload = AudioScript(
         status="rewriting",
         speaker_profile="正在分析原音频讲话人和口播节奏…",
-        rhythm_profile="正在按原音频时长、语速和停顿生成 SKG 产品配音脚本…",
+        rhythm_profile="正在按原音频时长、语速和停顿分析口播节奏…",
+        background_audio_profile="正在分析背景音乐、环境声和音效…",
         product_brief=AUDIO_PRODUCT_BRIEF,
-        rewrite_model=AUDIO_REWRITE_MODEL,
-        voice_provider="minimax",
-        voice_model=MINIMAX_TTS_MODEL,
-        voice_id="random:" + ",".join(MINIMAX_TTS_VOICE_POOL or [MINIMAX_TTS_VOICE_ID]),
+        rewrite_model=ASR_FALLBACK_MODEL,
     )
     if manage_job_status:
         update(job, status="transcribing", progress=max(45, min(job.progress, 70)), error="", message="准备提取音频…", audio_script=audio_payload)

docs/source-analysis.html

@@ -485,7 +485,7 @@
         <h2>这个页面是产品协作地图，不是应用功能页。</h2>
         <p>
           它把“你看到的界面、你想改的功能、实际要动的源码、可能影响的数据和接口”放在同一个地方。
-          后续描述需求时，可以直接说“改素材输入列 / 某个分镜卡片 / 某个接口行为”，这样改动范围会更准，也更容易追踪每次变更带来的影响。
+          后续描述需求时，可以直接说“改素材输入列 / 音频解析工作表 / 某个接口行为”，这样改动范围会更准，也更容易追踪每次变更带来的影响。
         </p>
         <div class="meta-grid">
           <div class="meta"><b>项目路径</b><span>/Users/kangwan/Projects/business/20260512-20260512-skg-tk-二创验证</span></div>
@@ -500,7 +500,7 @@
         <div class="grid-3">
           <div class="card">
             <h3>1. 先说你在改哪个产品区</h3>
-            <p>例如“素材输入列”、“分镜生产板块”、“分镜卡片里的音频文案层 / 关键元素层 / 视频生成层”。不要只说“这里乱”，要指向页面里的功能区。</p>
+            <p>例如“素材输入列”、“音频解析工作表”、“逐句时间轴 / 讲话人分析 / 背景音分析”。不要只说“这里乱”，要指向页面里的功能区。</p>
           </div>
           <div class="card">
             <h3>2. 再说这个区应该承担什么职责</h3>
@@ -569,12 +569,12 @@
 
       <section id="pipeline" data-search>
         <h2>业务管线</h2>
-        <p>当前产品方向收敛为“信息流广告快速复刻分镜生产板”：主界面左侧是素材输入列，右侧是单一分镜生产板块。用户粘贴链接或上传素材后点击“开始”，系统自动下载、抽帧、解析音频、扫描关键元素并生成分镜初稿；每个分镜卡片从上到下对应音频分镜文案、该分镜关键元素 / 抽帧生成、该分镜视频生成。用户在关键元素候选里选择后生成元素提取图和 6 视图，审核分镜规划后可单条生成或“生成全部视频”。它不再保留单独的右侧空白画布，也不再把音频、元素和合成拆成多列。</p>
+        <p>当前产品方向已收窄为“信息流广告快速复刻第一步”：主界面左侧是素材输入列，右侧是音频解析工作表。用户粘贴 TK 链接或上传视频后点击“开始”，系统自动下载源视频；下载完成后优先提取原音频文案/字幕，并分析讲话人、语速节奏、背景音乐/环境声/音效。抽帧、分镜规划、产品融入、元素 6 视图和视频合成暂作为后续能力保留，不在当前开始流程里自动触发。</p>
         <div class="pipeline">
-          <div class="step"><div class="num">1</div><h3>开始生产</h3><p>TK / 信息流视频链接或本地上传；点击“开始”后创建任务，下载完成后自动进入抽帧和音频处理。</p></div>
-          <div class="step"><div class="num">2</div><h3>自动规划</h3><p>抽帧后逐帧 Vision 扫描关键元素，同时音频按原时长、语速和停顿生成 SKG 英文产品口播与配音。</p></div>
-          <div class="step"><div class="num">3</div><h3>人工选择元素</h3><p>每张分镜卡展示候选元素；用户选择后生成独立提取图和 6 视图，作为后续产品融合/视频生成参考。</p></div>
-          <div class="step"><div class="num">4</div><h3>单条 / 全量生成</h3><p>审核分镜文案后，可在单张分镜内生成视频，也可点击“生成全部视频”；生成时默认带入四张 SKG 产品角度图。</p></div>
+          <div class="step"><div class="num">1</div><h3>导入素材</h3><p>粘贴 TK / 信息流视频链接或上传本地视频；“开始”只把任务放入第一步队列。</p></div>
+          <div class="step"><div class="num">2</div><h3>下载源视频</h3><p>后端用 yt-dlp 或本地上传文件落 <code>source.mp4</code>，记录时长、尺寸和视频只读地址。</p></div>
+          <div class="step"><div class="num">3</div><h3>解析音频</h3><p>从 <code>source.mp4</code> 提取 <code>audio.wav</code>，ASR 提取原文案，翻译成中文，并写入逐句时间轴。</p></div>
+          <div class="step"><div class="num">4</div><h3>声音分析</h3><p>用音频模型分析讲话人、口播节奏、停顿、背景音乐/环境声/音效；不默认改写配音或生成视频。</p></div>
         </div>
       </section>
 
