Communitygithub.com

reference-video-replication

按参考视频做复刻:自家原片贴近原句,别家原片保留结构、重写台词、新配音;整理原句、修改理由和对应镜头,逐步推进素材匹配、配音、剪辑与交付审计。适用于用户给出参考视频(本地文件或抖音链接)要求复刻的任务。

Was ist reference-video-replication?

reference-video-replication is a Claude Code agent skill that 按参考视频做复刻:自家原片贴近原句,别家原片保留结构、重写台词、新配音;整理原句、修改理由和对应镜头,逐步推进素材匹配、配音、剪辑与交付审计。适用于用户给出参考视频(本地文件或抖音链接)要求复刻的任务。.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/WangWeijun01/reference-video-replication/tree/main

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

参考视频复刻

状态:v0.9。v0.5验证了素材到成片与交付审计闭环;v0.6(2026-10-30)新增台词重写分支:新配音音轨、AI配音工具、免版权素材补缺、新图形与字幕样式,三条样片通过审计;v0.7(2026-10-30)接入火山语音合成2.0、换音色后按新时间线重排的工具、三种可按片子区分的字幕样式,三条改版通过审计,音色好不好听仍要人耳定;v0.8(2026-10-30)渲染器支持1080×1920和低清素材增强,三条1080版通过审计。v0.9(2026-11-18)审计支持口播主播镜头(a_roll)。业务效果与发布状态未验证。

复刻边界

  • 先判断原片归属:用户自家账号的原片可贴近原句;别家账号(竞品、博主)的原片默认只复刻结构、节奏和镜头公式,台词按目标口径重写,不用原声,见“台词重写分支”。用户明确选择后照做,不替用户默认。
  • 以用户当前确认的原片为基线;结构、顺序、句式和节奏默认保留,台词不因“更好听”“更像广告”而改写。
  • 仅在事实错误、目标产品/服务不适用,或用户明确要求改变目标时,提出最小必要修改;逐项保留原句和修改理由。未核实不等于不存在,先标待确认,不提前替换。
  • 转写纠错与创作修改分别记录。品牌/模型名依画面可纠正识别拼写,但不能把屏幕标题填成未经核实的口播。
  • 画面可替换但要接住原句含义,尽量保留原片段落和节奏。用户允许意译画面时,可用与主题相关的使用场景、工具操作B-roll承接旁白,不必逐字配对应实拍。通用场景素材不能证明某个工具、平台或服务存在。
  • 原片出现某功能不代表本次推广的产品/服务必然包含;“原片表述”“目标服务待确认”“已验证事实”分开。
  • 不擅自添加痛点开头、咨询口令、优惠或效果承诺。原片是否爆款、是否带来转化,需要相应数据。

工作方式

  1. 获取原片路径、媒体参数和哈希。检查完整时间范围,包含片头、标题、字幕、口播和片尾。原文件只读。
  2. 抽帧检查画面,转写音轨并核对;工具缺失可用本地可运行方案。使用机器转写时保留原始结果,注明模型、时码近似性和人工核听状态。听不清/模型不一致的字句独立标出,不能以流畅推测补全。
  3. 按句输出:时间、原句、证据类型与置信状态、保留或最小修改、原因、原片镜头、替换镜头公式、服务待确认项。保持原文层不可变,提议另列。
  4. 镜头公式至少包含主体、动作、景别、必须看见的信息;原片观察与替换建议分开。抽帧只能给出近似时间,精确剪辑点须再定位。
  5. 把待确认产品/服务汇总成短清单,不用未知事实阻止能继续完成的原片整理。未经核实的服务台词可留在讨论稿,不能标成可直接发布。
  6. 原句及必要改动确认后,再匹配现有素材、补缺、配音和剪辑;每步记录实际产出和缺口。最终检查字幕、音画对应、导出流和时长。

