Round 2 product feedback

这轮反馈已经按真实测试收口。

5 条反馈里，有 2 条是 Mai 这边能直接改的：缺音色时怎么提醒、默认画中画大小。 另外 2 条需要 Tobatsu runner 支持：只重试最后阶段、稀疏字幕降级。现在这两条也已经在 test 环境跑通。 音频问题已经用 v29/v13 证明关闭，不再改。

2Mai 已改
2Tobatsu 已实测
1确认不再改
2/2新增 E2E 通过
Decision rule

判断方法很简单

先问这条反馈归谁管。能由 Mai 控制的，就改 skill 或 builder。要下游 runner 才能做到的，等下游发布后再用 test 真跑。

收到反馈

先看用户真实问题，不按旧报告硬套。

Mai 能直接控制？

能：改引导、默认值、提交参数。

下游才能做到？

列为 Tobatsu 新能力，不说已经修好。

Five feedback items

逐条结论

反馈 判断 这轮动作 状态
缺音色时口径不清 Mai skill 该说清楚。 提醒用户在输入框左下角选音色；需要时给推荐。不转试听流程。 已改
数字人原片成功，最终成片失败 最后阶段重试需要 runner 支持。 Mai 只负责安全传 `resume_from=final` 和 4 个复用 file_id；Tobatsu rev30 已跑通。 已实测
音频校验导致成片失败 旧版本 guard 误判。v29/v13 已验证。 不再动 `audio_mix`。保留口播 + 原声的证据已经成立。 已关闭
SRT 太稀，做不了词级特效字幕 字幕 burn 在 Tobatsu 下游。 句级 SRT 不再硬失败；rev18 降级成普通句级字幕。 已实测
默认 PIP 偏小 默认值可微调，不改默认布局。 右上圆形保留，默认大小从 `0.24` 调到 `0.26`。 已改
Mai changes

代码里实际改了什么

skill 文案

缺音色时不乱带路

没给 `voice_id` 时，提醒用户在左下角选音色，或让我们给推荐。不会自动跑试听。

builder 默认值

画中画稍微放大

默认 `overlay_size` 从 `0.24` 到 `0.26`。如果用户自己传尺寸，仍按用户的来。

skill 口径

失败时不从头吓人

如果主播图、口播、数字人已经好了，只告诉用户重试最后合成。能力本身等 Tobatsu 补。

skills-bundles/global/voiceover-digital-human-combo/SKILL.md tools-backend/tools/tobatsu-gateway/request-builders.ts tools-backend/tests/tobatsu-gateway-request-builders.test.ts docs/mai-combo-skill-goal.md
Tobatsu E2E

两条下游能力已经跑过 test

这里不靠口径。

Mai 先把提交参数放好，Tobatsu 再发布 runner/workflow。最后用 tool-test 真提交任务。 两条都成功，并且都有 workspace 证据。

E2E 通过

只重试最终阶段

复用主播图、数字人、口播音频和 SRT；只重跑 PIP、字幕、音频校验、Scribe 和回调。

E2E 通过

字幕降级

2 条 cue 的稀疏 SRT 没再失败；最终视频 metadata 里是 `plain_sentence`。

不动

音频混合

v29/v13 已证明最终成片里同时有口播和源视频声音。本轮不再碰。

Evidence

验证和依据

Mai 这边只动小范围。没有改 `generate_image` 入参，也没有再改音频混合规则。

Mai commits: 4eca70e 缺音色提醒 + 默认 PIP 0.26 6b1c4c6 gated resume_from=final 参数 tests: tools-backend targeted: 20/20 passed tools-backend full: 38/38 passed test skill import: byte-identical

下游两条用真实 test 任务验过。不是只看字段。

Final-stage retry: gwr_f131825c → succeeded workflow v30 / runner v14 resume-final-reuse.json present skipped: elevenlabs_tts, fal/omnihuman providers: rendi, elevenlabs/scribe_v2 CC proof: 4 reused files are byte-identical Sparse SRT fallback: gwr_6cbce712 → succeeded subtitle_fallback=sentence_level subtitle_effect_mode=plain_sentence subtitle_fallback_reason=sparse_srt CC proof: 2-cue SRT degraded, no hard fail

一个容易误判的点

最终阶段重试里，Mai 会把复用 URL 再导入一次，所以 artifact 表里会出现新的 file_id。 这不是重新生成。判断复用要看 callback 的原始 URL、`reused=true`，以及 Tobatsu 的 `skipped_provider_stages`。

还有一个后续小优化

同一个 canvas 里连续重试时，复用产物会再次入画布，所以会看到重复的主播图、数字人原片、 口播音频和字幕。它不影响本轮正确性，也不会重复花 TTS/OmniHuman 的钱；后面可以做去重或来源标记。