@@ -587,8 +587,8 @@
               <tbody>
                 <tr><td><code>web/next.config.mjs</code></td><td>Next.js 构建配置：静态导出、图片不走优化、禁用开发环境左下角 Next Dev Indicator，并移除 Next 16 已不支持的 <code>eslint</code> 顶层配置，避免本地 dev 出现配置 Issue 提示。</td></tr>
                 <tr><td><code>web/app/globals.css</code></td><td>全局主题变量、登录页视觉样式、ReactFlow 样式引用，以及本地开发态 <code>nextjs-portal</code> 遮挡隐藏规则。</td></tr>
-                <tr><td><code>web/app/page.tsx</code></td><td>产品工作台主状态：jobs、activeJobId、按 job 隔离的 selectedFrames/音频条/生成任务状态；主渲染为全屏素材输入列 + 分镜生产板块；新增“开始生产”编排状态，负责下载完成后自动触发抽帧、音频处理、逐帧 Vision 扫描和分镜初稿保存；视频生成时默认复制四张 SKG 产品角度图作为参考。</td></tr>
-                <tr><td><code>web/components/ad-recreation-board.tsx</code></td><td>信息流广告分镜生产板：左侧素材输入；右侧按分镜纵向排列，每张分镜卡内部依次承载音频分镜文案、关键元素 / 抽帧生成、视频生成候选；关键元素候选可点击生成提取图 + 6 视图；支持单条生成和“生成全部视频”。</td></tr>
+                <tr><td><code>web/app/page.tsx</code></td><td>产品工作台主状态：jobs、activeJobId、按 job 隔离的音频条/生成任务状态；主渲染为全屏素材输入列 + 音频解析工作表；“开始”编排状态只负责在下载完成后自动触发 <code>triggerTranscribe</code>，不再默认触发抽帧、Vision 扫描或分镜初稿保存。</td></tr>
+                <tr><td><code>web/components/ad-recreation-board.tsx</code></td><td>信息流广告音频解析工作表：左侧素材输入；右侧展示视频下载状态、原文案/中文翻译、讲话人/节奏/背景音分析和逐句时间轴。旧分镜卡、抽帧控制和视频生成组件仍保留在文件里，但当前主路径不渲染。</td></tr>
                 <tr><td><code>web/app/login/page.tsx</code></td><td>生产登录页：访问账号/访问密钥表单、保持登录、错误/成功状态；当前只在原版 Digital Oasis 动态背景上叠加一个组合登录框，桌面端左侧是动态角色，右侧是图标化登录表单；面板左上角展示官网 SKG 字标和中文“营销内容工作台”系统标识。</td></tr>
                 <tr><td><code>web/app/login/layout.tsx</code></td><td>登录路由专属 layout：覆盖全站默认网页标题和描述为空，避免 <code>/login</code> 继承工作台 metadata 后在页面源码里继续出现登录界面文字以外的文案。</td></tr>
                 <tr><td><code>web/components/login/oasis-canvas.tsx</code></td><td>登录页全屏动态视觉层：用 iframe 直接承载下载包 <code>web/public/oasis-source/index.html</code> 的原 WebGPU / Three.js 草场源码；父级登录页只覆盖自己的文案和表单，并在捕获阶段把全局鼠标坐标同时用原生事件和 <code>postMessage</code> 转发给 iframe，避免登录面板或输入框遮挡时草地失去鼠标响应。</td></tr>
@@ -596,7 +596,7 @@
                 <tr><td><code>web/public/skg-logo-black.svg</code></td><td>从官网 <code>https://cn.skg.com/logo-black.svg</code> 获取的 SKG 官方黑色 SVG 字标；登录页通过 CSS 反相成白色玻璃标识使用。</td></tr>
                 <tr><td><code>web/components/login/animated-login-characters.tsx</code></td><td>登录页四个几何动态角色组件：当前嵌入登录框顶部，去掉独立网格背景，保留鼠标眼神跟随、输入、显示密码、错误和成功状态反馈。</td></tr>
                 <tr><td><code>web/components/nodes/index.tsx</code></td><td>旧 DAG 节点和深度素材面板定义仍保留，当前主界面不再把这些节点挂到画布上。</td></tr>
-                <tr><td><code>web/components/audio-strip.tsx</code></td><td>底部吸附音频条：可拖拽调整高度；播放原音频时移动指针，逐个高亮英文/中文字幕节点和对应波形，并在右侧固定显示按原音频时长生成的 SKG 英文产品口播和 MiniMax 随机英文配音。</td></tr>
+                <tr><td><code>web/components/audio-strip.tsx</code></td><td>底部吸附音频条：可拖拽调整高度；播放原音频时移动指针，逐个高亮英文/中文字幕节点和对应波形，并在右侧固定显示原文案、中文翻译、讲话人、节奏和背景音分析。</td></tr>
                 <tr><td><code>web/components/lightbox.tsx</code></td><td>关键帧素材准备面板：清洗、统一主体候选、参考帧网格、六张主体重绘图、每帧去主体场景图、纵向 6 行产品融合镜头工作表和审核。</td></tr>
                 <tr><td><code>web/components/product-library-picker.tsx</code></td><td>SKG 内置白底产品图库选择器：搜索、品类筛选、预览尺寸，并把库内图片复制为当前 job 的 <code>asset</code>。</td></tr>
                 <tr><td><code>web/components/storyboard-bar.tsx</code></td><td>顶部分镜编排条：展示选入编排的关键帧，并作为唯一分镜导航。</td></tr>
@@ -609,7 +609,7 @@
             <h3>后端核心</h3>
             <table>
               <tbody>
-                <tr><td><code>api/main.py</code></td><td>FastAPI 单文件后端：登录会话、状态模型、任务恢复、下载、抽帧、Vision、清洗、元素、分镜、音频文案改写、MiniMax 英文配音、文件返回。</td></tr>
+                <tr><td><code>api/main.py</code></td><td>FastAPI 单文件后端：登录会话、状态模型、任务恢复、下载、抽帧、Vision、清洗、元素、分镜、原音频转写/翻译、声音与背景音分析、后续口播改写/TTS、文件返回。</td></tr>
                 <tr><td><code>api/product_library/skg-products</code></td><td>内置 SKG 白底产品图库：<code>manifest.json</code> 记录从桌面产品图筛出的 gallery 白底图和桌面 4 张产品角度图，<code>images/</code> 存 45 张参考图。</td></tr>
                 <tr><td><code>jobs/&lt;jobId&gt;/state.json</code></td><td>运行时状态文件，不在源码列表里，但刷新恢复依赖它。</td></tr>
                 <tr><td><code>jobs/&lt;jobId&gt;/audio.wav</code></td><td>拆轨得到的原始音频，底部 Audio Strip 会通过只读接口拉取并在浏览器里解码成波形峰值。</td></tr>
@@ -623,18 +623,17 @@
         </div>
         <pre>前端主链路：
 web/app/page.tsx
-  -> 分镜生产板：web/components/ad-recreation-board.tsx
-  -> 开始生产：创建/激活 job → 自动抽帧 → 自动音频处理 → 自动 Vision 扫描 → 自动写入分镜初稿
-  -> 左侧素材输入列 + 右侧分镜卡片列表
-  -> 每张分镜卡：音频分镜文案 → 候选元素选择 / 提取图 / 6 视图 → 单条或全部视频生成
-  -> 底部音频条：web/components/audio-strip.tsx（原音频播放 / 指针 / 英文 / 中文 / 波形 / 英文改写稿）
+  -> 音频解析工作表：web/components/ad-recreation-board.tsx
+  -> 开始：创建/激活 job → 下载完成后自动触发音频处理
+  -> 左侧素材输入列 + 右侧原文案/中文翻译/声音背景音分析/逐句时间轴
+  -> 底部音频条：web/components/audio-strip.tsx（原音频播放 / 指针 / 英文 / 中文 / 波形 / 声音分析）
   -> 旧节点/深度素材面板：web/components/nodes/index.tsx、web/components/lightbox.tsx、web/components/storyboard-workbench.tsx（底层保留，当前不作为主入口）
   -> API 契约：web/lib/api.ts
 
 后端主链路：
 api/main.py
   -> Job / KeyFrame / KeyElement / StoryboardScene / AudioScript
-  -> 下载 / 上传 / 抽帧 / Vision / 清洗 / 元素提取 / 分镜保存 / 音频文案改写 / MiniMax 英文配音
+  -> 下载 / 上传 / 音频提取 / ASR / 翻译 / 声音背景音分析 / 抽帧 / Vision / 清洗 / 元素提取 / 分镜保存 / 后续音频改写与 MiniMax 英文配音
   -> jobs/&lt;jobId&gt;/state.json + 图片文件落盘</pre>
       </section>
 
