视频大字幕(对话、分享类) 是做什么的?
适用场景: 人物出镜、经验分享、短课、来自播客或直播的剪辑。
不适用场景: 无语音视频(请使用 video-ghep-nhac-vlog),产品特写视频(请使用 video-mo-hop-san-pham)。
公式
- 时长: 30–90 秒。如果原视频更长,则选取一个完整且最精彩的观点(根据分析中的
van_ban来判断),不要将多个观点剪得支离破碎。 - 开篇句(前 3 秒): 找到台词中最引人好奇或最具冲击力的句子。将其作为
doan的第一段(往前截取),再按顺序接正文。同时,添加mo_dau文本(0-2.6 秒):一句简短的问题或承诺,不超过 8 个字,全部大写。 - 静音修剪: 自动执行(删除所有超过 0.3 秒的静音)。在
sua_chu中添加所有语音识别错误的词,尤其是专有名词和英文单词。 - 关键词: 选取 5–10 个最有力的单词/短语(数字、结果、痛点)填入
tu_khoa:字幕会高亮标注这些词;长度为 1-2 个词的关键词会以放大和斜体显示。 - 视频中间的字幕(可选): 使用
nhan类型作为转场副标题(例如“第二步”、“错误 #1”)。 - 音乐: 轻柔,低于人声。如果没有可用音乐,留空即可,仍然能出片。
- 结束卡片: 开启(
"the_ket": true)——显示品牌档案中的频道名称和行动号召句。
本技能中的文字样式
| 类型 | 用途 | 位置 |
|---|---|---|
mo_dau | 前 3 秒的开头句 | 屏幕上方,白字黑边 |
nhan | 转场标题 | 屏幕上方,彩色背景 |
通用流程(所有视频类型)
所有命令都在本技能所在目录(包含 SKILL.md 的目录)中运行。将 <SKILL> 视为该目录的路径。
第 0 步:环境检查(每次使用前)
Python 命令:macOS 使用 python3,Windows 使用 py -3(不要直接输入 python:Windows 上的默认 Python 可能是 Microsoft Store 的虚假版本)。路径分隔符使用 /,可在 Git Bash 和 PowerShell 中运行。下文统一写 python3,Windows 上请替换为 py -3。
python3 <SKILL>/scripts/kiem_tra.py
thieu_bat_buoc非空 → 向用户显示将要安装的依赖列表,询问一句话“您同意安装这些依赖吗?”,只有在用户同意后才执行安装。Windows 上尚未安装 Python 时:使用winget install -e --id Python.Python.3.12 --scope user。在 Windows 上安装 ffmpeg 后,必须重新打开命令行窗口(或重启 Agent)才能识别ffmpeg命令。thieu_tuy_chon→ 仅在需要时安装:faster-whisper用于从语音生成字幕(首次使用时自动下载约 800 MB 的模型),edge-tts用于 AI 配音。cap_nhat.co_ban_moi为 true → 用一句话通知:“本技能有新版本 {moi_nhat}。是否更新?”。用户同意后,严格按照cau_cap_nhat中的描述执行更新。不要自动更新。 如果cap_nhat为 null,则跳过,正常剪辑。cap_nhat.skill_khac_chua_cai包含名称 → 在回复的末尾用一行提示:“Agent Boss 工坊中还有:……”。每次会话只提示一次。- 字体:如果字幕出现乱码或显示不佳,运行
python3 <SKILL>/scripts/kiem_tra.py --cai-font(从 Google Fonts 下载 Be Vietnam Pro 字体)。
第 1 步:品牌档案(仅首次使用)
读取 ~/.agent-boss/thuong-hieu.json(所有 Agent Boss 技能共用)。如果该文件不存在,用一条消息简洁地询问用户:店铺/频道名称、视频结尾的号召行动句、主色调、强调色、Logo 路径(如有)、用户拥有使用权限的背景音乐文件(如有)。对于跳过的问题使用默认值。写入文件:
