Communitygithub.com

xb-video-cut

XB Video Cut v2:ChatCut 内基于说话内容驱动的视频剪辑技能。用于剪口播、访谈、去口癖、删停顿、加字幕、配BGM、加B-roll/MG动画等。

xb-video-cut とは?

XB Video Cut v2 是一个专为 ChatCut 平台设计的智能视频剪辑技能,其核心理念是“由说话内容驱动剪辑”。它通过一套严谨的状态机和工作流,将视频编辑分解为内容判断(剪什么)和时间线执行(按什么顺序)两个独立环节。该技能覆盖单人口播、访谈、视频播客、课程等多种视频类型,用户只需提出剪辑需求,如“剪口播”、“去口癖”、“加字幕”或“配背景音乐”,Agent 就会根据预定义的规范自动执行。其独特之处在于对语音内容的精细处理:从口癖删除、停顿压缩到多版本择优,都遵循明确的语义原则,而非机械地裁切。此外,该技能还深度整合了 B-roll 规划、MG 动画制作、转场音效设计等高级功能,并能与 Obsidian 笔记系统联动,将剪辑过程中产生的素材表、检查清单统一存档,确保项目的可追溯性和协作效率。最终,它要求在所有处理完成后进行逐项验证,并归档生成的素材,确保成片质量。

対応~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Iris-lover/xb-video-cut/tree/main

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

ドキュメント

XB Video Cut v2

这是一个面向 ChatCut 的 speech-led video 剪辑执行规范。它把“判断该剪什么”和“按什么顺序落到时间线”分开处理:先确定内容目标,再按最终口播时间安排所有视觉、文字和声音层。

1. 适用范围与基本约束

适用于已有素材的单人口播、访谈、视频播客、课程、教程和讲解视频。用户要从零生成一个没有源素材的 talking-head 时,不使用本 Skill 的剪辑流程;先说明需要已有视频素材。

源素材可能已经是当前项目资产,也可能是本机路径或对话附件:

  • 已在项目中的素材,直接使用,不重复导入。
  • 本机可读路径或对话附件,按当前 ChatCut Desktop 的资产注册方式加入项目,再开始读取文字稿。
  • 如果编辑器没有打开目标项目,先让用户打开目标项目;不要假设当前项目就是目标项目。

中文产品术语统一使用:

  • A-roll:语音剪辑
  • Background music:背景音乐
  • Captions:字幕
  • B-roll:始终保留 B-roll
  • Motion Graphics:MG 动画
  • AI Voice Isolation:AI 人声隔离
  • Transcript panel:文字稿面板

不要用“动效”“字幕条”“动态字幕”替代“MG 动画”,也不要把 B-roll 翻译成其他中文术语。

2. 先判断目标,再选择处理项

每次开始时先确认这三个维度:

  1. 目标:平台、成片时长、横竖屏或其他画布要求。
  2. 处理项:只做 A-roll,还是还要字幕、背景音乐、转场音效、B-roll、MG 动画、AI 人声隔离或导出。
  3. 节奏:紧凑、自然、正式、轻松、情绪化,或沿用项目已有风格。

不要因为某个工具可用就默认加入所有处理项。用户没有提到的增强项保持不动。

已有项目画布、字幕样式或品牌风格时优先沿用。只有项目没有设置、且用户没有给出要求时,才使用默认值。新项目默认 1920×1080 / 60 fps;不要把这个默认值覆盖到已有项目,也不要替用户擅自改比例。

横屏素材/画布:在最终检查与导出阶段(见 12. 节),提醒用户是否需要额外衍生一份竖屏版本。竖屏素材/画布:不需要提这件事,直接跳过,不要每次都问。判断依据是当前时间线的画布比例,不是用户有没有主动提起。

当多个关键维度同时缺失时,用一个简短表单一次收集;只有一个小问题缺失时直接问一个核心问题。不要连续追问已经可以从项目或上下文判断出的信息。

2.1 剪辑表格统一存入 Obsidian 脚本文档

同一支视频生成或更新的素材表(含 B-roll checklist)、音效表、转场表,必须与视频脚本存放在同一个 Obsidian Markdown 文档中,分别维护独立小节;该文档是这些表格的唯一维护来源。聊天中展示表格不能替代保存。

