Communitygithub.com

short-video-edit

Edita um curto vertical com cabeça falante (TikTok / Reels / 小红书 / Shorts) de ponta a ponta no fluxo de 5 etapas do editor — 1 corte bruto, 2 legendas, 3 texto cinético com som, 4 B-roll e motion graphics, 5 BGM e entrega — com ffmpeg + OpenFilm.

O que é short-video-edit?

Este skill permite a um agente de IA atuar como editor profissional de vídeos verticais curtos (TikTok, Reels, YouTube Shorts, 小红书) usando um pipeline baseado em ffmpeg e OpenFilm. O fluxo é dividido em 5 etapas principais: corte bruto (rough cut), geração e revisão de legendas com faster-whisper, animação de texto cinético com efeitos sonoros automáticos (kinetic text + sound effects), inserção de B-roll, cartões de dados e motion graphics com suporte a matting RVM, e finalização com mixagem de áudio (ducking por side-chain, loudness −13 LUFS) e entrega em múltiplos formatos (MP4, SRT, preview reduzido). O skill é útil para profissionais que precisam de um assistente capaz de executar todo o fluxo de pós-produção de um episódio a partir de um material bruto e um roteiro PDF, com controle granular sobre cada corte, cor, nível de áudio e posicionamento de elementos. Suporta plataformas como Claude Code, Cursor, Codex e outros agentes que podem executar scripts Python, Node.js e ffmpeg com aceleração NVENC e CUDA. O agente deve verificar cada quadro, medir níveis de áudio (pico de voz entre 0 e −6 dB), garantir segurança de título (title-safe), e reportar ao usuário antes de prosseguir entre etapas — o skill enfatiza que nada é 'pronto' sem inspeção visual e aprovação humana. Inclui scripts em `.claude/skills/short-video-edit/scripts/` acessíveis via `run.py`, e o diretório do episódio contém arquivos JSON e TSV que o agente deve criar ou modificar em cada etapa.

Funciona com✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/zihangwong/short-video-edit/tree/main

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

Short-video edit (pipeline OpenFilm)

O usuário é um editor profissional. Trabalhe no padrão dele: cada corte, número e som é verificado, nada é declarado "pronto" antes de ser examinado (quadros) e medido (níveis, verificação de plataforma).

Scripts: .claude/skills/short-video-edit/scripts/ (chame-os via run.py). Python 3.12, ffmpeg 9 (NVENC), Node (para npx -y [email protected]), faster-whisper no CUDA, onnxruntime-directml (matting RVM) estão instalados.

python .claude/skills/short-video-edit/scripts/run.py <episode-dir> new|cut|subs|text|broll|bgm|all|look <t>

A pasta do episódio (episodes/<nome>/)

arquivoetapaquem escreve
episode.jsontodasfonte, título, out_name, speed (1.2), font (padrão Noto Sans SC Black; qualquer fonte CJK para a qual você tenha licença), bgm (id CC0 do OpenFilm), keywords (amarelo nas legendas), words (jieba), steps (pílulas STEP), cta, designer_cards, drive_folder (opcional)
blocks.json1você: as takes, [{a, b, label, note}] em segundos da fonte
subs.tsv2você: legendas revisadas start<TAB>end<TAB>text na linha do tempo cortada
kinetic.json3você: grupos de ênfase (formato abaixo)
cards.json, mg.json4você: cartões de dados e motion graphics
work/ film/ out/scripts: intermediários, projeto OpenFilm, entregáveis

Todos os tempos em subs/kinetic/cards/mg/steps/cta estão na linha do tempo cortada antes da aceleração. A velocidade é aplicada na entrega.

Etapa 1 — Corte bruto (粗剪 rough cut)

  1. run.py EP new → preenche episode.json. Depois run.py EP cut (para após a preparação se blocks.json estiver vazio).
  2. A preparação relata o equilíbrio esquerda/direita. Gravações de telefone e lapela frequentemente carregam a voz em APENAS UM canal (o outro ≈ −25 dB): a entrega é feita em mono duplo a partir do lado bom automaticamente (voice_channel). Nunca faça a média de L+R.
  3. Leia work/transcript.txt junto ao PDF do roteiro. Compare o que ele disse com o roteiro e avise o usuário sobre desvios (especialmente números) — os números na tela seguem o que ele FALA, não o roteiro.
  4. Escolha as takes para blocks.json: a estrutura segue o roteiro; mantenha as elaborações extras; corte retomadas, falsos começos, vozes do teleponto, xingamentos, silêncio. A última take limpa de uma linha repetida vence, a menos que o usuário diga o contrário. Dentro de um bloco, pausas ≥ 0,45 s são apertadas automaticamente.
  5. run.py EP cut novamente → out/cut_preview.mp4 (com timecode queimado) + QC do corte. Mostre ao usuário e obtenha aprovação antes da etapa 2. "Emendas quentes" sinalizadas geralmente são respirações restantes (já com fade de 40 ms) — diga quais são.
  6. Recortes posteriores: altere blocks.json, execute cut novamente, depois scripts/shift.py EP <cut_t> <delta> move todos os tempos manuais após a edição (delta = comprimento antigo − comprimento novo).