台词重写分支:别家原片的结构复刻

用户选“保留结构、台词重写”时用这一支。原片只提供段落顺序、每段作用、节奏和镜头公式;台词、声音、画面都换成自己的。

  • 拆解按段写“作用”,不逐句改写原句。新台词从目标产品口径重新写,不能在原句上换几个词;原片的口号、收尾句式也重写。机器转写原文只留在分析目录作证据,不进改写稿。
  • 服务表述只写有证据的:目标品牌自家账号素材里拍到的环节可以写,但只能证明那个门店、那一期或那一批;没有证据的写成“示意”动效,并列入待确认。原片里的年限、资质、人数、效果数字这类背书不搬。
  • 原片是真实活动的现场回顾(人数、地点、现场),而手里没有目标品牌同类活动的真实画面时,改成“流程示意”:不写人数、地点、日期和分数,素材画面标“情景示意”,尾板写“以官方通知为准”。“画面可以不是实拍”不等于可以编造一场活动。
  • 第一人称用户剧情加效果数字属于用户证言:效果卡标“情景示意”,发布前要换真实用户并拿授权,或者保留“情景演绎”标注;不编结果数字。
  • 〔待确认〕这类标记只写在文档里,不能进屏幕字幕。
  • 配音:scripts/tts_lines.py <台词.json> <新输出目录>,需联网。每句单独合成并去掉首尾静音,按顺序排出时间线,输出voice.wav和timeline.json;再转成AAC(m4a)供混剪工具直接复制。默认引擎edge-tts(依赖edge-tts),商用授权不明确,只能用于讨论样片。用户提供火山语音账号时在台词JSON写"engine":"volc",用seed-tts-2.0,音色与语气写法见references/fullscreen-mix.md。火山的发布权限以用户账号的服务条款为准,不写成已授权。
  • 凭证只放运行时环境变量(VOLC_APP_ID、VOLC_TOKEN),不写进台词JSON、脚本、文档和提交;用完告诉用户聊天记录里有明文,建议轮换。
  • 音色好不好听代理判断不了:按片子受众选一个做主音色,并用同样前几句给每条片子再出3—4个备选试听放进配音试听-vN/,换音色只需重跑配音和重排。每条片子用不同音色;tone写明说话人和场合(效果未经人耳比较)。
  • 成片导出后用transcribe_local.py转写回来,对照台词;识别模型的同音错字和配音读错分不清时,标“待人耳核听”,不声称已核听。small模型常把同音词听错、把专有名词写成近音字,这类差异不能当成配音读错的证据。
  • 画面字幕和段落时间按配音时间线定:每段从该句开始前约0.1秒起,到下一句开始止;字幕文本去掉标点,长句按语义拆成两行。
  • 换音色后不要手改帧号:scripts/retime_plan.py <旧计划> <timeline.json> <新计划> --audio <新音轨> --version <vN>按新时间线重排字幕和切点,实拍段不读出原来的源区间,这样不会多带进下一个镜头:时长变短就裁尾保持原速,变长才慢放。原来没口播、在屏幕文字上加口播的句子用--silent-lines 1,9标出,只占时间不生成字幕。先调全片rate把总长拉回原来附近(比逐段修省事:一次+10把31.0→33.9秒的第5条拉到29.7秒),再看脚本打印的倍数;超过1.25倍的段先量切点往外扩源区间;同一句前后半能对上两个镜头时拆成两段(实测一句拆成两个动作镜头后,1.75倍回到原速),都不行才接受慢放,且不比上一版更慢。
  • 给配乐片加口播:台词就用现有字幕,开头和尾板读屏幕上已有的字,不新增说法。配音先做响度标准化,配乐压低约14dB留作垫底并在结尾淡出,混成一条m4a给audio。
  • 没有口播的原片配免版权音乐:Mixkit Stock Music Free License允许社交媒体视频和线上广告,不允许电视广播、光盘、游戏和单独翻做;按目标时长截取,加淡入淡出并做响度标准化(-16 LUFS)。
  • 混剪计划用audio字段指向新音轨,渲染器复制它而不是原片音轨,审计也按它核对;原片画面默认仍然禁用。

补画面:免版权素材与抖音素材

  • 先翻目标品牌自家账号已经下载的素材,用1秒联系表找镜头;品牌自家的vlog、门店或活动记录往往覆盖多个真实环节,比通用素材更能接住台词。
  • 通用场景(日常生活、办公、学习、厨房等)用Pexels:免费商用、无需署名;竖屏搜索页加?orientation=portrait,下载地址为https://www.pexels.com/download/video/<ID>/,会重定向到原始文件。先用缩略图拼成带ID的联系表挑选,再下载。人物多为外国面孔,适合不需要指明身份的镜头。
  • 抖音网页版的搜索和账号主页完整作品列表都要登录;未登录时只能打开已知作品链接。登录必须由用户本人扫码,代理不输入账号密码。
  • 打开作品详情页后,页面正常播放时加载的媒体地址可以从video元素的currentSrc或performance资源列表里读到:有的是单个MP4,有的是视频流与音频流分开(media-video/media-audio)。带Referer为https://www.douyin.com/下载,分流的用ffmpeg无损合并(-c copy);blob地址不是下载结果。仍然不绕验证码、不调隐藏接口。
  • 每个素材登记来源、ID、授权类型和本地路径;品牌账号素材“能下载”不等于可二次发布,发布授权单列待确认。