  • 先从用户提供的 Obsidian 链接、文件路径或上下文确定该视频的脚本文档。obsidian:// 链接需解析 vault 与 file,并定位本机实际 Markdown 文件;未能唯一确定时,只询问目标文档,不默认另建表格文件,也不把其他视频写入已知文档。
  • 初次读取全文及已有小节,在对应小节原位更新;没有该小节才追加。保留脚本、用户批注与其他内容,避免重复追加多份表格。后续合并、删除、重编号、素材匹配或时间线变化,都同步到同一小节及相关汇总。
  • 素材表默认列为:段落 / 口播锚点 | 需要的 B-roll | 所需时长 | 是否已提供 | 对应素材。段落写内容主题与实际口播原句;时长是成片中所需展示秒数,不是源视频起止时间。✅/❌依据已检查的实际材料填写,并注明核对日期与范围,未检查不能冒充缺失。需要规划生成 B-roll 时,在待确认的总表中额外增加建议来源(待确认),让用户同时审核画面需求与来源;确认后再分出上传清单和生成清单。其他情况默认不增加“能否生成”“画面变化与落点”“如何衔接”列。
  • 音效表记录口播或动作锚点、音效用途/类型、时长、对应素材及确认/执行状态;转场表记录边界前后实际口播、转场类型、匹配音效及确认/执行状态。沿用用户已确认的表格结构。仅启用相应处理项时才创建表格,保存方案不代表已经确认或落轨。
  • 已指定目标文档后,维护上述表格无需逐次再询问保存位置。若旧清单在其他位置,迁入脚本文档,旧文件仅保留迁移指引,不同时维护两套正文。
  • 保存后回读,核对表格、项目数、编号、时长和状态,并提供文档链接。无法写入时如实说明,不能声称已保存。实际图片、视频和音频文件不嵌入 Markdown 二进制;表中记录素材路径或链接,素材文件位置按用户的存放约定处理。

3. 时间线状态机

阶段不是强制全部执行,而是“按用户选择启用”。唯一固定的依赖关系是:A-roll 必须先于所有依赖时间线的处理项。

推荐顺序:

  1. 项目与素材确认
  2. A-roll 语音剪辑
  3. 字幕
  4. 背景音乐
  5. 转场与匹配音效
  6. B-roll
  7. MG 动画
  8. 最终检查与导出

如果用户只要求其中一个处理项,完成该项并做相关验证即可,不要自动扩展任务。

阶段交接

每个已启用的主要阶段完成后:

  1. 用一句话说明刚完成的结果;
  2. 标记当前结果为“待用户确认”;
  3. 说明下一步是什么;
  4. 只提出一个会影响下一步的核心问题。

用户说“继续”“下一步”“好了”“确认”时,视为确认当前待确认阶段并进入下一阶段。用户同时提出修改时,先完成修改并重新检查当前阶段,不要跳过确认点。

用户明确要求端到端完成时,可以连续执行没有主观选择的步骤;但以下情况仍需停下来确认:付费生成、不可逆操作、缺少关键创意方向、或会明显改变成片结构的决策。

不要把多个阶段的确认问题捆在同一条消息里。不要在没有实际执行或验证时声称“已完成”。

4. A-roll:先处理说话内容

判断某句该保留还是删除、如何向用户呈现改动提案时,优先查阅 references/speech-cleanup-judgment.md——里面是实操中反复纠偏沉淀的具体分类标准(口癖/卡壳重录/悬空句/可精简/评价语/操作步骤怎么区分)、呈现格式规范(表格:左原文划线、右改后效果)和常见易犯错误自查清单。

4.1 先分类任务

开始编辑前判断用户要的是哪一类:

  • 清理:去固定口癖、失败重录、口误、无意义停顿和明显空白。
  • 提炼:从长素材中抽取重点、观点或高能片段。
  • 重组:调整观点顺序,让结论、冲突、步骤或解释更清楚。
  • 开头钩子/短版:把强观点、结果、冲突或问题提前,或压缩到目标时长。
  • 目标稿对齐:按用户提供的文案、段落或指定句子保留和重排。

工具不能决定编辑策略。先确定内容边界,再选择工具。

4.2 通用语义原则

  • 尽量按完整句子、完整观点、完整回答或完整步骤处理。
  • 用户明确指定要保留的句子时,精确保留指定词句,不携带同一 ASR 行中无关的头尾。
  • 不把不同失败重录的残句拼成一句人造句子。
  • 保留让句子成立所需的主语、宾语、连接词、转折词、列表标签、限定语和上下文。
  • 重复不一定是错误:可能是强调、结构标记、补充信息或情绪表达。只有同一意图的失败重试才按重录处理。
  • 不确定切点是否损伤语义或听感时,保留内容或缩小删除范围。
  • 向用户解释剪辑时使用实际 spoken content 或自然语言,不展示 [sN]、词索引、clip id、segment id 等内部地址。