@@ -642,14 +641,14 @@ api/main.py
         <h2>界面区域到源码</h2>
         <div class="flow">
           <div class="flow-row">
-            <div><strong>你看到的区域</strong><span>信息流广告分镜生产板</span></div>
+            <div><strong>你看到的区域</strong><span>信息流广告音频解析工作表</span></div>
             <div><strong>主要源码</strong><span><code>AdRecreationBoard</code> in <code>web/components/ad-recreation-board.tsx</code>；状态、轮询和接口回写仍在 <code>web/app/page.tsx</code>。</span></div>
-            <div><strong>适合怎么描述</strong><span>“开始生产后哪些步骤自动跑、素材输入列、分镜生产板块、分镜卡片的文案/元素/视频生成层要如何调整”。</span></div>
+            <div><strong>适合怎么描述</strong><span>“素材输入列、开始后的自动下载/音频解析、原文案/翻译/声音背景音结果怎么展示”。</span></div>
           </div>
           <div class="flow-row">
-            <div><strong>你看到的区域</strong><span>单个分镜卡片</span></div>
-            <div><strong>主要源码</strong><span><code>StoryboardSegmentCard</code> 和 <code>DraftSegmentCard</code> in <code>web/components/ad-recreation-board.tsx</code>；复用 <code>updateStoryboard</code>、<code>addElement</code>、<code>cutoutElement</code>、<code>generateSubjectAssets</code>、<code>generateStoryboardVideo</code> 等接口。</span></div>
-            <div><strong>适合怎么描述</strong><span>“每个分镜内部音频文案、关键元素和视频生成候选从上到下应该怎么对应”。</span></div>
+            <div><strong>你看到的区域</strong><span>音频解析结果表</span></div>
+            <div><strong>主要源码</strong><span><code>AudioIntakePanel</code> / <code>AudioIntakeStatus</code> in <code>web/components/ad-recreation-board.tsx</code>；复用 <code>triggerTranscribe</code> 和 <code>AudioScript</code>。</span></div>
+            <div><strong>适合怎么描述</strong><span>“原始文案、中文翻译、讲话人、节奏、背景音、逐句时间轴还需要哪些字段”。</span></div>
           </div>
           <div class="flow-row">
             <div><strong>你看到的区域</strong><span>旧深度素材面板（当前不作为主路径）</span></div>
@@ -725,7 +724,7 @@ api/main.py
           </div>
           <div class="card">
             <h3>AudioScript</h3>
-            <p>音频文案轨的结构化产物。<code>pipeline_transcribe</code> 提取 <code>audio.wav</code> 后按原音频秒数写入 SKG 英文产品介绍 voice-over，再用 MiniMax T2A 从英文音色池随机生成配音文件。</p>
+            <p>第一步音频解析的结构化产物。<code>pipeline_transcribe</code> 提取 <code>audio.wav</code> 后先保存原始转写、中文翻译、讲话人画像、口播节奏和背景音乐/环境声/音效分析。<code>rewritten_text</code>、<code>voice_url</code> 等字段仍保留给后续新配音阶段，当前第一步不默认写入。</p>
             <pre>AudioScript {
   status: idle | rewriting | completed | failed,
   source_text,
@@ -733,6 +732,7 @@ api/main.py
   rewritten_text,
   speaker_profile,
   rhythm_profile,
+  background_audio_profile,
   product_brief,
   rewrite_model,
   voice_provider: minimax,
@@ -814,13 +814,13 @@ SubjectAsset {
           <tbody>
             <tr><td>网页登录</td><td><code>POST /auth/login</code>、<code>GET /auth/check</code>、<code>POST /auth/logout</code></td><td><code>web/app/login/page.tsx</code>、Nginx <code>auth_request</code></td><td>登录页提交账号密码到 <code>/api/auth/login</code>，后端设置 HttpOnly 会话 Cookie；生产 Nginx 对工作台和 <code>/api/</code> 调 <code>/auth/check</code> 做统一校验，未登录页面跳 <code>/login/</code>，API 返回 JSON 401。</td></tr>
             <tr><td>历史列表</td><td><code>GET /jobs</code></td><td><code>listJobs</code></td><td>所有 job 精简列表（id/url/status/thumbnail/mtime…），按 state.json mtime 倒序。前端 URL 无 <code>?job=</code> 时拉它回填全部历史；带 <code>limit</code> 可截断。</td></tr>
-            <tr><td>创建任务</td><td><code>POST /jobs</code></td><td><code>createJob</code></td><td>提交 TK 链接，后台开始下载，停在 downloaded 等用户点解析。</td></tr>
-            <tr><td>上传视频</td><td><code>POST /jobs/upload</code></td><td><code>uploadJob</code></td><td>保存 source.mp4，然后同样进入下载完成状态。</td></tr>
+            <tr><td>创建任务</td><td><code>POST /jobs</code></td><td><code>createJob</code></td><td>提交 TK 链接，后台开始下载；前端“开始”队列会在 downloaded 后自动触发音频解析。</td></tr>
+            <tr><td>上传视频</td><td><code>POST /jobs/upload</code></td><td><code>uploadJob</code></td><td>保存 source.mp4，然后同样进入下载完成状态；当前上传后也加入第一步队列，下载完成后自动解析音频。</td></tr>
             <tr><td>删除输入视频</td><td><code>DELETE /jobs/{id}</code></td><td><code>deleteJob</code></td><td>从任务队列、URL 和磁盘 <code>jobs/&lt;id&gt;</code> 目录移除整个 job，包括源视频、关键帧、元素提取图和生成视频。</td></tr>
-            <tr><td>解析视频</td><td><code>POST /jobs/{id}/analyze?frames=&amp;target=&amp;mode=&amp;quality=</code></td><td><code>analyzeJob</code></td><td>拆轨 + 目标化抽关键帧。默认 <code>frames=12</code>；<code>target</code> 支持透明骨架人、综合、清晰主体、转场变化、表情瞬间、动作峰值；当前 UI 默认 <code>transparent_human</code>。透明骨架人目标现在只走本地清晰度、中心主体、对比度、画面变化和 pHash 去重，不在抽帧阶段逐帧调用 Vision；<code>mode=append</code> 追加新关键帧；<code>quality=auto</code> 为展示友好档，最高只自动选择精细，不会自动上极准；极准保留为手动选择。抽帧开始时同步拆出 <code>audio.wav</code> 并启动音频处理线程。多个抽帧请求进入后端队列顺序处理。</td></tr>
-            <tr><td>音频文案轨</td><td><code>POST /jobs/{id}/transcribe</code></td><td><code>triggerTranscribe</code></td><td>若尚未拆轨，先从 <code>source.mp4</code> 提取 <code>audio.wav</code> 并回填 <code>source_audio_url</code>；随后用原音频实际秒数估算英文词数，按 <code>AUDIO_PRODUCT_BRIEF</code> 生成有趣、自然的 SKG 英文产品介绍 <code>audio_script.rewritten_text</code>，并写入 <code>speaker_profile</code> 与 <code>rhythm_profile</code> 作为讲话人 / 节奏参考。ASR/翻译结果保留为改前对照；如果 ASR 不可用，也会用原音频时长继续生成产品口播。配置 <code>MINIMAX_API_KEY</code> 后调用 MiniMax T2A，并从 <code>MINIMAX_TTS_VOICE_POOL</code> 随机选择男声、女声或成熟声生成 <code>audio_script.voice_url</code>。</td></tr>
+            <tr><td>解析视频</td><td><code>POST /jobs/{id}/analyze?frames=&amp;target=&amp;mode=&amp;quality=</code></td><td><code>analyzeJob</code></td><td>后续阶段保留的抽帧能力。默认 <code>frames=12</code>；<code>target</code> 支持透明骨架人、综合、清晰主体、转场变化、表情瞬间、动作峰值。当前第一步主流程不自动调用该接口。</td></tr>
+            <tr><td>音频文案轨</td><td><code>POST /jobs/{id}/transcribe</code></td><td><code>triggerTranscribe</code></td><td>若尚未拆轨，先从 <code>source.mp4</code> 提取 <code>audio.wav</code> 并回填 <code>source_audio_url</code>；随后用 ASR 提取原始文案，翻译成中文，写入 <code>audio_script.source_text</code>、<code>source_zh</code> 和逐句 <code>transcript</code>。再用 <code>ASR_FALLBACK_MODEL</code> 多模态音频分析讲话人、语速节奏、停顿、背景音乐/环境声/音效，写入 <code>speaker_profile</code>、<code>rhythm_profile</code>、<code>background_audio_profile</code>。当前第一步不默认生成 SKG 新口播和 MiniMax 配音。</td></tr>
             <tr><td>原始音频文件</td><td><code>GET /jobs/{id}/audio.wav</code></td><td><code>sourceAudioUrl</code></td><td>返回拆轨得到的 wav；底部 <code>AudioStrip</code> 拉取该文件，用 Web Audio API 解码并计算波形峰值。原音频播放器驱动时间轴，播放时全局指针和当前字幕节点内指针同步移动。</td></tr>
-            <tr><td>改写配音文件</td><td><code>GET /jobs/{id}/audio-script.mp3</code></td><td><code>apiAssetUrl(job.audio_script.voice_url)</code></td><td>返回 MiniMax T2A 生成的英文 mp3。没有配置 MiniMax 或生成失败时该文件不存在，但英文改写文案仍会保存在 <code>audio_script.rewritten_text</code>。</td></tr>
+            <tr><td>改写配音文件</td><td><code>GET /jobs/{id}/audio-script.mp3</code></td><td><code>apiAssetUrl(job.audio_script.voice_url)</code></td><td>后续新配音阶段保留的 MiniMax T2A 产物。当前第一步不默认生成该文件。</td></tr>
             <tr><td>手动加帧</td><td><code>POST /jobs/{id}/frames?t=</code></td><td><code>addManualFrame</code></td><td>按视频时间戳抽一帧，index 递增但 frames 按 timestamp 排序。</td></tr>
             <tr><td>Vision 识别</td><td><code>POST /frames/{idx}/describe</code></td><td><code>describeFrame</code></td><td>写入 frame.description，后续可从 objects 加候选元素。</td></tr>
             <tr><td>清洗水印</td><td><code>POST /frames/{idx}/cleanup</code></td><td><code>cleanupFrame</code></td><td>支持全图和区域清洗，生成 cleaned 待应用版本；前端批量清洗会顺序调用该接口，不自动覆盖原图。单帧清洗状态按 frame.index 隔离，清洗某一张不会禁用其他关键帧的清洗按钮。</td></tr>
@@ -850,9 +850,9 @@ SubjectAsset {
           </thead>
           <tbody>
             <tr>
-              <td><span class="tag blue">分镜生产板</span></td>
-              <td>承载当前主路径：素材输入列按文件任务管理素材；点击“开始”后自动触发下载后抽帧、音频处理、Vision 扫描和分镜初稿；分镜生产板块按分镜纵向排列；每张分镜卡从上到下编辑音频分镜文案、选择关键元素并生成提取图/6 视图、生成本分镜候选视频；顶部可“生成全部视频”，底部仅汇总完整视频合成入口。</td>
-              <td>不要再拆回多个画布节点；不要恢复右侧空白画布占位。</td>
+              <td><span class="tag blue">音频解析工作表</span></td>
+              <td>承载当前第一步主路径：素材输入列按文件任务管理素材；点击“开始”后自动下载源视频，下载完成后只触发音频提取、原文案转写、中文翻译、讲话人/节奏/背景音分析，并以工作表方式展示。</td>
+              <td>不要在当前开始流程里自动抽帧、自动写分镜、自动生成元素或自动合成视频；不要恢复右侧空白画布占位。</td>
               <td><code>web/components/ad-recreation-board.tsx</code>、<code>web/app/page.tsx</code></td>
             </tr>
             <tr>
@@ -863,14 +863,14 @@ SubjectAsset {
             </tr>
             <tr>
               <td><span class="tag gray">音频条</span></td>
-              <td>分镜生产板块顶部触发音频解析，底部 <code>AudioStrip</code> 仍负责原音频播放、字幕/口播文本、波形和配音预览。</td>
-              <td>不要阻断视觉素材管线。</td>
+              <td>音频解析工作表顶部触发音频解析，底部 <code>AudioStrip</code> 负责原音频播放、字幕/翻译、波形和声音/背景音分析预览。</td>
+              <td>当前第一步不要默认展示新配音播放器或把 MiniMax 配音当作已完成结果。</td>
               <td><code>web/components/audio-strip.tsx</code>、<code>pipeline_transcribe</code>、<code>AudioScript</code></td>
             </tr>
             <tr>
               <td><span class="tag green">候选片段</span></td>
-              <td>生成视频结果直接显示在对应分镜卡片的视频生成层；单条生成和“生成全部视频”都会默认带入四张 SKG 产品角度图，已生成的关键元素 6 视图会作为主体参考图。</td>
-              <td>不要把 Compose 提前变成最终剪辑台；最终合成仍是占位。</td>
+              <td>后续阶段保留的生成视频能力，仍可通过底层接口和旧组件继续演进。</td>
+              <td>不要在第一步入口里露出“生成全部视频”或误导用户认为已进入视频合成。</td>
               <td><code>/storyboard/video</code>、<code>generated_videos</code>、<code>AdRecreationBoard</code></td>
             </tr>
           </tbody>
@@ -888,10 +888,10 @@ SubjectAsset {
               <li>手动按时间戳加关键帧。</li>
               <li>关键帧清洗水印，全图或区域清洗。</li>
               <li>Vision 识别关键帧，输出 scene、objects、style、suggested_prompt，并作为主体候选来源。</li>
-              <li>“开始生产”会在下载完成后自动抽帧、触发音频处理、逐帧 Vision 扫描并保存分镜初稿。</li>
-              <li>主体候选确认、改名、删除和主体资产包生成；当前分镜卡可点击候选元素直接生成提取图 + 6 视图。</li>
+              <li>“开始”会在下载完成后自动触发音频处理，不再默认自动抽帧、Vision 扫描或保存分镜初稿。</li>
+              <li>主体候选确认、改名、删除和主体资产包生成能力保留在底层旧面板和接口中，当前第一步主界面不主动展示。</li>
               <li>分镜工作台 4 图槽和改造说明自动保存。</li>
-              <li>音频文案轨：点击开始或提取音频后按原音频时长、语速和停顿自动生成 SKG 英文产品介绍口播；配置 MiniMax 后从男声、女声、成熟声池随机生成自然英文配音 mp3。底部音频条可播放原音频并用指针逐段对齐字幕节点。</li>
+              <li>音频文案轨：点击开始或提取音频后提取原文案、中文翻译、讲话人、语速节奏、背景音乐/环境声/音效。底部音频条可播放原音频并用指针逐段对齐字幕节点。</li>
               <li>nano-banana-pro image-to-image 生图。</li>
             </ul>
           </div>
@@ -899,15 +899,15 @@ SubjectAsset {
             <h3>阻塞 / 占位</h3>
             <ul>
               <li>ASR：优先走当前 OpenAI-compatible 音频转写入口；如果该网关没有 <code>/audio/transcriptions</code>，自动 fallback 到 <code>ASR_FALLBACK_MODEL</code>（默认 <code>gemini-2.5-flash</code>）的多模态音频识别。</li>
-              <li>MiniMax：当前接入的是官方 T2A 英文配音能力，不是 ASR；默认随机音色池是 <code>English_magnetic_voiced_man</code>、<code>English_Upbeat_Woman</code>、<code>English_MaturePartner</code>。API Key 只能放本地环境变量，不能写入仓库。</li>
-              <li>Audio Product Brief：默认是通用 SKG 放松产品卖点，后续可改成跟已选产品库条目联动。</li>
+              <li>MiniMax：当前接入的是官方 T2A 英文配音能力，不是 ASR；第一步暂不默认调用。默认随机音色池是 <code>English_magnetic_voiced_man</code>、<code>English_Upbeat_Woman</code>、<code>English_MaturePartner</code>。API Key 只能放本地环境变量，不能写入仓库。</li>
+              <li>Audio Product Brief：默认是通用 SKG 放松产品卖点；当前第一步只保留配置，后续分镜/新配音阶段再使用。</li>
               <li>Video Gen：模型层按业务保留 Seedance / Kling / Veo/Voe 选择；后端已支持 Poe、火山方舟和 SKG 豆包视频网关。Seedance 可通过 <code>VIDEO_API_BASE_URL=https://ai.skg.com/doubao</code> 走 content JSON 异步任务，提交后写入候选片段并轮询到完成。</li>
               <li>Compose：还没做本地 ffmpeg 字幕/TTS 合成。</li>
             </ul>
           </div>
         </div>
         <div class="callout warn" style="margin-top:14px">
-          <p>最重要的产品判断：当前视觉素材管线已经能继续推进，文案/音频/视频生成不要再反过来卡住镜头拆解和元素改造。</p>
+          <p>最重要的产品判断：当前先把“链接/上传 → 下载 → 音频原文案与声音背景音分析”跑顺；视觉抽帧、分镜和视频生成不要再反过来挤进第一步。</p>
         </div>
       </section>
 
