视频编辑（屏幕录制 / OBS / 演讲录音）

OBS / 演讲录音） 是做什么的？

脚本工具包：此技能中的 scripts/（prep.sh、transcript_txt.py、ocr_scan.py、 cam_flags.py、df_enhance.py、build_edl.py、render.py、verify_output.py、 chapters.py、overview.py、job.example.json、selftest.sh）。在 <workdir>/scripts/ 的副本中运行它们，以便作业永远不会依赖于技能目录。scripts/selftest.sh 可在几分钟内端到端验证安装。

输入

• <src>：录制文件，通常是 ~/Desktop/*.mov 中最新的（OBS 命名 YYYY-MM-DD HH-MM-SS.mov）。如果有多个最近的录制文件，请在启动耗时长流程前确认是哪一个——剪辑错误的视频会浪费一个小时。
• <target_minutes>：如果未给出则询问；典型的 45-90 分钟源文件对应 20-30 分钟目标时长。
• <workdir>：新的临时目录，例如 /tmp/<session>/edit。
• 工具链：ffmpeg 6+、python3、mlx_whisper、DeepFilterNet3、Pillow/numpy/soundfile、Apple Vision（pyobjc-framework-Vision/-Quartz）。

步骤

1. 侦察，绝不触碰源文件。 ffprobe <src>（分辨率、帧率、音频）。仅从 <workdir> 中的副本/提取文件工作。
2. 准备。 prep.sh "<src>" $W：orig48.wav、mono16.wav、frames/（每 2 秒 1 帧）、camall/（网络摄像头裁剪，1 fps，几何形状自动从分辨率推导）、sheet_overview.jpg、silences_raw.txt（仅用于诊断）和 transcript.json（mlx_whisper large-v3-turbo，带单词时间戳，约 4 分钟）。Whisper 在 prep 返回后继续在后台运行——立即启动 df_enhance.py orig48.wav df_enhanced.wav（DeepFilterNet3，CPU 上约 6 分钟），它是独立的。
3. 阅读整个转录（通过 transcript_txt.py ... --from/--to 分成 3 块）。将保留范围（源文件秒数）写入 job.json -> keep。静音修剪很小（47 分钟中约 2 分钟）；真正的时长节省来自内容决策。Whisper 自我指示：一个短语重复 10 次以上或空片段序列 = 死区，剪切它。
4. 视觉静态检查。 "没有任何事情发生"通常视觉上是静态的，而不是无声的。在 0.5 fps 帧上进行帧差分：在 ~10 秒窗口内 <1% 像素发生变化 = 非活跃；合并由 <=1 秒毛刺分隔的连续片段；需要 >=4 秒才能剪切；0.5 秒手柄。闪烁的光标/转轮模拟活动——遮盖或提高阈值；检查中间帧是否出现变化并恢复的突发。打字是噪音，而不是静音：门控使用增强轨道的 RMS（pause.loud_db），绝不使用原始 silencedetect。
5. 开场。 在第一个真正内容之前剪掉所有内容。如果开头缓慢/无聊，则从最有趣的演示开始；可选择使用 1-2 个精彩片段然后加速开场。绝不以墙纸/黑色画面开场——前 30 秒的卡顿看起来像垃圾内容。
6. 泄露扫描（在您阅读时运行）。 在 frames/ 上 run 之后运行 ocr_scan.py scan：IPv4/v6、*.ts.net、电子邮件、API 密钥、ssh 材料。在每个终端/配置密集范围上进行密集的 2 fps 扫描（ocr_scan.py dense src.mov dense 600:60 ...）。静态文本 -> boxes（实心填充）；滚动的终端输出 -> 对整个窗格进行模糊处理（blur 窗口 + blur_regions，使用源像素）——逐行框会遗漏样本之间的文本。127.0.0.1/localhost 没问题。在 job.json 中记录每个窗口。
7. 隐私剪切（网络摄像头）。 cam_flags.py（通过 Vision 检测手靠近嘴）+ cam_flags.py --sheet S:DUR 对每个标记的聚类进行 2 fps 缩放查看。剪切用户不会发布的时刻：暂停时手在脸部、离开座位、其他人入镜、全屏脸部片段。普通的思考姿态和小手势没问题。绝对不要在句子中间为手势而剪切——捕捉到最近的句子边界并记录丢失的内容。
8. 用户时间戳剪切是字面的。 "剪切 0000 - 01:12" -> 将其放入 job.cuts（或 keep），精确应用，然后重新检查接缝处的节奏。
9. 音频母带。 合理性：增强版与原始版的相关系数 > 0.95（df_enhance.py 会打印它）。默认 audio_chain 是高通 75，在 220 Hz / 3.2 kHz / 9 kHz 处进行剪切/提升，去嘶声器，3:1 压缩器；通过添加 equalizer 项来切除任何持久的风扇音调；render.py 执行两次通过的 loudnorm 到 -16 LUFS / -1.5 dBTP。未处理的麦克风保留为音频轨道 2。
10. EDL + 渲染。 build_edl.py -> segments.json（keep 内部 >0.7 秒的暂停缩短为 0.4 秒；捕捉到探测到的帧率；<0.3 秒删除）。render.py：分组并行 h264_videotoolbox 编码，-c copy 拼接，混流两个轨道。可按组重启——如果一个组失败，修复后重新运行，未更改的组将被跳过。除非另有要求，否则交付 1080p（4K 渲染时间翻倍，但无明显收益）。
11. 交付前验证。 verify_output.py 退出非零，除非帧数匹配 EDL，两个音频轨道与视频时长匹配，并且输出在每个脱敏窗口以 4 fps 进行的 OCR 发现零泄露。还要在每个隐私剪切处以及 0:00-1:00 提取输出帧并查看它们。在材料敏感时使用 --full 进行全文件泄露扫描。
12. 重新转录新剪辑。 转录、字幕和章节必须匹配输出时间线，而不是源文件——在写入 SRT/章节前，对剪辑重新运行 Whisper（或使用 chapters.py，它通过 EDL 重新映射）。绝对不要使用源自源文件转录的 SRT 时间码。
13. 元数据+交付。 无需二次询问：章节时间戳（chapters.py，>=3，第一个在 0:00），2-3 个标题选项，约 30 个标签（500 字符以内，按需提供 +2 标签/描述变体），描述，每种语言的 SRT（约 42 字符/行；多语言按要求），全部为纯文本。通过 youtube-pack 生成缩略图：读取用户最后 10 个缩略图的样式；默认白色/奶油色背景 + 黑色文本，除非要求否则不包含人脸，标志/文本大且清晰。然后将 <output>.mp4（以及 SRTs/元数据）移动到 ~/Downloads 并使用默认应用程序打开文件/打开文件夹。