4.3 推荐操作顺序

  1. 用 read_script 读取当前 Script 和 timeline.md,先了解内容结构。
  2. 如果存在固定无意义口癖或批量长停顿,先用 clean_script 做机械清理。
  3. 清理后重新读取最新的 timeline.md。不要依据清理前的旧文字稿凭记忆编辑。
  4. 进行语义剪辑:选择最佳重录、删除 false start、去除重复或失败片段,必要时重排内容。
  5. 用 apply_script 应用修改。
  6. 重新读取生成后的文字稿,检查语义、顺序、断句、重复和停顿。
  7. 口播结构确定后,再运行 smooth_audio 检查和处理接缝。

manage_transcript fix 只用于修正 ASR 文字或说话人归属,不会剪掉声音;find_transcript 只用于定位,不负责编辑。所有 spoken content 的删除、移动、选择和复用都在 Script 中完成。

4.4 多版本录制择优

把表达同一语义的录制版本分组,逐组比较:

  • 语义是否完整、是否符合目标稿;
  • 流畅度、吞字、卡壳和语气;
  • 呼吸是否自然;
  • 杂音、音色、画面稳定性和切点余量;
  • 与前后句衔接后是否像同一次自然表达。

每个语义单元优先保留一个完整版本。不要默认最后录制的一条最好;后录版本只有在更完整、更顺畅或补充了不可缺少信息时才替换前一版。应用后逐个试听跨版本接缝,重点检查卡壳、呼吸被切断、音色突变和暴露的杂音。

4.5 口癖、重录和半句

纯犹豫声通常可以批量删除:呃、额、um、uh、er、ah。以下词语必须结合上下文判断,不能按词表机械删除:然后、就是、嗯、那个、所以、但是、啊、まあ、なんか 等。

一个词承担顺序、因果、转折、指代、回应、强调或语气时保留;只是填充且删掉后仍自然时才删除。

重录清理按以下顺序判断:

  1. 确认几次表达是否真的在说同一个意图。
  2. 找出最完整、最自然的一版,不机械选择最后一版。
  3. 从失败或重复真正开始的位置切除,只切掉被覆盖或悬空的部分。
  4. 保留后一个版本没有重复、但让语义成立的 lead-in、连接词、主语、对比或结论。

对于 “这个其实……” 这类没有完成的悬空半句,只有在它没有提供有用信息、且不会让后文突兀时才删除。不要为了追求短而删掉必要上下文。

4.6 停顿和呼吸

停顿默认压缩,不要清零:

  • 未指定时,重点处理超过约 0.8–1 秒 的明显停顿,通常压到约 0.3 秒。
  • 句间保留约 0.3–0.5 秒,让听众感知自然断句。
  • 话题切换、对比、强调和情绪转折可以保留更长停顿。
  • 句内短呼吸通常保留;明显长停顿才压缩。
  • 失败重录连同其前后的无意义长停顿一起移除。
  • 不要为了制造节奏在主视频轨创建意外的 [gap];它可能渲染为黑帧。需要留白时保留源素材静音、使用 [silence=...],或明确使用 B-roll、MG 动画或全屏视觉段落。

如果用户给出明确阈值,以用户阈值为准。

5. 字幕

字幕依赖最终 A-roll。A-roll 尚未确认时,不要基于旧时间线提交最终字幕。

无既有样式且为 1080 横屏时,默认使用:

  • 样式:deyi-card;得意黑、白字、深色半透明圆角底卡;
  • 位置:bottom-center;
  • 字号:80 px,对应 fontSizeRatio: 0.074074;
  • 底卡内边距:横向 28 px、纵向 18 px;
  • 节奏:短卡优先,按完整意群自然分句;
  • 范围:时间线上所有可听见的口播。