@@ -915,16 +915,16 @@ SubjectAsset {
         <h2>需求描述模板</h2>
         <div class="todo">
           <div class="todo-item">
-            <h3>改分镜生产板</h3>
-            <p>“我在素材输入列或右侧分镜生产板块，开始生产后哪些步骤自动跑，哪些步骤留给人工选择和审核。”</p>
+            <h3>改音频解析工作表</h3>
+            <p>“我在素材输入列或右侧音频解析工作表，开始后下载、转写、翻译、讲话人/节奏/背景音哪些状态要怎么展示。”</p>
           </div>
           <div class="todo-item">
-            <h3>改分镜卡片层级</h3>
-            <p>“每个分镜从上到下要如何对应音频文案、关键元素和视频生成候选，哪些内容必须跟着同一个分镜走。”</p>
+            <h3>改音频字段</h3>
+            <p>“每条音频解析结果需要哪些字段，例如原文案、中文翻译、说话人、语速、停顿、BGM、环境声、音效、置信度。”</p>
           </div>
           <div class="todo-item">
-            <h3>改分镜字段</h3>
-            <p>“每个分镜行需要哪些文本字段、图片参考、秒数、模型选择和自动保存规则，保存后如何传给生成视频。”</p>
+            <h3>进入下一步</h3>
+            <p>“音频解析完成后，什么时候才进入抽帧、分镜规划、产品融入、关键元素 6 视图或视频生成。”</p>
           </div>
           <div class="todo-item">
             <h3>改数据/接口</h3>
@@ -941,6 +941,18 @@ SubjectAsset {
         <h2>变更记录</h2>
         <p>这个记录不是 git log 的替代品。它记录“产品理解发生了什么变化、影响了哪些源码、你以后描述需求时该怎么说”。后续每次改功能都要补一条。</p>
         <div class="changelog">
+          <article class="change">
+            <header>
+              <h3>2026-05-17 · 收窄为第一步音频解析</h3>
+              <span class="tag rose">UI</span>
+              <span class="tag cyan">Workflow</span>
+            </header>
+            <div class="body">
+              <p><strong>问题：</strong>用户明确否定前一版“开始后自动抽帧、分镜、元素、合成”的推进方式，当前只需要把信息流广告快速复刻的第一步跑通：粘贴 TK 链接或上传视频，下载源视频，提取原音频文案，并分析讲话人、节奏和背景音。</p>
+              <p><strong>改动：</strong><code>web/app/page.tsx</code> 的开始流程改为下载完成后只自动触发 <code>triggerTranscribe</code>；上传视频也加入同一音频解析队列。<code>AdRecreationBoard</code> 主渲染改成左侧素材输入 + 右侧音频解析工作表，不再显示“追加分镜”“开始抽帧”“生成全部视频”。<code>AudioStrip</code> 右侧改为原文案/翻译/声音背景音分析。<code>AudioScript</code> 新增 <code>background_audio_profile</code>，后端 <code>pipeline_transcribe</code> 先保存原文案、中文翻译、讲话人、节奏和背景音分析，当前第一步不默认生成 SKG 新口播或 MiniMax 配音。</p>
+              <p><strong>影响：</strong><code>web/app/page.tsx</code>、<code>web/components/ad-recreation-board.tsx</code>、<code>web/components/audio-strip.tsx</code>、<code>web/lib/api.ts</code>、<code>api/main.py</code>、<code>RULES.md</code>、<code>.project.json</code>、<code>docs/source-analysis.html</code>。后续需求应先描述“音频解析完成后是否进入下一步”，不要默认把抽帧/分镜/合成塞进开始动作。</p>
+            </div>
+          </article>
           <article class="change">
             <header>
               <h3>2026-05-17 · 开始生产自动编排</h3>
@@ -948,6 +960,7 @@ SubjectAsset {
               <span class="tag cyan">Workflow</span>
             </header>
             <div class="body">
+              <p><strong>状态：</strong>已被上一条“收窄为第一步音频解析”覆盖；保留此记录用于解释旧代码和历史提交为什么存在。</p>
               <p><strong>问题：</strong>用户希望粘贴视频链接后点击一次“开始”，系统就自动完成素材准备：抽帧、音频分析、关键元素扫描和分镜初稿；人工只负责判断规划是否合理、选择关键元素、再单条或全量生成视频。</p>
               <p><strong>改动：</strong><code>web/app/page.tsx</code> 新增开始生产编排状态：创建/激活 job 后，下载完成自动触发 <code>analyzeJob</code> 与 <code>triggerTranscribe</code>，关键帧出来后逐帧调用 <code>describeFrame</code> 并用 <code>updateStoryboard</code> 保存分镜初稿。视频生成时若分镜未显式选择产品图，会自动复制四张 <code>desktop-skg-product-angle-01..04</code> 作为 SKG 产品真源，并把已生成的关键元素 6 视图作为主体参考。<code>AdRecreationBoard</code> 把导入按钮改为“开始”，分镜卡里的候选元素可点击生成提取图 + 6 视图，顶部新增“生成全部视频”。<code>AudioScript</code> 新增 <code>speaker_profile</code> 和 <code>rhythm_profile</code>，用于展示讲话人 / 节奏参考。</p>
               <p><strong>影响：</strong><code>web/app/page.tsx</code>、<code>web/components/ad-recreation-board.tsx</code>、<code>web/components/nodes/index.tsx</code>、<code>web/lib/api.ts</code>、<code>api/main.py</code>、<code>RULES.md</code>、<code>.project.json</code>、<code>docs/source-analysis.html</code>。后续需求应区分“开始生产自动编排”和“人工审核/选择/生成”的边界。</p>

