WorkBuddy 通过 MCP 调用外部腾讯云 MPS（媒体处理）服务的 Skill，编排「AI 声纹克隆配音 → 语音识别 → 字幕对齐」的云端流水线，并结合本地 Agent 的 FFmpeg 能力完成字幕烧录，端到端产出一条可直接投放的英文版营销短视频。
某教育硬件厂商（讯飞 AI 英语宝 Pro）有一条中文口播营销短视频，需要面向海外市场发布英文版本。传统做法需要人工听译、录音棚重新配音、字幕组制作与压制，周期以「天」计、成本高。
诉求可拆解为三个明确目标：
tencent-mps（转码/字幕/COS 等）与一站式译制 tencent-mps-video-dubbing。安装前经过安全审计（无危险调用、无外发、企业认证发布者）。~/.env 写入 SecretId/SecretKey、API 地域、COS 桶与地域。密钥由用户自行配置，Agent 不代为索取。tencentcloud-sdk-python、cos-python-sdk-v5、python-dotenv，隔离安装在托管运行时中，不污染系统环境。tools/ 目录，即用即走。调用 mps_cos_upload.py 将本地 MP4 上传到腾讯云 COS，作为 MPS 云端处理的输入源。
调用 mps_video_dubbing.py（ASR 模式，zh→en，不压字幕）。MPS 单任务内完成「中文语音识别 → 机器翻译 → AI 克隆原声英文配音」，产出仅换配音、画面不动的英文视频。约 8.5 分钟。
关键一步：对英文配音视频本身调用 mps_subtitle.py（英文 ASR）生成 SRT。字幕即配音的逐字转写，从根本上保证"字幕=配音"，避免两套独立翻译措辞不一致的问题。
Agent 用本地 FFmpeg 将对齐后的英文 SRT 硬压到画面底部（Alignment=2），精确控制位置避开原生中文标题，音轨直接复制不重编码。
抽取成品关键帧核对字幕位置与内容一致性，确认无重叠、逐句对齐后交付最终成片。
整个流程由多轮自然语言对话驱动，无需用户懂命令行。关键提示词按"目标 → 确认 → 迭代修正"逐步收敛：
# 初始需求（说清目标与素材，不必指定工具） 我这里有一个 mp4 文件，想利用腾讯云 VOD/MPS 的配音和翻译能力， 去掉中文、翻译成英文配音，并加上英文字幕，该如何做？ # 提供素材路径 文件在这里：/path/讯飞英语宝PRO.mp4 # 确认执行（Agent 已复述方案与费用后） A，确认提交 # 迭代修正 1：字幕位置 英文字幕在竖屏正中间挡住画面了，放到最下面， 跟既有的中文字幕不冲突 # 迭代修正 2：字幕与配音对齐（本案例最关键的一次纠偏） 英文字幕和视频克隆的英文不完全一致， 请用音色克隆后的视频重新翻译好英文字幕，再烧制
A，确认提交）；③ 对结果不满意时用自然语言描述问题，Agent 自行诊断根因并调整技术方案（如从"翻译字幕"改为"对配音反向识别字幕"）。讯飞英语宝PRO_英文配音_对齐字幕.mp4）。SRT，可外挂或再压制。