其他画布按比例适配,不强行套用 1080 横屏字号。已有用户偏好优先,不重复询问。

1080 横屏默认每张字幕卡只显示一行(maxLines: 1)。如果文字过宽,按完整意群拆成两张或更多短卡,不要在同一张卡内换行。分句优先级固定为:不拆词与固定表达 > 语义完整 > 单行显示 > 卡片长度均匀。宁可让上一张卡更短,也不要为填满宽度拆开固定词组、专业术语、英文产品名、数字与单位、百分比、否定词与其谓语;除非用于刻意强调或受语音时序限制,否则避免出现仅 1–3 个字的孤立字幕卡。

字幕分页前先把上下文中的中文词组、专业术语、产品名、数字单位和固定表达视为不可拆分单元。单行超宽时,整组后移到下一张,并回退到最近的标点、停顿、主谓、动宾或并列意群边界,不按字符数硬切。

字幕生成或重新分句后必须执行跨卡边界复查:逐张检查上一张末尾 2–4 个字与下一张开头 2–4 个字,识别被拆开的双字词、多字词、英文名称、数字单位、否定结构和助词依附关系。字幕卡以孤立单字结束或开始,或上一张以“的、了、和、在、不、被、把”等依附性较强的字结束时,必须结合上下文复核;发现异常时通过移动完整词组或重新平衡相邻卡片修复,不能只处理用户指出的单个案例。

字幕卡句末默认不显示中文逗号 ,、中文句号 。、英文逗号 , 和英文句点 .;保留问号、感叹号、小数、缩写、省略号和其他句中标点。清理对象是每张字幕卡末尾的标点,不删除句子内部用于断句或表达语气的逗号、句号。

每次生成、重新应用或修改字幕后,以及导出前:

  1. 分页读取全部字幕卡,不能只看第一批。
  2. 通过字幕卡文本编辑实际保存句尾标点清理,不能用会隐藏所有标点的全局开关替代。
  3. 沿用工具返回的卡片 ID 和最新 revision,不猜测批量接口。
  4. 保存后重新分页读取,确认句尾中英文逗号与句号均为 0,其他文字和标点未被误改。
  5. 只有保存和复查都成功,才能向用户报告清理完成,并说明实际修改数量。

分句只修改字幕卡:新卡首字使用 forcePageBreak:true,合并到上一张使用 keepWithPrevious:true,隐藏字幕中的重复字或口误字使用 hidden:true。不要用修改原始逐字稿、字号、字幕框宽度或 wordsPerPage 来修复某一个切断点。

字幕应用后,把完整字幕按不带序号的 | 分隔文本发给用户人工确认;用户确认后再进入背景音乐或其他下游层。

6. 背景音乐

背景音乐是可选项。先根据最终口播识别开头、正文、结尾及真实情绪边界,不要默认三段都使用同一种情绪模板。

生成或选曲前说明:

  • 每段的表达功能,例如诊断、解释、演示、反思、幽默或行动引导;
  • 情绪和能量;
  • 音乐切换的真实内容边界。

先提供少量、方向明显不同的试听候选。用户选定方向前不落轨。确定后再制作同一声音体系的开头、正文和结尾,切换点跟随内容边界而不是平均分段。

铺设时:

  • 口播轨设为 anchor,音乐轨设为 follower,使用自动 ducking;
  • 除非用户明确要求,不手动设置 audioRouting.duckDepthDb;
  • 不用大幅降低音乐片段音量再叠加深度 ducking;
  • 淡入淡出通常为 1–2 秒;
  • 音乐不得超过真实内容结尾;
  • 音乐不足时用多个片段在交替轨道拼接,不把单个片段不自然拉长;
  • 短音效不要放入 follower 音乐轨。

7. 转场、转场音效与情绪音效

只有用户需要转场或音效时才启用。先区分以下概念,再提案与执行:

  • 转场特效:用于连接画面、区分语义子要点或章节的视觉变化。普通直切不自动视为需要配音效的转场特效。
  • 转场音效:转场时一定伴随的音效。每个转场特效都必须有对应的转场音效,画面变化与声音落点配对验证。
  • 情绪音效:随文字强化情绪或信息重点的音效,例如痛点、预期落差、提醒、惊喜、确认、成果与收益。它可以独立于转场出现,不要求配套画面转场。

音效不一定绑定转场,但使用转场特效时必须配套转场音效。背景音乐、口播接缝的音频交叉淡化,不算已完成转场特效或上述两类音效。

按内容层级与节奏选择,不连续滥用同一种组合。较大的章节切换优先使用方向明确、持续稍长的甩镜头,配合呼啸声,让观众感到进入新章节;关联紧密的短步骤或枚举要点(如第一、第二、第三步)用短促的鼠标点击与轻量视觉节拍,强调它们仍属于同一组内容。时长应体现主次,但不设全视频通用的固定秒数;先听口播、看画面,再定具体长度和切点。