交付审计是必经步骤

用户不应充当第一轮质检。导出成功不等于可交付;先按references/delivery-audit.md执行准备检查、导出、实际画面复审、最终放行。发现问题由代理自行调整取景、换镜头或补素材,再审计;可逆修正无需重复询问用户。只有当前文件对应的最终audit.json显示delivery_allowed=true才返回样片。存在未解决问题时不能写“已经通过”。

  • 品牌要完整露出或完全避开,不能残留半截字、局部图标或橙色小字;除顶部印字外还看墙面、屏幕等移动品牌。取景改善后须重查是否把源字幕带回来。
  • 同源视频可选不同镜头;同一源时间区间不能重放。同动作/机位属于同一镜头族,即便换裁切、邻近入点或变速也不算新镜头。每组镜头集中出现一次;连续的正常动作推进不视为重放。不能为了通过审计给同一组画面换名字。
  • 例外:口播片的主播主镜头(用户2026-11-18确认)。主播出镜、画面和成片音轨是同一时刻(口型对得上)时,主播镜头可以穿插空镜反复出现,但源时间只能往前走、不能重叠;在登记里给这个镜头族标"a_roll":true。只用于口型同步的主播镜头,空镜、产品镜头不能这样标。
  • 先按源区间交叉和观察登记的镜头族检测复用,再用感知相似候选与实际画面复核补充。不能声称算法能自动理解所有重复构图。素材不足时补素材或重排,不循环填时长。
  • 自动可检查源哈希、裁切与登记包围区关系、源字幕禁入区、时间轴、源片段重叠、镜头族返回、原音轨PCM一致及完整解码。品牌移动、未知字幕、主体完整、画面自然、客户演示观感须由代理看导出起中尾帧复审,必要时继续看片;这是视觉复审,不冒称人工逐帧验收。
  • 审计和视觉复审必须绑定当前plan与导出文件哈希。改计划、字幕、取景、源文件或重新导出后旧结论作废;没有实际画面证据、未审镜头、未处理的相似候选或过期结论一律拦截。
  • 最终交付视频、简短修正说明与必要限制;审计明细放配套文件,内部试验和未通过文件保留但不当作最新版推给用户。产品/服务事实未确认与制作质量是否过关分别记录。

无API时的网页下载分支

用户指定抖音和下载网站时,优先在浏览器中搜索账号、检查认证与作品、获取可见作品链接,再提交到指定网站解析下载,不要求用户逐条复制粘贴。先验证一条,再扩大采集。需要的候选数量由脚本镜头缺口决定,不整号盲下。

候选选择依据是画面是否匹配原句;账号名、视频标题或高互动不能代替观看。曾有一条按标题看很对口的视频,下载后抽样发现以人物口播为主,没有所需镜头,因此不计入已匹配素材。

每条记录来源账号、作品ID、原链接、原始文件与本地文件、下载状态、媒体检查、可用片段时间和对应句号。状态分开:候选、已解析、已下载、媒体检查通过、镜头匹配。解析成功或点击按钮不算下载完成;可播放不算镜头匹配。

临时下载链接按页面提示及时使用;本例网站提示约5分钟过期,宜逐条解析后立即下载。遇登录/交互验证码保存断点并按浏览器规则交给用户处理,不盲目重试。自动安全检查自行完成不等于人工验证码需要处理。用户回复完成后读取页面状态;若仍显示失败,不能假定通过。

下载网站持续停滞时,可检查原抖音详情页中用户本来就能看到并正常播放的video元素,使用浏览器文档支持的downloadMedia保存公开媒体。本例详情页可见实际MP4链接并下载成功,搜索结果弹窗则可能是blob;不要把blob地址当成已下载视频,也不绕过验证码去调用隐藏解析接口。

下载后检查非空文件、音视频流、时长和尺寸,进行完整解码并抽帧验证。网站去水印能力不代表素材发布使用范围已确认。两种下载路径在2026-10-21验证成功,但未证明长期稳定或整片素材已齐。