{"ten": "云朵小店", "cau_ket": "点击购物车立即下单", "mau_chinh": "#1B1B1B", "mau_nhan": "#FFD21F",
"mau_chu": "#FFFFFF", "logo": "~/Pictures/logo.png", "font": null, "nhac": "~/Music/nen.mp3"}
该文件位于技能目录之外,因此更新技能时不会丢失。
第 2 步:检查输入视频
python3 <SKILL>/scripts/phan_tich.py <视频路径或目录> --ra <工作目录>
工作目录:在用户视频所在的同级目录下创建 video-<日期>-<简短名称>/。对于每个视频,读取 phan-tich/<名称>.json(长度、竖版/横版、静音段、场景变化点、逐字转录的语音),并打开图片 phan-tich/<名称>.jpg(带时间戳的帧网格)来选取出色的片段。如果视频没有语音,添加 --khong-nghe 参数以加快处理速度。
第 3 步:编写 ke-hoach.json 计划文件(位于工作目录中)
{
"dau_ra": "thanh-pham/video.mp4",
"doan": [{"file": "../clip1.mp4", "tu": 2.0, "den": 9.5}],
"chu": [{"tu": 0, "den": 2.6, "noi_dung": "买空气炸锅前先看这个", "kieu": "mo_dau"}],
"giong_doc": null,
"nhac": null,
"sua_chu": {"cờ lốt": "Claude"},
"tu_khoa": ["打折", "免费"],
"the_ket": true
}
doan:原视频上的时间点,按想要出现的顺序排列。路径相对于ke-hoach.json所在目录。chu:新视频上的时间点。"den": "het"表示直到主体部分结束。kieu取自此技能的字幕样式表。giong_doc:{"van_ban": "...", "giong": "vi-VN-HoaiMyNeural"}(女声)或vi-VN-NamMinhNeural(男声)。以自然的对话风格编写旁白,使用短句。大约每秒 3.5 个词。nhac:留空则使用品牌档案中的音乐;如果没有则不添加背景音乐。仅使用用户拥有使用权限的音乐。 如果视频本身已包含音乐,则设为"nhac": null。sua_chu:语音引擎听错的词(专有名词、产品名、英文词)在此处修正。仔细阅读分析结果中的van_ban来发现错误。
如果需要了解新视频上每个字幕片段的时间(以便使字幕与语音同步):运行 python3 <SKILL>/scripts/dung.py ke-hoach.json --chi-thoi-gian。
第 4 步:渲染
python3 <SKILL>/scripts/dung.py <工作目录>/ke-hoach.json
输出 thanh-pham/video.mp4(1080×1920,30 帧/秒,音频标准 −14 LUFS)和 thanh-pham/video-bia.jpg。
第 5 步:自查并交付
- 使用 ffmpeg 抽取三帧(开头、中间、结尾)并查看:字幕是否溢出边缘、遮挡人脸、或标点错误。如有问题,修改计划文件并重新渲染。
- 编写
thanh-pham/chu-thich.txt:1 句引人好奇的开场白 + 2–3 行内容概述 + 行动号召 + 4–6 个与主题紧密相关的越南语标签(不要填充通用标签)。 - 告知用户:视频路径、封面图路径、文案。询问是否要修改内容(更改开场句、缩短视频、更换音乐)。
通用规则
- 竖版视频 9:16。字幕位于 TikTok 安全区域内:不要紧贴右侧边缘(按钮区域),不要低于画面高度的 80%(频道名称和评论区域)。
- 前 3 秒决定观众是否停留。始终有清晰的开场句。
- 不做出不实承诺,对于化妆品、保健品、药品不使用“100% 保证”、“治愈”、“最好”等词汇(容易被 TikTok 限流或拒绝广告投放)。
- 不使用用户不拥有使用权限的音乐、图片或 Logo。