web/app/page.tsx

@@ -226,7 +226,9 @@ export default function Home() {
       toast.info(`上传中：${file.name} (${(file.size / 1024 / 1024).toFixed(1)} MB)`)
       const created = await uploadJob(file)
       addJob(created)
-      toast.success(`已上传 ${created.id.slice(0, 8)}`)
+      setProductionJobIds((prev) => new Set(prev).add(created.id))
+      setAudioStripJobId(created.id)
+      toast.success(`已上传 ${created.id.slice(0, 8)}，下载完成后自动解析音频`)
     } catch (e) {
       toast.error("上传失败：" + (e instanceof Error ? e.message : String(e)))
     } finally {
@@ -537,13 +539,11 @@ export default function Home() {
     }
     setProductionJobIds((prev) => new Set(prev).add(target.id))
     setAudioStripJobId(target.id)
-    toast.success("已进入自动生产：下载完成后会抽帧、解析音频并生成分镜初稿")
+    toast.success("已进入第一步：下载完成后自动解析音频文案、讲话人和背景音")
     if (target.video_url && ["downloaded", "frames_extracted", "transcribed", "failed"].includes(target.status)) {
-      if (!target.frames.length) void handleAnalyzeJob(target.id, { mode: "replace" })
       void handleTranscribeAudio(target.id, { silent: true })
-      if (target.frames.length) void handlePlanStoryboardJob(target.id)
     }
-  }, [handleAnalyzeJob, handlePlanStoryboardJob, handleSubmit, handleTranscribeAudio, job])
+  }, [handleSubmit, handleTranscribeAudio, job])
 
   useEffect(() => {
     if (productionJobIds.size === 0) return
@@ -552,22 +552,13 @@ export default function Home() {
       const videoReady = !!item.video_url && ["downloaded", "frames_extracted", "transcribed", "failed"].includes(item.status)
       if (!videoReady) continue
       const audioKey = `${item.id}:audio`
-      if (!autoTriggeredRef.current.has(audioKey) && item.audio_script?.status !== "rewriting" && !item.audio_script?.rewritten_text) {
+      const hasAudioResult = !!item.audio_script?.source_text || item.transcript.length > 0
+      if (!autoTriggeredRef.current.has(audioKey) && item.audio_script?.status !== "rewriting" && !hasAudioResult) {
         autoTriggeredRef.current.add(audioKey)
         void handleTranscribeAudio(item.id, { silent: true })
       }
-      const analyzeKey = `${item.id}:analyze`
-      if (!autoTriggeredRef.current.has(analyzeKey) && item.frames.length === 0 && item.status !== "splitting") {
-        autoTriggeredRef.current.add(analyzeKey)
-        void handleAnalyzeJob(item.id, { mode: "replace" })
-      }
-      const planKey = `${item.id}:plan:${item.frames.length}`
-      if (item.frames.length > 0 && !autoTriggeredRef.current.has(planKey)) {
-        autoTriggeredRef.current.add(planKey)
-        void handlePlanStoryboardJob(item.id)
-      }
     }
-  }, [handleAnalyzeJob, handlePlanStoryboardJob, handleTranscribeAudio, jobs, productionJobIds])
+  }, [handleTranscribeAudio, jobs, productionJobIds])
 
