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-rollMotion 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:
- 目标:平台、成片时长、横竖屏或其他画布要求。
- 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。
- 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:
- 项目与素材确认
- A-roll 语音剪辑
- 字幕
- 背景音乐
- 转场与匹配音效
- B-roll
- MG 动画
- 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:
- 用一句话说明刚完成的结果;
- 标记当前结果为“待用户确认”;
- 说明下一步是什么;
- 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
- 用
read_script读取当前 Script 和timeline.md,先了解内容结构。 - 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。 - 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。 - 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。
- 用
apply_script应用修改。 - 重新读取生成后的文字稿,检查语义、顺序、断句、重复和停顿。
- 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:
- 确认几次表达是否真的在说同一个意图。
- 找出最完整、最自然的一版,不机械选择最后一版。
- 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。
- 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:
- 分页读取全部字幕卡,不能只看第一批。
- 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。
- 沿用工具返回的卡片 ID 和最新 revision,不猜测批量接口。
- 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。
- 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。
- 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。
- 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:
- 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。
- 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。 - 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。
- 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:
- 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。
- 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。
- 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:
- 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。 - 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。 - 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。
- 重新关联:逐个把素材库中引用
… [为保持翻译完整性,此处省略了原文被截断的部分]