  1. 短暂闪黑 + 鼠标点击音效:适合紧密关联的步骤切换;点击声的主要瞬态对齐闪黑最明显的画面节点。闪黑必须短,不能把步骤之间做成明显断章。
  2. 甩镜头 + 呼啸声:适合进入较大的章节;横向运动模糊要清楚,持续时间明显长于步骤点击,呼啸声的运动方向与画面一致,峰值或落点对齐关键节点。不要把带白色分割线的线性擦除误当作甩镜头或黑色蒙层;预览中若出现突兀白线,应换成真正的甩镜头或按用户指定的渐隐转场。

放置后同时试听和预览。转场必须可感知但不拖沓,画面变化与声音落点同步,音效不能盖住口播。

7.1 转场点:每次由 Agent 提议、用户确认,不套固定规则

不同视频文案结构不一样,不能靠停顿分段、空行、关键词匹配等机械规则识别转场点。转场点的本质是同一段内容里语义上的子要点切换(例如一个列表里"第一个/第二个/还有一个"这类枚举要点各自开始的地方,或一个完整示例讲完、切入下一个功能点的地方),必须靠读懂内容语义来判断,不能靠结构代理。

每次要放转场前:

  1. 完整读一遍当前 Script/文字稿,找出语义上适合放转场的候选位置。
  2. 整理成一版方案发给用户确认:用实际说话内容引用候选点前后文字(不展示帧号或 [sN] 等内部地址),说明建议的转场特效及对应音效,按第 7.3 节单独呈现转场表。需要情绪音效时,同时单独列出情绪音效表。
  3. 用户确认或调整后,才把确认范围内的转场与音效落到时间线;没有确认不要直接放置。用户说“按这两个表执行”即授权执行两表的最新版本,不再重复询问已确认的点位。
  4. 一旦某版方案被确认,就是这支视频的转场基准。后续同一支视频(包括横转竖、加片头钩子等衍生版本,只要正文内容没变)的调整都沿用这个基准,不用每次重新整体提议一遍。

7.2 用户增删内容后,只核对变化的部分

用户后续增删口播内容时,不要重新发起一轮完整的转场方案确认,而是:

  1. 重新读取当前 Script,逐一核对每个已确认转场点锚定的前后文字是否还存在、语义边界是否还成立。
  2. 锚定文字还在、只是帧号变了:直接把转场搬到新帧号,不用重新问用户。
  3. 锚定文字被删除或改写、导致原来的边界不再成立:只针对这一两个受影响的点告诉用户具体是哪句话变了,问用户是换一个相邻锚点还是删除这个转场——不要连带重新问已经不受影响的其他转场点。

横转竖、加片头钩子等衍生版本同样适用第 2 点:只要正文内容没有变化,直接按确认过的基准重新定位到新时间线的对应帧号,不需要重新整体确认。

7.3 两张独立执行表,不与 B-roll 素材表合并

默认分别维护 B-roll 素材表、转场表、情绪音效表。它们可以引用同一口播锚点,但不因为某处有 B-roll 切换,就自动添加转场或情绪音效。

转场表:每行必须同时包含转场特效与对应的转场音效。

约时间口播切换点(前文 → 后文)转场特效与时长对应转场音效声画同步方式状态
按当前时间线定位使用实际口播引用闪黑 / 向右滑动等点击 / 呼啸等瞬态、峰值或落点对齐的画面节点待确认 / 已确认 / 已添加 / 已验证

情绪音效表:以文字含义与情绪落点为依据,可以没有任何转场。

约时间或范围文字落点强化的情绪或信息建议情绪音效使用方式状态
按当前时间线定位精确关键词或短句痛点 / 提醒 / 惊喜 / 完成感等描述声音特征出现次数、落点、尾音与音量要求待确认 / 已确认 / 已添加 / 已验证

表格中的时间用于查找,实际执行以最新口播锚点为准。先完整理解语义,再用逐词时间对齐,不靠关键词自动决定哪些词必须加声音。不把当前项目的时间点、数量或素材 ID 固化为其他视频的默认规则。

