BigBeeCN/竖屏口播短视频剪辑

竖屏实拍口播短视频剪辑（Windows + Codex + 剪映）

适用场景：手上只有别人拍好的素材（口播 + 空镜），要剪成 30–50 秒、1080×1920 的竖屏短视频，最后由剪辑师在剪映里收尾或直接出片。

硬规则（不可违反）见 references/AGENTS_rules.md，开工前把它放进项目的 AGENTS.md。本文件只讲流程。

输入

• 素材目录（只读，绝不改动原件；先复制一份到工作目录）。
• 剪辑师本人的风格习惯（若有）。剪辑师本人说过的习惯 = 硬标准；参考片只当招式库，学手法不学参数，冲突时听剪辑师。
• 可选：参考片、品牌标识位置、片尾 CTA 文案（不得写未核实的电话/地址）。

输出

• spec.json（分镜，唯一剪辑依据）、粗剪成片或成片 mp4、.srt、逐秒 QC 拼图、QC 报告。
• 路线 A 额外交付：剪映草稿；路线 B 额外交付：透明叠加层 ProRes 4444 .mov。

第 0 步：环境自检（不过不开工）

按 references/windows_env.md 跑自检：ffmpeg 完整版（带 zscale、tonemap、prores_ks）、Python 3.10/3.11、faster-whisper + whisperX、Playwright + Chromium + 目标中文字体，可选 demucs / RVM；剪映草稿目录已填进配置并加入 writable_roots。Codex 沙箱默认断网，模型和依赖要提前装好。任何一项失败，先报告缺什么，不要硬跑。各步骤的具体命令见 references/windows_commands.md。

第 1 步：素材盘点

1. ffprobe 每个文件：分辨率、帧率（是否可变）、旋转、时长、色彩传输（HLG/PQ = HDR）。写成 inventory.csv。
2. 不导出 SDR 中间文件：每次读帧时在滤镜链里现转。所有素材都加 fps=30；HDR 素材的读帧滤镜链以 HDR 转 SDR 开头，否则画面发灰，截封面帧也一样（命令见 windows_commands.md 第 2 节）。
3. 每条素材抽缩略图打标签（内容、人物、可用时段、遮挡/黑场/起始偏暗、是否他人品牌）。标出不能用的素材和时段。

• 检查：每条素材都有标签；传输特性为 arib-std-b67 或 smpte2084 的素材，读帧滤镜链都以 HDR 转换开头。

第 2 步：听写与校对

1. faster-whisper 粗听：medium 模型、device='cpu'、compute_type='int8'、language='zh'、vad_filter=True、word_timestamps=True，initial_prompt 放行业词表。VAD 会漏句，再跑一遍关 VAD 的，这一遍加 condition_on_previous_text=False。
2. 先人工对照音频校对全文：专业词、数字、同音错字；Whisper 还会凭空编出没说过的句子，要删掉。听不清的词直接从音频剪掉，不猜。
3. 听写前固定先用 ffmpeg 抽 16 kHz 单声道 WAV 再交给 whisper。再把校对稿送进 whisperX 做强制对齐（结果写进 spec 的 align 字段），拿逐字起点（误差 0–3 帧）。whisperX 的字尾时间不可靠，出点用能量检测。

• 检查：转写里没有未校对的专业词和数字；每句有逐字起点。

第 3 步：叙事重组（先定叙事，再定特效）

1. 第 1 秒必须是钩子：「反差 + 结果」，用原话。片头不放空镜和 logo。
   • 钩子可以把两句不相邻的原话拼起来，但每半句都带 src_t，拼完不能改变原意。
   • 声音二选一，写进 spec：第一句照常开口、大字压在上面；或把结果句（≤3 秒）提到片头做冷开场，再回到正常顺序。
2. 删掉不推进故事的句子（口号、铺垫、重复表态），目标 30–50 秒。
3. 标出 3–4 个叙事转折点（开头钩子 / 场景转换 / 高潮结果 / 收束金句），爆点只放在这些位置；高潮力度排第一，开头次之。两个爆点至少隔 6 秒；约 30 秒的片子放 3 个，约 50 秒放 4 个。

• 检查：每条上屏文字都能在转写里找到原话和时间戳，并核对上下文（同一个词在不同句里意思可能不同）。

第 4 步：写分镜 spec.json，请用户确认

字段规范见 references/spec_schema.md，关键词类别示例见 references/kw_class.example.json（示例里的词是某个项目的，换项目要重写）。每段写清：源素材与入出点、版式、字幕、kw_class、特效预设、B-roll、音效、音乐段落、src_t（原话时间戳）。渲染前把分镜表发给用户确认。