   const handleQuickGenerateVideo = useCallback(async (frameIdx: number, scene: StoryboardScene, model: string) => {
     if (!job) return
@@ -812,7 +803,7 @@ export default function Home() {
     if (jobs.length === 0) return
     // 状态切到 downloaded 时提示用户点解析（仅一次）
     if (job?.status === "downloaded" && prevStatusRef.current !== "downloaded") {
-      toast.info("视频已就绪，请在左侧看板开始抽帧", { duration: 6000 })
+      toast.info("视频已下载，音频解析会自动开始；也可以在右侧手动重试", { duration: 6000 })
     }
     prevStatusRef.current = job?.status ?? null
 

web/components/ad-recreation-board.tsx

@@ -105,11 +105,11 @@ function videoSrc(video: GeneratedVideo) {
 }
 
 function audioPreview(job: Job | null) {
-  if (!job) return "导入素材后，先解析音频，再把产品内容改写成新的分镜文字。"
-  const rewritten = job.audio_script?.rewritten_text?.trim()
-  if (rewritten) return rewritten
+  if (!job) return "粘贴 TK 链接或上传视频后，系统会先下载视频；下载完成后自动提取音频文案。"
+  const source = job.audio_script?.source_text?.trim() || job.audio_script?.source_zh?.trim()
+  if (source) return source
   if (job.transcript?.length) return job.transcript.slice(0, 5).map((item) => item.en || item.zh).join(" ")
-  return "暂无音频文案。解析后这里会作为新剧情和分镜文字的依据。"
+  return "暂无音频文案。下载完成后会自动提取原音频文案、讲话人和背景音。"
 }
 
 function orderedFrames(job: Job | null, selectedFrames: KeyFrame[]) {
@@ -172,8 +172,10 @@ export function AdRecreationBoard({
     : []
   const framesForSegments = orderedFrames(job, selectedFrames)
   const generatedVideos = job?.generated_videos ?? []
-  const audioReady = !!job?.audio_script?.rewritten_text?.trim()
+  const audioReady = !!job?.audio_script?.source_text?.trim() || !!job?.transcript?.length
   const readySegments = countReadySegments(job, draftSegments)
+  const transcriptCount = job?.transcript.length ?? 0
+  const backgroundReady = !!job?.audio_script?.background_audio_profile?.trim()
 
   useEffect(() => {
     setDraftSegments([])
@@ -341,15 +343,15 @@ export function AdRecreationBoard({
       <div className="relative flex h-full flex-col px-4 py-4">
         <header className="mb-3 flex items-center justify-between gap-4 rounded-lg border border-white/10 bg-white/[0.04] px-4 py-3">
           <div className="min-w-0">
-            <div className="text-[11px] font-medium uppercase tracking-[0.18em] text-white/40">feed ad storyboard board</div>
-            <h1 className="mt-1 text-[22px] font-semibold leading-tight text-white">信息流广告分镜生产板</h1>
+            <div className="text-[11px] font-medium uppercase tracking-[0.18em] text-white/40">feed ad audio intake board</div>
+            <h1 className="mt-1 text-[22px] font-semibold leading-tight text-white">信息流广告音频解析工作表</h1>
           </div>
           <div className="grid min-w-[520px] grid-cols-5 gap-2 text-[11px] text-white/48">
             <Metric label="素材" value={`${jobs.length}`} />
             <Metric label="当前" value={shortId(activeJobId)} />
-            <Metric label="抽帧" value={`${job?.frames.length ?? 0}`} />
-            <Metric label="分镜" value={`${readySegments}`} />
-            <Metric label="片段" value={`${generatedVideos.length}`} />
+            <Metric label="视频" value={job?.video_url ? "ready" : "-"} />
+            <Metric label="文案段" value={`${transcriptCount}`} />
+            <Metric label="背景音" value={backgroundReady ? "ready" : "-"} />
           </div>
         </header>
 
@@ -371,11 +373,11 @@ export function AdRecreationBoard({
               <div className="flex items-start justify-between gap-4">
                 <div>
                   <div className="flex items-center gap-2">
-                    <span className="inline-flex h-8 w-8 items-center justify-center rounded-md bg-rose-500/12 text-rose-100"><Wand2 className="h-4 w-4" /></span>
+                    <span className="inline-flex h-8 w-8 items-center justify-center rounded-md bg-rose-500/12 text-rose-100"><Mic className="h-4 w-4" /></span>
                     <span className="font-mono text-[12px] text-white/36">02</span>
                   </div>
-                  <h2 className="mt-2 text-[17px] font-semibold leading-tight text-white">音频分镜生产板块</h2>
-                  <p className="mt-1 text-[12px] text-white/42">每张分镜卡从上到下对应：音频分镜文案、关键元素、视频生成。</p>
+                  <h2 className="mt-2 text-[17px] font-semibold leading-tight text-white">音频解析第一步</h2>
+                  <p className="mt-1 text-[12px] text-white/42">先把源视频下载到本地，再提取原文案、讲话人节奏和背景音；分镜、抽帧、合成先不自动跑。</p>
                 </div>
                 <div className="flex shrink-0 flex-wrap justify-end gap-2">
                   <ActionButton disabled={!job?.video_url || job.status === "transcribing"} onClick={() => data.onTranscribeAudio?.(job?.id)}>
@@ -385,14 +387,6 @@ export function AdRecreationBoard({
                   <ActionButton disabled={!job?.source_audio_url && !job?.audio_script?.voice_url} variant="ghost" onClick={() => data.onOpenAudioStrip?.(job?.id)}>
                     打开音轨
                   </ActionButton>
-                  <ActionButton variant="ghost" onClick={addDraftSegment}>
-                    <Plus className="h-3.5 w-3.5" />
-                    追加分镜
-                  </ActionButton>
-                  <ActionButton disabled={!framesForSegments.length || generatingAll} onClick={generateAllVideos}>
-                    {generatingAll ? <Loader2 className="h-3.5 w-3.5 animate-spin" /> : <Play className="h-3.5 w-3.5" />}
-                    生成全部视频
-                  </ActionButton>
                 </div>
               </div>
 
@@ -409,69 +403,21 @@ export function AdRecreationBoard({
                     <div className="mt-2 grid gap-1 text-[11px] leading-relaxed text-white/42">
                       {job.audio_script.speaker_profile && <div>讲话人：{job.audio_script.speaker_profile}</div>}
                       {job.audio_script.rhythm_profile && <div>节奏：{job.audio_script.rhythm_profile}</div>}
+                      {job.audio_script.background_audio_profile && <div>背景音：{job.audio_script.background_audio_profile}</div>}
                     </div>
                   )}
                 </div>
 
-                <FrameExtractControls
-                  job={job}
-                  data={data}
-                  selectedFramesCount={selectedFrames.length}
-                  onSelectAllFrames={selectAllFrames}
-                  onClearFrameSelection={clearFrameSelection}
-                />
+                <AudioIntakeStatus job={job} audioReady={audioReady} />
               </div>
             </header>
 