Etapa 2 — Legendas (识别字幕 captions)

run.py EP subs → subs_draft.tsv. Revise em subs.tsv: corrija palavras mal interpretadas (whisper frequentemente transforma uma frase falada em caracteres sem sentido homófonos), ortografia em inglês, chinês simplificado, remova apartes fora do roteiro. Sinalize suposições ao usuário. As legendas renderizam apenas uma linha: qualquer coisa mais larga que ~10 caracteres CJK se torna automaticamente a próxima legenda, com tempo baseado em tempos de palavras, quebrada nos limites de palavras do jieba, nunca dentro de uma frase em inglês, nunca começando com 的/了/吗/」.

Etapa 3 — Texto cinético + som (字幕特效 + 音效 kinetic text)

Escreva kinetic.json. Escolha as frases de impacto, números, contrastes, títulos das etapas (≈ um a cada 5–8 s, não em janelas de cartões). As legendas em execução se escondem automaticamente enquanto um grupo está ativo.

{"a": 34.20, "b": 35.72, "items": [
  {"text": "会很", "x": 290, "y": 450, "fs": 96, "col": "W", "anim": "fade", "at": "会很"},
  {"text": "丢脸", "x": 800, "y": 380, "fs": 210, "col": "R", "anim": "slam", "at": "丢脸", "v": true, "rot": 4}]}
  • at: uma frase que ele diz (resolvida para o tempo real) ou um número de segundos após a.
  • x/y = centro em px em 1080×1920; mantenha y ≈ 380–700 (ao redor/acima da cabeça), x 200–880. v: empilhamento vertical.
  • Segurança de título (padrão do usuário = guia interno de 10% do Premiere): tudo legível fica em x 108–972, y 192–1728. O estágio text move qualquer item cinético que o ultrapasse de volta para dentro (imprime "title-safe … moved"), e a compilação recusa posições de legenda fora dele. Projete dentro dele desde o início; title_safe em episode.json substitui a caixa.
  • col: W Y R C ou #hex; latin: Arial Black para inglês/números; italic; rot graus.
  • anim: fade drop rise slide_l slide_r pop slam type wave flip stamp split shake.
  • deco: box underline strike check (desenhado após o texto pousar, com seu próprio som).
  • Sem contornos em nenhum texto (legendas, cinético, rótulos MG): apenas sombra suave em camadas — o gosto do usuário ("比较高级").
  • Misture tamanhos (uma palavra de setup de 90 px + uma palavra de impacto de 150–230 px), misture vertical e horizontal, branco/amarelo/vermelho. Segurança de aceleração (automática, o estágio text imprime o que fez): as animações tocam speed× mais devagar no filme para que pareçam como projetadas após a aceleração de 1,2×, e cada item recebe pouso + 0,45 s de espera (tempo real, kinetic_hold) + saída antes do fim do grupo — o grupo é estendido no tempo livre (nunca no próximo grupo / cartão preto / MG, máximo 1,2 s), caso contrário o item começa até 0,3 s antes de sua palavra. As legendas ainda retornam no tempo escrito. Leia o relatório; se um item começa muito antes de sua palavra, encurte o texto do grupo ou mova o próximo grupo. Cada animação e decoração recebe um som automaticamente (assets/sfx_library.json, OpenFilm CC0, variantes rotacionadas). run.py EP text constrói o timing; verifique com look após a etapa 4.