7.4 执行与验证

  • 转场音效与情绪音效使用分开的、名称明确的音轨,不混入背景音乐 follower 轨,便于独立调节。
  • 情绪音效短、轻、少;同一语义单元选择最重要的一处,避免逐词堆叠。相邻转场音效与情绪音效检查重叠,错开主要瞬态或收短尾音,不盖住口播。
  • 视频录屏的“加速优先”规则不要求音效保留冗长尾音;音效可按听感裁短并做自然淡出。
  • 转场作用于观众实际看到的画面。检查上方 B-roll、底板与其他图层,不能只在被遮挡的口播轨上加效果就声称转场可见。保持口播、字幕和其他内容时序不变。
  • 用户取消某个转场点时,成对取消该点的转场特效与转场音效;情绪音效作为独立方案保留,除非用户同时要求调整。
  • 执行后核对两表的最新点位、数量、配对和分轨情况;逐处预览进入、关键节点、结束及相邻画面,同时播放检查声画同步、音量与尾音。未实际试听时明确说明,不能把位置检查当作听感验收。
  • 分别汇报转场特效数量、转场音效数量和情绪音效数量,区分“已添加”和“已验证”;不能把只有音乐或口播交叉淡化报告为转场与音效已完成。

8. B-roll

B-roll 用于遮盖自然跳切、展示具体对象或加强理解。先确认模式:

先表后制作:当用户要规划或生成一批 B-roll,先读当前正式口播、既有分镜/脚本和实际素材库,整理一张统一的画面素材表,列出口播锚点、所需画面、建议成片展示时长、是否已有可用素材、对应素材及建议来源。把它存入同一份 Obsidian 脚本文档,明确标为待确认;建议来源只是提案,不等于已授权生成。用户确认或调整画面需求与来源后,才把确认版拆成两份执行清单:用户需上传的真实素材(网站、工具操作、本人作品、文档、封面等)与Agent 可生成的素材(概念场景、卡通补充画面等)。真实产品操作或成果不能以 AI 概念画面冒充;用户上传项不能擅自改为生成项。之后分别收集/核对上传素材,或按生成技能与必要的付费确认制作生成素材,再做落轨与验收。不要把清单确认误当成生成、下载、替换真实证据或修改时间线的授权。

  • 全屏切换:适合遮盖跳切、展示需要完整阅读或观看的内容。
  • PiP 小窗:保留口播人物,同时提供辅助画面。
  • Agent 判断:当用户没有偏好时,逐个内容点判断。

PiP 放置前检查目标帧和素材帧,避开人脸、嘴部、关键手势、字幕、产品、Logo 和可读文字;默认圆角 24–36。全屏素材根据宽高比和受保护内容选择 cover 或 contain。默认不在开头和结尾 3 秒内切走,除非内容需要。

来源可以是项目素材、库存素材或 AI 视频。涉及付费生成时,提交生成前取得用户明确授权。放置每个 B-roll 后做画面检查,确认没有遮挡主体、字幕或关键操作。

8.1 素材表驱动的 B-roll

当用户提供 B-roll 素材清单、checklist、分镜表或“口播锚点—所需画面—建议时长”表格,并要求把素材库内容放到对应位置时,使用 references/b-roll-checklist-workflow.md。

这类任务的核心规则是:先核对实际画面并按口播语义匹配,再决定速度与覆盖范围;视频优先完整保留并加速,只有在允许的速度范围内仍无法放入相关口播区间时才剪辑。不要为了省事直接截取长视频的一小段。

8.2 文字截图:放大正文与滚动阅读

  • 聊天记录、用户回答、报告等以文字为主的截图,优先放大与口播相关的正文,而不是整张界面缩小展示。先检查实际像素,确定正文边界,再裁掉无关侧栏、工具栏和空白;不能切掉理解内容所需的标题、来源、上下文或关键文字。
  • 正文较长时,可用截图平移模拟从上往下浏览:画面内容向上移动,依次露出下方文字;不是把文字向下移,也不把静态截图描述成真实操作录屏。
  • 开始与结束短暂停留,给观众定位和读取的时间;停留、滚动距离和速度按正文长度、信息重点及当前口播覆盖时长安排,不套固定秒数。短区间若无法清楚展示,应缩小滚动范围、只展示相关内容,或提议调整时长,不为扫完整页而过快滚动。
  • 原则上保持已确认的口播、字幕、音乐与相邻素材时序,使用可编辑的位置关键帧或等效确定性动画。移动全过程不露黑边,不裁断横向正文;检查字幕对重点文字的遮挡。
  • 检查进入、滚动中间、结束与相邻切点,并在可播放时连续预览滚动速度。只检查了抽帧时如实说明,不将抽帧当成运动听感验收。实际构图、展示范围和时长同步到同一份 Obsidian 脚本文档的素材表。
  • 这项规则针对文字截图;不自动裁切或重新包装已经合成好的录屏 B-roll。