             <div className="min-h-0 flex-1 overflow-y-auto p-4">
-              <div className="space-y-3">
-                {job && framesForSegments.length > 0 ? framesForSegments.map((frame, order) => (
-                  <StoryboardSegmentCard
-                    key={`${job.id}:${frame.index}`}
-                    job={job}
-                    frame={frame}
-                    order={order}
-                    selected={data.selectedFrames.has(frame.index)}
-                    selectedVideoIds={selectedVideoIds}
-                    videos={generatedVideos.filter((video) => video.frame_idx === frame.index)}
-                    busy={elementBusyFrame === frame.index}
-                    sixViewBusyKey={sixViewBusyKey}
-                    onToggleFrame={() => data.onToggleFrame(frame.index)}
-                    onJobUpdate={data.onJobUpdate}
-                    onGenerateElement={(candidate) => generateElementForFrame(frame, candidate)}
-                    onGenerateSixViews={(element) => generateSixViewsForElement(frame, element)}
-                    onGenerateVideo={onGenerateVideo}
-                    onToggleVideo={toggleVideo}
-                    onDeleteVideo={(videoId) => data.onDeleteVideo?.(videoId)}
-                  />
-                )) : null}
-
-                {draftSegments.map((draft, index) => (
-                  <DraftSegmentCard
-                    key={draft.id}
-                    draft={draft}
-                    order={framesForSegments.length + index}
-                    job={job}
-                    onPatch={(patch) => updateDraftSegment(draft.id, patch)}
-                    onRemove={() => removeDraftSegment(draft.id)}
-                    onJobUpdate={data.onJobUpdate}
-                    onGenerateVideo={onGenerateVideo}
-                  />
-                ))}
-
-                {!job && <EmptyState text="先在左侧导入素材，再从音频分镜开始追加或编辑分镜。" />}
-                {job && framesForSegments.length === 0 && draftSegments.length === 0 && (
-                  <EmptyState text="可以先解析音频并追加分镜；抽帧后，每张分镜卡会显示对应关键元素和视频生成区。" />
-                )}
-              </div>
+              <AudioIntakePanel job={job} />
             </div>
 
             <footer className="shrink-0 border-t border-white/10 p-3">
-              <ComposeSummary
-                audioReady={audioReady}
-                selectedVideoCount={selectedVideoIds.size}
-                generatedVideoCount={generatedVideos.length}
-              />
+              <AudioStepSummary job={job} audioReady={audioReady} />
             </footer>
           </section>
         </div>
@@ -577,6 +523,123 @@ function MaterialColumn({
   )
 }
 
+function AudioIntakeStatus({ job, audioReady }: { job: Job | null; audioReady: boolean }) {
+  const downloading = !!job && ["created", "downloading"].includes(job.status)
+  const audioRunning = !!job && (job.status === "transcribing" || job.audio_script?.status === "rewriting")
+  return (
+    <div className="rounded-lg border border-white/10 bg-black/32 p-3">
+      <div className="mb-2 flex items-center justify-between gap-2">
+        <SectionTitle icon={<PanelRight className="h-4 w-4" />} title="当前步骤" />
+        <StatusPill ready={audioReady} running={downloading || audioRunning} />
+      </div>
+      <div className="grid grid-cols-2 gap-2 text-[11px] text-white/52">
+        <Requirement label="素材" ready={!!job} detail={job ? shortId(job.id) : "待输入"} />
+        <Requirement label="视频" ready={!!job?.video_url} detail={downloading ? "下载中" : job?.video_url ? "已就绪" : "待下载"} />
+        <Requirement label="音频" ready={!!job?.source_audio_url} detail={audioRunning ? "解析中" : job?.source_audio_url ? "已提取" : "待提取"} />
+        <Requirement label="文案" ready={audioReady} detail={audioReady ? `${job?.transcript.length ?? 0} 段` : "待解析"} />
+      </div>
+      <div className="mt-3 rounded-md border border-white/10 bg-black/28 px-3 py-2 text-[11px] leading-relaxed text-white/42">
+        {job?.message || "粘贴 TK 链接或上传视频后，点击开始进入下载和音频解析。"}
+      </div>
+    </div>
+  )
+}
+
+function AudioIntakePanel({ job }: { job: Job | null }) {
+  if (!job) {
+    return <EmptyState text="先在左侧粘贴 TK 链接或上传本地视频。点击开始后，会先下载视频，再自动解析原音频文案、讲话人节奏和背景音。" />
+  }
+
+  const script = job.audio_script
+  const original = script?.source_text?.trim() || job.transcript.map((item) => item.en).filter(Boolean).join(" ")
+  const translated = script?.source_zh?.trim() || job.transcript.map((item) => item.zh).filter(Boolean).join(" ")
+  const profiles = [
+    { label: "讲话人", value: script?.speaker_profile },
+    { label: "节奏", value: script?.rhythm_profile },
+    { label: "背景音", value: script?.background_audio_profile },
+  ]
+  const processing = job.status === "transcribing" || script?.status === "rewriting"
+
+  return (
+    <div className="grid gap-3">
+      <section className="rounded-lg border border-white/10 bg-black/28 p-3">
+        <div className="mb-3 flex items-center justify-between gap-3">
+          <SectionTitle icon={<FileText className="h-4 w-4" />} title="原文案提取" />
+          <StatusPill ready={!!original || job.transcript.length > 0} running={processing} />
+        </div>
+        <div className="grid gap-3 xl:grid-cols-2">
+          <TextBlock title="原始文案" value={original} empty={processing ? "正在提取原音频文案..." : "还没有提取到原文案。"} />
+          <TextBlock title="中文翻译" value={translated} empty={processing ? "正在翻译..." : "还没有中文翻译。"} />
+        </div>
+      </section>
+
+      <section className="rounded-lg border border-white/10 bg-black/28 p-3">
+        <div className="mb-3 flex items-center justify-between gap-3">
+          <SectionTitle icon={<Mic className="h-4 w-4" />} title="声音与背景音分析" />
+          <span className="font-mono text-[11px] text-white/38">{formatSeconds(job.duration)}</span>
+        </div>
+        <div className="grid gap-2 lg:grid-cols-3">
+          {profiles.map((item) => (
+            <ProfileTile key={item.label} label={item.label} value={item.value} running={processing} />
+          ))}
+        </div>
+      </section>
+
+      <section className="rounded-lg border border-white/10 bg-black/28 p-3">
+        <div className="mb-3 flex items-center justify-between gap-3">
+          <SectionTitle icon={<Film className="h-4 w-4" />} title="逐句时间轴" />
+          <span className="rounded-md border border-white/10 bg-black/35 px-2 py-1 text-[11px] text-white/45">{job.transcript.length} 段</span>
+        </div>
+        {job.transcript.length ? (
+          <div className="overflow-hidden rounded-lg border border-white/10">
+            <div className="grid grid-cols-[88px_minmax(0,1fr)_minmax(0,1fr)] border-b border-white/10 bg-white/[0.04] px-3 py-2 text-[11px] font-semibold text-white/50">
+              <div>时间</div>
+              <div>原文</div>
+              <div>中文</div>
+            </div>
+            <div className="max-h-[36vh] overflow-y-auto">
+              {job.transcript.map((segment) => (
+                <div key={segment.index} className="grid grid-cols-[88px_minmax(0,1fr)_minmax(0,1fr)] gap-3 border-b border-white/8 px-3 py-2 text-[12px] leading-relaxed text-white/64 last:border-b-0">
+                  <div className="font-mono text-[11px] text-white/38">{segment.start.toFixed(1)}-{segment.end.toFixed(1)}s</div>
+                  <div>{segment.en || <span className="text-white/30">-</span>}</div>
+                  <div>{segment.zh || <span className="text-white/30">翻译中</span>}</div>
+                </div>
+              ))}
+            </div>
+          </div>
+        ) : (
+          <EmptyState text={processing ? "音频解析中，完成后这里会按时间列出原文案和中文翻译。" : "下载完成后会自动解析音频；也可以点击右上角“解析音频”手动重试。"} />
+        )}
+      </section>
+    </div>
+  )
+}
+
+function TextBlock({ title, value, empty }: { title: string; value?: string; empty: string }) {
+  return (
+    <div className="min-h-[156px] rounded-lg border border-white/10 bg-black/35 p-3">
+      <div className="mb-2 text-[11px] font-semibold text-white/48">{title}</div>
+      <div className="max-h-[220px] overflow-y-auto whitespace-pre-wrap text-[12.5px] leading-relaxed text-white/72">
+        {value || <span className="text-white/32">{empty}</span>}
+      </div>
+    </div>
+  )
+}
+
+function ProfileTile({ label, value, running }: { label: string; value?: string; running?: boolean }) {
+  return (
+    <div className="min-h-[112px] rounded-lg border border-white/10 bg-black/35 p-3">
+      <div className="mb-2 flex items-center justify-between gap-2">
+        <span className="text-[11px] font-semibold text-white/48">{label}</span>
+        {running ? <Loader2 className="h-3.5 w-3.5 animate-spin text-cyan-200" /> : value ? <Check className="h-3.5 w-3.5 text-emerald-200" /> : <Circle className="h-3.5 w-3.5 text-white/32" />}
+      </div>
+      <p className="text-[12px] leading-relaxed text-white/62">
+        {value || (running ? "模型分析中..." : "等待音频分析结果。")}
+      </p>
+    </div>
+  )
+}
+
 function FrameExtractControls({
   job,
   data,
@@ -1006,6 +1069,29 @@ function SegmentBand({ icon, title, children }: { icon: ReactNode; title: string
   )
 }
 