输出

• <Topic> - YYYY-MM-DD - edit.mp4（1080p，2 个音频轨道）位于 ~/Downloads，在默认应用程序中打开。
• <workdir>：job.json、segments.json、group_bounds.json、vf_<n>.txt、脱敏/隐私日志。
• ~/Downloads：SRTs、metadata.txt（标题、描述、标签、章节）。
• 按需可选：从同一源文件拆分的主题子视频，每个都有自己的章节。

与以下组合

whisper/DFN3（工具包内） -> video-edit（经过验证的 mp4 在 ~/Downloads） -> youtube-pack（thumbnail.png） -> 浏览器上传到 YouTube Studio，配置如用户其他视频。

规则

• 绝不修改源录制文件。
• 目标时长是一个目标；如果内容在不破坏演讲的情况下无法缩短，则稍微超出并命名后续两个剪切点。
• 在修剪更多暂停之前，先剪切整个跑题内容；保留与硬件相关的讨论、现场演示、诚实的注意事项、总结回顾。
• 始终以：移动到 ~/Downloads + 打开结束。
• 如实报告：您无法听到结果——请说明并指向轨道 2。
• 单独录制的音频（Discord/Craig）通常不存在；检查 Desktop/Downloads/iCloud/Voice Memos，如果不存在则使用 OBS 麦克风并说明。
• 当要求释放空间时：删除旧的未接受草稿/变体，保留源文件和最终文件。
• 多人播客：找到正确的音频轨道（通常是多个中的 2 个），将音频映射到正确的说话者，切换视频以对应说话中的人，清理过渡。
• 绝不要因为渲染完成就声称编辑完成；只有 verify_output.py + 人工查看帧才能确定。

验证

• verify_output.py 打印 PASS（帧数、两个音频轨道、窗口中无泄露）并退出 0。
• 在 0:00-1:00 以及每个隐私剪切处人工查看帧（verify_output.py --sheet 0:60）。
• 对剪辑进行 SRT 重新转录的抽检。
• 使用 ffprobe 检查交付文件：时长、分辨率、帧率、2 个音频流。

已知失败

• 剪辑了错误的视频 -> 在流程启动前确认最新/主题匹配。
• 字幕/章节基于源文件时间线 -> 在剪切后重新转录（步骤 12）。
• 输出中可见主机名 -> OCR 样本之间的滚动文本；模糊整个窗格，加宽窗口，然后进行输出端 OCR。
• Silencedetect 剪切打字/视频播放 -> 使用增强音频 RMS 门控（pause.loud_db），而非仅凭静音。
• 卡顿的黑色开场 -> 验证输出 0:00-1:00 帧，在真正内容上冷开场。
• cp -i 覆盖提示 / 沙盒 TCC 阻止 ~/Downloads -> 使用禁用了沙盒的 /bin/cp。
• ffmpeg 滤镜在超过 ~100 个 between() 项时死亡（“无法分配内存”） -> 减少 render_groups。
• 闪烁的光标在帧差分中被计为活动 -> 遮盖/调整阈值，检查中间帧。
• render.py 帧不匹配 -> 它拒绝拼接；读取 render_<n>.log（-ss 在非关键帧之前，解码器损坏）。
• 读取 transcript.json 时 Whisper 仍在运行 -> transcript_txt.py 报告空片段；等待 whisper.log 完成。

示例

• 2026-09-02 演讲，47 分钟 -> 26 分钟：32 个保留范围，2 个隐私剪切（9:52-9:58，26:08-26:14），2 个模糊窗口 + 1 个用于 *.ts.net 主机名的框，渲染约 2 小时实际时间，仅由输出端 OCR 捕获的泄露。
• 2026-09-24 教学 OBS 会议：用户拒绝了第一个剪辑（“背景噪音，打字，开头非常无聊”） -> 移除打字噪音，选择更好的开场，重新生成转录，然后字面头部剪切 0:00-1:12，泄露扫描，白色/奶油色缩略图搭配更大的标志，2 个元数据变体，移动到 Downloads。
• 播客（2026-09-18）：1 小时 40 分钟视频 + 5 个候选音频文件 -> 识别出正确的 2 个每说话者轨道，将语音映射到视频，1080p，修剪开头，SRT + 西班牙语/阿拉伯语/印地语翻译，章节时间戳，包含两位说话者的缩略图，文字在上方，无黑色背景。