逐句素材匹配与时间复核

  • 先以1—2秒抽帧覆盖全片,找到候选范围;再对候选起止附近重新seek,以至少2fps抽帧检查。首次fps抽样标签可能偏离实际镜头约一秒,不能直接当剪辑点。本例因此修正耳机侧面特写的起止时间。
  • 定入出点前先量切点:ffmpeg -ss A -to B -i src -vf "select='gt(scene,0.25)',showinfo" -an -f null -,输出时间加上A就是源时间。入点放在切点后至少0.05秒,出点离下一个切点至少0.15秒;慢放段(source_span小于目标时长)读到的源帧会比计划多出约0.1—0.2秒,2026-10-30三次都是靠导出画面才发现漏进下一个镜头,所以慢放段要留更大余量。
  • 镜头族按量出的切点登记;同一机位的连续长镜头(如从一个区域一路走到另一个区域)是同一族,不能拆成两个名字分给不相邻的段。调整入点超出已登记范围时,先补登记再审计。
  • 用本地文件时间标注入点和出点,并区分原片台词时间。画面连续性、原有大字幕、口型、清晰度和品牌/城市标记都影响可用性,写进限制项;不得把下载页“无水印”当作画面无字幕。
  • 分别标记有画面、部分匹配、有条件候选、缺画面。相关产品名、普通场景、同类工具不自动证明原句里的具体功能;别家产品的界面不能冒充目标产品的功能。
  • 检查候选镜头时长能否覆盖原句,多个短镜头可组合;不能把1秒的屏幕画面标成足够覆盖整句。多个台词共用同段素材时告知重复风险,最终剪辑需分配。
  • 逐句保留原台词,已有部分画面也要列出未覆盖的信息,不能仅给下载数量。没有找到是本轮搜索结论,不是产品不存在。
  • 原视频只读保存。可建立精选副本方便用户取用,以哈希确认副本一致;排除素材与候选保留原因,不混入精选。没有用户明确请求,不安装skill到全局目录,不发布视频。

用户允许缺口保留原片时:先做粗剪

用户采纳“能换的画面换,缺的保留原片”后,可以进入第一版;不继续等待所有镜头齐全。优先保持台词、段落顺序、原音轨及总时长;有素材但无关大字、画质或口型干扰严重,也可保留原片并记录原因,不为替换率牺牲内容匹配。

用源视频实际帧率建立连续的按帧时间轴。每段明确原片目标帧范围、来源文件、源入点、源时长、取景与字幕。保留段使用原片同一位置;替换段只处理画面,必要的轻微慢放单独记录。素材原声不混入最终音轨。

源视频带字幕时先查看实际画面,取景避开无关文字,保护主体和品牌;不得假定固定百分比就能裁干净。需要重排字幕时沿用原片屏幕文字,不将机器猜测变成新增口播。用户要求全屏时,按目标比例选取主体裁切并铺满画面,不使用模糊延展。主体无法保留或字幕无法避开时换镜头或用示意动效,不强行放大到失去语义。

导出前保留原始文件哈希;导出后核对源文件未变、复制音轨的解码PCM哈希、连续帧数、音视频流和完整解码。保留片段重新编码后不能声称像素或字节完全相同,可对对应帧做SSIM检查并解释范围。视觉抽样不能冒称逐帧验收。发现原字幕露出,修正取景后重出,保护第一轮过程文件。

交付完整可播放粗剪、替换/保留记录和仍待确认的项目,再根据用户反馈精修。音轨直接沿用时,无需等机器转写名称读音全部确定;不得因此重配待核名称。

需要拉开画面差异:实拍与自制动效混剪

用户认为原片画面保留太多,并允许自己制作图片配动效时,保留已确认的台词、声音、段落和时间,重新设计画面。分别记录新实拍、自制图形、原片保留的时长,不把重新编码或简单裁切计为新内容。

用途影响视觉方案:用户说明用于谈客户、要求自然可信时,以真实使用场景和产品镜头为主,自制部分只做原词强调、简洁高亮等克制动效。不要因为用户曾提到生成配图,就自动加入卡通、合成人物、大段概念流程或虚构界面。必要真实产品屏幕可少量保留原片并登记时长;不是一律追求0原片。内部试验版不作为最新客户演示交付。

  • 用真实使用者、场景、工具细节承接人物与动作;用自制词卡、声波归档、记录流向、句子高亮解释抽象过程。两者交替,避免连续长时间堆静态卡片。
  • 简单图标、流程、文字分析适合代码原生绘制并加动效;需要真实照片感的插图才考虑图像生成。不要把“配图”一律理解成生成照片。
  • 自制图形明确标“功能示意”,并在来源记录中标注非实际界面。不得编造效果数字、用户评价、实际报告或专家身份;来源视频表述仍与目标产品确认状态分开。未确认不能靠画面伪装成确认。
  • 原片留存模式与本分支是不同版本选择。用户明确要求拉开差异时,不能继续自动回填大量原片;不够的镜头列出并用已授权的示意方案解决。声称没有直接引用原片画面前检查时间轴来源,不能由此声称平台必认定原创。
  • 字幕只保留一套来源,不混用源字幕和新字幕,时码全片统一。样式不要所有片子一个模子:同批片子各用一种样式,同一条片子里按内容给关键词和句型做变化(用户2026-10-30明确反馈“别那么统一”),但只改样式不改字词。取景须避开源字幕;复核每段起、中、尾,不能只看一个中心帧。字幕名词纠错单列证据,不重配或改动音轨。
  • 全屏裁切保持目标长宽比、不得拉伸。用真实图片覆盖整帧,不使用模糊填边。若只是提高字幕对比度,可使用轻微亮度渐变,但不是新增画面边框。