+function AudioStepSummary({ job, audioReady }: { job: Job | null; audioReady: boolean }) {
+  const downloading = !!job && ["created", "downloading"].includes(job.status)
+  const audioRunning = !!job && (job.status === "transcribing" || job.audio_script?.status === "rewriting")
+  return (
+    <div className="flex items-center justify-between gap-3 rounded-lg border border-white/10 bg-black/35 px-3 py-2">
+      <div className="flex min-w-0 items-center gap-2">
+        <PanelRight className="h-4 w-4 shrink-0 text-rose-200" />
+        <div className="min-w-0">
+          <div className="text-[13px] font-semibold text-white">第一步：音频解析</div>
+          <div className="truncate text-[11px] text-white/40">
+            {job?.message || "等待素材输入；完成后再进入分镜规划和素材生成。"}
+          </div>
+        </div>
+      </div>
+      <div className="flex shrink-0 items-center gap-2 text-[11px] text-white/52">
+        <Requirement label="下载" ready={!!job?.video_url} detail={downloading ? "running" : job?.video_url ? "ready" : "wait"} />
+        <Requirement label="音频" ready={!!job?.source_audio_url} detail={audioRunning ? "running" : job?.source_audio_url ? "ready" : "wait"} />
+        <Requirement label="文案" ready={audioReady} detail={audioReady ? `${job?.transcript.length ?? 0}` : "wait"} />
+      </div>
+    </div>
+  )
+}
+
 function ComposeSummary({
   audioReady,
   selectedVideoCount,
@@ -1068,9 +1154,9 @@ function MaterialCard({
         <span className={`shrink-0 rounded-md border px-2 py-1 text-[11px] ${tone.className}`}>{tone.label}</span>
       </div>
       <div className="mt-3 grid grid-cols-3 gap-2 text-[11px] text-white/44">
-        <Metric label="帧" value={`${job.frames.length}`} compact />
-        <Metric label="音频" value={job.audio_script?.rewritten_text ? "ready" : "-"} compact />
-        <Metric label="片段" value={`${job.generated_videos?.length ?? 0}`} compact />
+        <Metric label="视频" value={job.video_url ? "ready" : "-"} compact />
+        <Metric label="文案" value={job.audio_script?.source_text || job.transcript.length ? "ready" : "-"} compact />
+        <Metric label="段落" value={`${job.transcript.length}`} compact />
       </div>
       {onDelete && (
         <span

web/components/audio-strip.tsx

@@ -1,7 +1,7 @@
 "use client"
 
 import { useEffect, useMemo, useRef, useState, type PointerEvent as ReactPointerEvent } from "react"
-import { ChevronDown, ChevronUp, GripHorizontal, Mic2, Volume2, X } from "lucide-react"
+import { ChevronDown, ChevronUp, GripHorizontal, Mic2, X } from "lucide-react"
 import { apiAssetUrl, sourceAudioUrl, type Job, type TranscriptSegment } from "@/lib/api"
 
 const STORAGE_KEY = "skg.audio-strip.height"
@@ -151,7 +151,6 @@ export function AudioStrip({ job, open, onClose }: { job: Job | null; open: bool
   const audioRef = useRef<HTMLAudioElement>(null)
   const transcript = job?.transcript ?? []
   const audioScript = job?.audio_script
-  const voiceUrl = apiAssetUrl(audioScript?.voice_url)
   const sourceUrl = job ? apiAssetUrl(job.source_audio_url || sourceAudioUrl(job.id)) : ""
   const processing = !!job && (job.status === "transcribing" || audioScript?.status === "rewriting")
   const activeSegment = transcript.find((segment) => currentTime >= segment.start && currentTime <= Math.max(segment.end, segment.start + 0.2))
@@ -248,12 +247,6 @@ export function AudioStrip({ job, open, onClose }: { job: Job | null; open: bool
           <span className="rounded-full border border-white/10 px-2 py-0.5 text-[10px] text-white/45">{transcript.length || 0} 段</span>
         </div>
         <div className="flex items-center gap-2">
-          {voiceUrl && (
-            <div className="hidden items-center gap-1.5 text-[10px] text-emerald-200/80 sm:flex">
-              <Volume2 className="h-3.5 w-3.5" />
-              English VO ready
-            </div>
-          )}
           <button
             type="button"
             onClick={() => setCollapsed((v) => !v)}
@@ -332,18 +325,24 @@ export function AudioStrip({ job, open, onClose }: { job: Job | null; open: bool
             </div>
           </div>
           <div className="min-h-0 overflow-y-auto rounded-lg border border-emerald-300/20 bg-emerald-300/[0.07] p-3 max-lg:hidden">
-            <div className="mb-2 text-[10px] uppercase tracking-widest text-emerald-100/70">English product VO · SKG intro</div>
-            <p className="text-[12.5px] leading-relaxed text-white/90">
-              {audioScript?.rewritten_text || "Waiting for the source audio length to become a natural English SKG product voice-over."}
-            </p>
-            {voiceUrl && (
-              <audio controls src={voiceUrl} className="mt-3 h-8 w-full" />
-            )}
-            {audioScript?.product_brief && (
-              <div className="mt-3 border-t border-white/10 pt-2 text-[11px] leading-relaxed text-white/55">
-                {audioScript.product_brief}
+            <div className="mb-2 text-[10px] uppercase tracking-widest text-emerald-100/70">Original audio analysis</div>
+            <div className="space-y-3 text-[12px] leading-relaxed text-white/86">
+              <div>
+                <div className="mb-1 text-[10px] font-semibold uppercase tracking-widest text-white/38">原始文案</div>
+                <p>{audioScript?.source_text || "Waiting for transcript extraction."}</p>
               </div>
-            )}
+              {audioScript?.source_zh && (
+                <div>
+                  <div className="mb-1 text-[10px] font-semibold uppercase tracking-widest text-white/38">中文翻译</div>
+                  <p>{audioScript.source_zh}</p>
+                </div>
+              )}
+              <div className="border-t border-white/10 pt-3 text-[11px] text-white/60">
+                {audioScript?.speaker_profile && <p><span className="text-white/36">讲话人：</span>{audioScript.speaker_profile}</p>}
+                {audioScript?.rhythm_profile && <p className="mt-1"><span className="text-white/36">节奏：</span>{audioScript.rhythm_profile}</p>}
+                {audioScript?.background_audio_profile && <p className="mt-1"><span className="text-white/36">背景音：</span>{audioScript.background_audio_profile}</p>}
+              </div>
+            </div>
           </div>
         </div>
       )}

web/lib/api.ts

@@ -358,6 +358,7 @@ export interface AudioScript {
   rewritten_text: string
   speaker_profile: string
   rhythm_profile: string
+  background_audio_profile: string
   product_brief: string
   rewrite_model: string
   voice_provider: string