第 5 步：剪辑

1. 入出点用 10 ms 帧 RMS 能量检测（不用 Whisper 字尾）。气口剪干净：吸气声、废话一点不留。
   • 实际跑通的做法：先按能量裁，阈值 max(第 10 百分位 + 14 dB, −48 dBFS)，连续 3 个 10 ms 窗口有声才算开口，前留 0.10 s、后留 0.14 s，再人工收紧；检查剪点两侧低于 −42 dBFS 的连续长度合计 ≤90 ms。
   • 剪辑师习惯的目标：每个字起音前只留 1–2 帧（≤67 ms），尚未按此标准实测（待验证）。验证方法：demucs 分离人声后，从剪点量到连续 3 个 10 ms 窗口高于 −42 dBFS 的起点；每个剪点 ≤67 ms、首字辅音不被切掉、剪段重跑 ASR 无断字才算通过，通过后再改成默认。
   • 可另出一版句间留 2–3 帧的对比版给剪辑师挑。
2. 帧精确导出每段：-ss 放在 -i 前，-vf 含 fps=30，用 -frames:v nf 定长（nf = round((出点 − 入点) × 30)），libx264 -preset veryfast -crf 12，带 BT.709 三个色彩标记；音频按采样点拼接，每段 8 ms 淡入 / 15 ms 淡出防爆音。
3. 同机位跳切加 1.08 倍推拉；进出 B-roll 用甩镜 + 横向模糊。
4. B-roll 只插在原话提到对应内容的地方，不为凑节奏硬插。

第 6 步：字幕特效（两档）

常规档：每 1.5–2 秒一个，最长间隔 ≤3 秒，克制。

• 底部字幕：白字黑描边，一行 ≤12 字，整句出现（是否给关键词上色做成参数，由剪辑师定）。
• 强调放中层金色大字（关键词 1.75×，数字 2×），逐字入场 115%→100%，6–8 帧；可加手绘下划线/圈注、纸纹、柔和投影。
• 可选招式：数字滚动、实物贴图配对应拟音、累加清单（字号 ≥ 底部字幕 1.2 倍，汇拢后再放大）、竖排对仗金句（出现时隐藏底部同句字幕）、开头身份标签（只在开头用一次，标注「非原话」）。

爆点档：每条 3–4 个，算进总密度，每一下叠满：

• 大字占画宽 75–85%（85% 是上限，安全区优先）；4 帧内推近 1.15–1.25；2–3 帧震屏带运动模糊；背景压暗 6–30%、适当去饱和（参数，以手机上看人像层次清楚为准），人物层不调色；预混好的复合重击音效（按 1 个计）。
• 力度分档：最重的一下推近 1.25、震屏 3 帧；其余推近 1.15、震屏 2 帧。
• 同一招全片只用一次：字在人后（抠像）/ 文字遮罩转场 / 全屏数字滚动 + 红章 / 竖排金句写出 + 扫光。
• 字在人后：字放肩线以上，避开手和道具；头要挡住字 25–30%（<15% 手机上看不出）；描白边前先把椅子等误抠物从蒙版里擦掉。
• 红章：全片唯一的红色，宽 30–40% 画宽，3 帧内 150%→100% 砸下 + 2 帧震屏。
• 定格：只能放在一句说完后的自然静音里（人声 < −45 dB），选嘴最接近闭合的帧，≤0.4 秒，全片最多一处，重击音效压在定格起点。这是「气口一点不留」的唯一例外。
• 所有入场动画提前 1 帧开始。

第 7 步：声音

• 人声：高通 80 Hz → 降噪 → 轻 EQ → 压缩。
• 音乐：按章节换曲（剪辑师习惯），交叉淡化 300–600 ms；说话时侧链闪避。只用确认授权或自行合成的音乐。
• 音效：全片约 0.5 个/秒，均匀分布，每 4 秒窗口 1–3 个，任意两个间隔 ≥0.25 秒；电平默认音效 RMS 比人声有声段低 14 dB（db=-14）；内容匹配的拟音优先于通用 pop。
• 响度：第一遍 loudnorm=I=-14:TP=-1.5:LRA=11 测量；第二遍代入测量值加 linear=true，后面固定接 aresample=48000,alimiter=limit=0.7:attack=1:release=30:level=false；最后 ebur128 复测，按 g = min(−14 − I, −2.9 − Peak) 补增益。目标 −14 LUFS，真峰值 ≤ −1 dBTP。