9. MG 动画

同片风格一致性(默认,无需用户重复强调):同一支视频的所有 MG 动画(含提示词页、帖子高亮、标题、标签和章节进度条)必须沿用已确认的统一设计风格。制作前检查本片已有 MG,保持配色、字体、字重层级、圆角语言、线条与动画节奏一致;多方案只比较同一视觉体系内的结构差异。不得因复用其他视频模板而带入不一致的风格;本片具体颜色不固化为其他视频默认色。章节进度条交接时将这套视觉约束传给 xb-video-timeline。

MG 动画是可选的视觉解释层,应放在 A-roll、字幕以及需要的音乐和 B-roll 方向确定之后。先根据文字稿和目标帧判断它要帮助观众理解什么,再确定:

  • 内容:标题、标签、列表、对比、图示或全屏信息;
  • 时间:与哪个说话节拍或信息落点同步;
  • 形式:透明叠加或不透明全屏;
  • 位置:避开人脸、嘴部、关键手势、字幕和已有元素。

创建 MG 动画时使用当前 ChatCut 环境可用的 Motion Graphics workflow。放置后检查稳定帧,不要把过渡动画中的暂时缺失误判为设计错误。全屏 MG 可以有意替代 A-roll,但这必须是明确的内容决策。

MG 制作流程:先读取最新文字稿和目标画面,判断应采用全屏 MG 还是透明叠加;沿用项目现有设计风格,先制作可实际查看的 HTML 静态稿;用户确认静态稿后再生成动画、放入时间线,并检查关键帧。不要在静态方向尚未确认时直接进入动画制作。

多方案审核:视觉方向尚未确定时,先提供 3 个有明确差异的 HTML 静态方案供用户检查;已有确认方向时,只围绕该方案迭代,不重新发散其他方向。

构图规则:MG 避开字幕、人脸和关键操作区域;底部存在字幕时,MG 主体内容的视觉重心整体上移约 40–60 像素,为字幕保留清晰空间。

MG 转视频规格:任何时候把 MG 动画导出或烘焙成视频,都用 1080p、60 fps;导出后直接替换时间线 B-roll 轨上对应的 MG,并做真实导出抽帧验收。

MG 验收:检查进入、稳定、退出三个状态;章节类 MG 还要检查每个章节切换边界。验收时同时核对字幕避让、背景覆盖是否完整,以及 MG 在当前画布中是否保持正确宽高比、没有压缩变形。

9.1 章节进度条

章节进度条不再在本 Skill 内展开完整设计与动画实现。需要顶部/底部章节时间轴、章节导航或随播放推进的进度提示时,承接到独立 Skill xb-video-timeline,避免 xb-video-cut 同时维护 video card、章节语义与进度条视觉,造成规则重复和上下游不一致。

交接前由本 Skill 整理并确认:

  • 章节名称、顺序与最终文案;
  • 每章在最终 A-roll 时间线中的真实开始与结束位置;
  • 实际内容结束点,不使用音乐或字幕拖尾形成的时间线总长度;
  • 成片比例、字幕位置、人脸与关键操作的避让要求;
  • 已确认的 Design Style、主色和可复用参考样式。

交接后由 xb-video-timeline 负责 HTML 样式审核、进度视觉、动画生成、时间映射、时间线放置与章节边界验收。本 Skill 不重复生成进度条方案,也不复制其视觉参数和实现细节。

如果 A-roll、章节大标题或 video card 后续发生变化,本 Skill 只更新章节内容与边界清单,并把最新结果重新交给 xb-video-timeline;不要沿用旧帧位,也不要在两个 Skill 中分别维护两套章节数据。

9.2 章节标题:先标题,后 B-roll

启用章节标题时,默认先在 A-roll 口播画面已有留白处显示标题,待标题完全消失后,再切入该章对应的 B-roll。标题的退出动画也必须结束,不能让大标题与正文截图、操作界面同时争夺阅读注意力。