全屏混剪工具

scripts/render_fullscreen_mix.py <edit-plan.json> [--preview],依赖ffmpeg、ffprobe、Python与Pillow。输出尺寸由plan的width/height定(须9:16),不写时是576×1024;交付片一律用1080×1920并设"enhance":true,别等用户说画质差(2026-10-30三条样片都先出了576版才被指出)。图形和字幕在输出分辨率下重绘,版式坐标不用改。示例schema与案例路径见references/fullscreen-mix.md。

选素材时就看画质:算每段放大倍数(输出宽÷取景宽),超过2倍的段优先换素材或少裁。enhance只对放大的段做轻度去噪和锐化,救不回低码率素材:720p/714kbps的抖音下载片升1080后仍明显软于4K素材,要根治只能拿原始文件。AI超分未在本项目验证,用在真实人物的脸和手上有走样风险,须用户同意。

支持footage与graphic两种段落:实拍用整数9:16裁切,图形原生绘制声波、词卡、概念流程和句子分析,v0.6另有成绩卡、图标卡、关键词大字和品牌文字尾板。实拍可用accent.labels添加轻量原词强调,素材画面要标“情景示意”时也用它。默认禁止原片画面路径;明确保留必要真实屏幕时在plan设allow_reference_pictures=true并记录原因和统计。全局字幕只烧录一次(caption_style可选默认底部白字、box黄底黑字,v0.7新增pop、band、paper,见references),最后复制音轨:默认原音轨,台词重写时复制plan的audio。--preview只生成代表帧和联系表,正式导出后仍要复核每段边缘帧及画面运动。输出必须是新文件,改计划需使用新work目录。改了渲染器而计划没变时也要升版本重出:审计绑定的是计划和成片哈希,不绑定渲染器代码。正式执行校验连续帧、源哈希、解码音轨一致和全文件解码;工具通过不等于产品事实或视觉自动验收。

粗剪工具

scripts/render_picture_replacement.py <edit-plan.json>。依赖ffmpeg、ffprobe、Python、Pillow及可读取的中文字体。plan包含reference、width、height、fps、total_frames、font、work、output和segments;每段包含id、start_frame、end_frame、path、mode、source_in、source_span。替换段还需归一化roi=[x,y,width,height]和caption,可设置font_size、caption_y。仅本地视频处理,无外部API。

先用--only <segment-id>输出代表镜头检查取景;确认后完整输出。work使用独立版本目录,output不得已存在。缓存按输入源哈希和配置识别,配置变更须新建目录,不得只凭相同帧数复用旧画面。编码后复制reference音轨,输出verification.json验证解码音轨一致、源文件哈希和帧数。

素材工具

  • AI配音:scripts/tts_lines.py,见“台词重写分支”。
  • 换配音重排:scripts/retime_plan.py,见“台词重写分支”。
  • 音轨转写:scripts/transcribe_local.py。依赖Python和faster-whisper;首次加载指定模型需要网络下载。输出机器识别原文JSON,不是自动验收后的逐字稿,不自动规范品牌名。
  • 媒体检查/预览:scripts/scan_media.py <video> <new-output-dir> [--step 1]。依赖ffmpeg、ffprobe、Python和Pillow。输出媒体参数、哈希、带近似时间的预览图;输出目录必须不存在以保护旧证据。它不自动判断语义匹配。
  • 匹配清单校验:scripts/validate_material_map.py <material-delivery.json>,验证文件、哈希、片段边界、句号与镜头引用。
  • 最少交付:本地原视频文件夹、按原句的匹配与缺口清单、来源/视频ID/文件/时间范围对应记录、服务待确认项;需要时提供精选副本和可移植skill压缩包。
  • 将本轮待核听、未确认服务、素材缺口和实际验证状态带入下轮,不把“文档完成”写成“视频复刻完成”。

Verwandte Skills