第 8 步：渲染与交付（二选一或组合）

• 路线 A：剪映草稿（剪辑师只用剪映时的默认）。Codex 出粗剪、字幕、音效与音乐时间点，用 pyJianYingDraft 新建草稿，剪辑师打开剪映做包装和导出。限制和注意事项见 references/jianying_route.md，整条路线待在 Windows 实机验证。
• 路线 B：叠加层（爆点必须用）。特效层用 HTML/Canvas，Playwright 驱动系统装的 Chrome 逐帧截透明 PNG：视口 1080×1920、device_scale_factor=1、启动参数 --font-render-hinting=none，截图前等 window.READY 和 document.fonts.ready，omit_background=True；所有动画写成时间 t 的纯函数。PNG 序列以 -framerate 30 读入，编 ProRes 4444（-alpha_bits 16），再用 ffmpeg overlay 合成。把叠加层作为视频轨放进剪映草稿：没跑过，待验证。ffmpeg drawtext 做不出逐字入场、字在人后。
• 保底交付：粗剪成片 + SRT + 分镜表，包装由剪辑师在剪映完成。
• 叠加前对底片做轻微调色 eq=contrast=1.04:saturation=1.07。
• 最终编码：libx264 -profile:v high -preset slow -crf 17 -maxrate 16M -bufsize 24M -g 60 -r 30 -pix_fmt yuv420p -color_primaries bt709 -color_trc bt709 -colorspace bt709，AAC 192k，-movflags +faststart。

第 9 步：质检（全部通过才交付）

逐项按 references/qc_checklist.md。报告只写自己抽帧、听音频核实过的东西，每条带数字和单位；量不到的写「没量到」，不硬报。

封面

• 分工：策划出文案和候选帧（写进 spec 的 cover 字段），剪辑出版式和导出（1080×1920 与 3:4）。
• 主标题用原话浓缩，可调语序（如「拧螺丝一个半月」），不加原话里没有的事实；≤7 字、最多 2 行。副标签放结果数字，贴纸 2–3 个。
• 标题和脸都放在中间 1080×1440（y 240–1680）里，抖音主页网格按 3:4 裁切。
• 每次至少给 3 个候选帧，附时间戳和理由，示意图标「非成稿」。
• 逐 0.5 秒扫全段找侧身或表情帧；视线方向决定版式（人看左上 → 人放右下、标题放左上）；衣服或背景有字时禁止镜像翻转。

成功标准

• 时长 30–50 秒，第 1 秒是原话钩子；上屏文字 100% 可追溯到原话。
• 常规特效最长间隔 ≤3 秒；爆点 3–4 个且力度分档、招式不重复。
• 音效 ≈0.5 个/秒、无同时叠响；卡点 ≤2 帧；−14 LUFS ±1、真峰值 ≤−1 dBTP。
• 安全区越界 0；无意外黑帧/冻帧；字不压脸、不压品牌标识。
• 用户确认过分镜表；交付物齐全。

常见坑 → 对策

坑	对策
HLG 素材发灰	zscale + tonemap=hable 转 SDR，gamma 约 1.12
Whisper 字时间偏早、字尾拖进静音	起点用 whisperX 对齐，出点用能量检测
VAD 漏句	再跑一遍关 VAD
上屏字不是原话 / 上下文错用	每条带 src_t，QC 逐条对照转写
特效力度全一样，显得普通	分常规档和爆点档，爆点叠满
字在人后看不出	量遮挡比例，头挡住 25–30%
椅子被抠进人像	字放肩线以上；描边前擦掉
卡点量错	从“看得清的第一帧”量；入场提前 1 帧
齿音被当成音效	demucs 分离人声后只在伴奏轨上测
音效扎堆	每 4 秒窗口 1–3 个，高潮复合音效按 1 个计
章或大字进抖音按钮区	右边界 ≤ x 930
边说话边定格、嘴型对不上	定格只放在静音里，≤0.4 秒
动画滑入时扫过脸或出画	改为原位淡出 + 目标位放大淡入
查看工具按路径缓存旧图	每次检查图换新文件名
中文路径或空格导致命令失败	用 Python subprocess 传参数列表；文件读写显式 utf-8
Whisper 幻觉出没说过的句子	对照音频人工校对全文后再对齐
想换其他渲染方案（如 Remotion）	未验证，不要自行替换，特效层只用 HTML/Canvas + Playwright
新草稿不在剪映列表里、字体不对	进出已有草稿或重启；草稿开两次