  • 保持原始 A-roll 人物的位置、缩放和裁切;标题适应现有留白,不能为标题移动人物。避免人脸、关键手势、字幕与操作区域。
  • 为后续 B-roll 安排开始时间时,同步检查底板等关联层,不能只后移图片却让黑色底板提前遮住人物。保留已确认的口播时序,复查素材覆盖及相邻接点;不得擅自裁掉真实录屏操作来腾出标题时间。
  • 标题文案、章节数量与落点从本次正式口播确认,不沿用其他视频的章节数、编号或时间点;已确认的转场及音效不因添加标题自动替换。
  • 使用前面的静态稿确认流程,先把代表性标题叠在实际口播画面中检查,再批量延续。只有用户明确要求时才制作开场标题、黑底章节卡或常驻导航。

已确认的可复用标题样式:淡黄编号/米白像素字

用于用户选择该像素章节标题方向、或启用章节标题且没有其他已确认标题风格时;已有项目设计风格和本次明确要求优先,不将本方案覆盖到所有 MG。

元素1920×1080 参考规格
字体GuanZhi-8px 像素字体;本机实际 family 为 GuanZhi 8px,文件 <本机字体目录>/GuanZhi-8px.ttf
章节编号两位编号,如 01;约 120px;淡黄色 #F6DFA0
中文标题约 80px;米白色 #F4EEE4
英文章节说明约 26px;米白色 #F4EEE4;随章节对应,不编造说明性事实,空间不足时优先省略
字重与边缘常规字重,不做伪粗体;不加投影、模糊或描边,保持像素边缘清晰
构图透明叠加,编号、中文、英文左对齐;优先人物旁已有留白,参考距左侧约6%;不加无关装饰或默认底卡
出现顺序编号先出现,再中文标题,最后英文;揭示完成后不留竖线光标

以上字号是1080横屏的起始参考,其他画布按实际显示比例适配;需要时按留白缩小或换行,不拉伸字形。不能只检查独立设计稿,必须以实际口播画面验收字号、间距、可读性和避让。字体缺失时报告,不静默替换;确认实际渲染的是指定字体。

本小节记录2026-11-07确认的标题字号、配色与无投影要求;与旧的 xb-video-style 标题数值有差异时,采用本小节的新规格,但不因此改变其他视频层、转场或字幕样式。

10. AI 人声隔离与音频接缝

需要清理或隔离人声时,使用 AI 人声隔离处理人声,保持画面不变。先确认用户确实要处理音频,不要把 AI 人声隔离当作默认步骤。

完成 A-roll 结构、音乐铺设或其他改变时间线的操作后,检查口播接缝。用户手动删片后,重新读取轨道,只关闭意外空档,再运行 smooth_audio。不要用淡化掩盖错误的版本选择、错误切点或音色突变。

11. 最终验证与交付

导出前按当前启用的处理项逐项检查:

  • 没有意外空档、黑帧或内容重复;
  • 口播接缝自然,语义完整,停顿不过紧;
  • 字幕与最终口播同步,字幕句尾标点复查通过;
  • 背景音乐没有超过内容结尾,人声清晰,ducking 正常;
  • B-roll 和 MG 动画没有遮挡主体、嘴部、手势、字幕、Logo 或关键文字;
  • 转场与匹配音效同步且不盖住口播;
  • 最后一次结构变化后已重新检查 smooth_audio;
  • 画布、分辨率、帧率和导出规格符合项目目标。

11.1 导出前:生成素材归档与重新关联

导出成片前增加一步,把本支视频制作过程中生成的素材统一归档到该视频在 用户指定的素材归档根目录 下的对应文件夹,并让项目改为引用归档后的文件:

  1. 确定文件夹:以本支视频源口播素材所在的 <素材归档根目录>/<视频文件夹>/ 为准(例如 示例视频/)。无法唯一确定时只询问目标文件夹,不另建新位置。
  2. 归档范围:AI 生成的图片、关键帧和视频,抠图图层与补好的背景,生成的配音、音乐和音效,转成视频的 MG 等所有生成素材。按镜头或用途建子文件夹(如 S004卡通场景/静帧、S004卡通场景/抠图图层),文件名使用素材库中的可读名称,不保留哈希式文件名。用户上传的原始素材和检查用临时截图不在范围内。
  3. 复制,不移动:从工具缓存、项目工作目录等原位置复制过去,不删除原文件。
  4. 重新关联:逐个把素材库中引用

…

[为便于翻译,原内容已截断]

関連スキル