Etapa 4 — B-roll e MG

  • Clipes do designer (ProRes 4444 com alfa, ex. cartões A下卡): liste-os em episode.json designer_cards {file, out_in, out_out, src_in}. Verifique os números deles primeiro contra o que ele fala — cartões do designer são feitos a partir do roteiro; se contradizem o que ele fala, reconstrua o cartão em cards.json no mesmo estilo e avise o usuário.
  • Cartões de dados (cards.json, estilo designer): {a, b, badge, keep_bg_after?, rows:[step|value|big]} — step {t, y, num, title, sub}, value {t, y, label, value, t_value?, color: green|yellow|sub, strike?}, big {t, number, line}. [[word]] = amarelo. Durante os cartões o quadro fica preto, o cartão fica alto e o recorte do apresentador (matting RVM) fica no canto inferior esquerdo; as legendas se movem para cima dele.
  • MG (mg.json): tipos target (cresce em big_at), bucket (mode overflow|fill, label), frost, checklist (rows, checks), breakdown (crack_at), cta (word = palavra-chave do comentário, gift_at); cada um com sfx [[t, id, in, out, file_peak, target_peak], ...]. Coloque MG em lacunas (sem cinético / cartão) e amarre-o às palavras.
  • run.py EP broll renderiza a placa (plate), aplica matting em cada janela cinética/MG em resolução total, decide frente vs atrás por item de texto (coberto > 25 %, ou número coberto > 10 % → na frente; senão atrás para profundidade; force com occlusion_overrides.json {"k07": [true, null]}), e escreve o projeto OpenFilm.
  • Verifique os quadros: run.py EP look 35.4 (imprime o PNG) — olhe para cada grupo/MG pelo menos uma vez, especialmente números. O usuário pode abrir o projeto no OpenFilm Studio e arrastar qualquer coisa.

Etapa 5 — BGM e entrega

run.py EP bgm: Renderização OpenFilm com motion blur (~20–30 min para 3 min), depois o som: voz dual mono → aceleração → compressão → loudnorm −13 LUFS: picos de voz ficam entre 0 e −6 dB no medidor de nível (padrão do usuário; equivalente do 剪映 ≈ +13 dB), pico real ≤ −1,2 dBTP; BGM em loop, ducking por side-chain ≈16 dB abaixo da fala. Entrega out/<nome>.mp4 (+ .srt, _preview720.mp4 abaixo de 30 MB para o telefone, _levels.png), executa a verificação TikTok/Reels e imprime RMS L/R (devem coincidir).

Etapa 6 — Finalização (定稿 final) (somente sob palavra do usuário)

Execute isso SOMENTE quando o usuário disser que esta versão é final (满意 / final / 定稿) — nunca por conta própria, nunca porque um render passou. Primeiro run.py EP final --dry e informe ao usuário o resumo de uma linha (o que vai para 视频, quantos vídeos / MB vão para a Lixeira), depois run.py EP final: o out/<out_name>.mp4 final é movido para a pasta Windows Videos (%USERPROFILE%\Videos); todo outro vídeo do episódio (versões, previews, preview de corte, mezanino, placa, recortes, renders, caches) vai para a Lixeira (não permanente). O material de origem e os clipes do designer listados em episode.json (e keep) nunca são tocados; os arquivos do projeto (json, subs, .srt, mattes) permanecem, para que o episódio possa ser reconstruído a partir da fonte. Adicione --also <dir> para uma pasta de projeto antiga do mesmo episódio. out/FINAL.txt registra para onde o final foi. Opcional: se episode.json definir drive_folder, o final também é copiado para essa pasta do próprio My Drive do usuário via Google Drive para desktop (instalado, conectado, montado como letra de unidade); faz upload em segundo plano. Nunca copie para uma pasta compartilhada do cliente a menos que o usuário diga. Se o Drive não estiver conectado, a etapa informa isso; após o login, execute run.py EP final --upload-only.

Etapa 7 — Texto de publicação (发布文案) (quando o usuário disser 我要发布 / 发布这个视频)

Se o projeto tiver um skill de cópia de publicação, carregue-o e siga-o; caso contrário, escreva o título, corpo, tags e texto da capa do 小红书 / TikTok a partir do subs.tsv deste episódio + roteiro em out/publish_copy.md. Não publique para o usuário.

Padrões e pegadinhas (aprendidos da maneira difícil)

  • Gravações de iPhone são HDR (Dolby Vision HLG): o mezanino é mapeado de tom (mobius) para SDR BT.709. Nunca faça upload de HDR como está.
  • Meça L/R antes de qualquer coisa (voz em um canal acontece). Nível da voz: medidor 0 a −6 dB.
  • Molas: slam usa uma mola firme com overshoot preso — nunca deixe a escala cair abaixo de ~0,94 (parecia que o texto encolhia).
  • Fontes: a fonte da legenda deve cobrir todos os caracteres (verifique com fontTools); fontes/SFX em cache do 剪映 são licenciadas apenas para 剪映 — use uma externa somente quando o usuário confirmar uma licença.
  • Rascunhos do 剪映 11.x são criptografados: sem round-trip de código; entregue mídia + SRT se o usuário quiser finalizar no 剪映.
  • Antes de cada render, use look nos momentos alterados; depois dele, informe a verificação da plataforma, loudness, pico real e L/R.
  • Renders longos rodam em segundo plano; nunca afirme que um render está pronto antes de estar.

Habilidades Relacionadas