alexandrumindricel-bit/edit-video

Edit-video 工作流

每次用户发送原始视频时，请严格遵循以下步骤。工具根目录：/home/user/video-workflow （VW=/home/user/video-workflow）。每次在暂存区为每个视频使用新的工作目录，例如 $SCRATCH/<名称>/work。 在步骤 4 之前阅读 STYLE_GUIDE.md（风格）、EFFECTS.md（17 种特效库——每个视频必须使用多种）和 templates/STORYBOARD_REFERENCE.md（语法）。

0. 设置（每个容器仅一次）

$VW/vw.sh setup。如果提示 huggingface.co 被屏蔽，请告知用户必须在其环境网络设置中允许 huggingface.co（和 *.hf.co）才能运行转录；不要自行生成转录文本。

1. 准备 + 转录 + 提出剪切方案

$VW/vw.sh prep RAW.mp4 WORK [--language ro|en] [--model small|medium]

• “水洗”版 SDR 片段（iPhone HDR 经压缩器应用重新编码，无色调映射：黑色发灰、白色暗淡——例如 *_compressed.mp4）会被检测到（黑色点高于 Y45，或白色点低于 Y203——与同一组色调映射的 .mov 片段相比白色暗淡），并在 prepare.py 中恢复其电平（亮度拉伸至 Y34~约 215，色度 x1.08），匹配已批准的色调映射 HDR 自然外观（Mindri-Box-v3）。
• 每个片段上的批准色彩外观（用户规则——‘我们讨论过的滤镜’）：在标准化之后，prepare.py 在 source.mov 上运行 look_match：它测量画面的上 60%（背景+人物），并应用色调曲线+饱和度，使每个片段匹配已批准的外观（Mindri-Box-v3 / Comanda-Ionut-v2/v4：深黑、鲜艳橙色、干净的白色 T 恤；目标值 p5 38, p25 52, p50 76, p95 226, 饱和度 59）。它仅加深阴影/中间调、提亮暗淡的白色并增加色彩（每点最多 35 级，饱和度最大 x1.3）；已匹配外观的片段保持不变。因此多片段视频彼此匹配。上层 grade 保持为 natural。
• 手机拍摄的 HDR 画面（iPhone：HLG/PQ，BT.2020，10 位，杜比视界）自动色调映射为 SDR BT.709（zscale + hable，100 尼特）——否则一切看起来苍白且发灰。输出标记为 BT.709。
• 标准化为 30 fps CFR，1080x1920（覆盖裁剪），检测人脸（MediaPipe 全范围）并测量标题区域亮度 → layout.json（安全区域；明亮区域会使标题带框且玻璃文本着色）。
• 使用单词时间戳转录（保留“嗯”/重新开始） → transcript.json。
• 自动标记填充词、口吃、截断的词和重新开始 → edit.json + review.txt。
• 对于罗马尼亚语或嘈杂音频使用 --model medium；否则自动语言检测。
• 如果源视频是横屏（会打印警告），告知用户已将其中心裁剪。

1b. 多个原始片段（一个故事）

当用户发送多个片段时，先逐个转录每个片段，并根据说话内容确定顺序（通常是拍摄顺序）。对每个片段（WORK_k）运行步骤 1-2 和 cut，然后合并： python3 $VW/scripts/merge_clips.py WORK WORK_1 WORK_2 … → 一条时间线；layout.json 保留每个片段自身的取景（clips[]），渲染器和特效使用当前屏幕上片段 的取景。在合并后的 words.json 中修复字幕文本，然后从步骤 4 继续操作 WORK。在每个片段边界处放置转场（zoom_through、flash、glitch）。

2. 审查编辑（判断步骤——请勿跳过）

像编辑一样从头到尾阅读 WORK/review.txt，并修复 WORK/edit.json：

• 移除：失败的拍摄/检测器遗漏的重新开始（保留最后一个好的拍摄）、念错的句子、“等等，让我重做一遍”、离题的话、乏味的开场（“嘿，各位”、“嗯，今天……”）——视频必须以吸引人的开场白开始。
• 保留（"keep": [idx…]）：检测器错误移除的词语（有意的重复、“非常非常”、列举）。
• 低置信度词语 (?)：检查上下文；听错的词是字幕问题（在 transcript.json 中修正文本，保留时间），而不是剪切问题。
• 节奏参数：max_gap 0.20 秒（紧凑，指南风格）；如果单词末尾听起来被切断，则将 pad_after 提高到 0.14。 然后：

$VW/vw.sh cut WORK

它必须打印 Sync check: … OK。如果 MISMATCH → 停止并调查（切勿交付）。剪切点对齐到帧并放置在静音处，因此唇形同步是精确的。重新阅读 WORK/words.json（新时间线）——所有后续时间都使用它。

3. 修正字幕文本

在 words.json 中更正拼写错误、品牌名称、数字（当阅读效果更好时“ten”→“10”），并保留用户的 语言和变音符号（ă â î ș ț）。不要更改时间。

4. 故事板（判断步骤）

编写 WORK/storyboard.json（语法：templates/STORYBOARD_REFERENCE.md，示例：templates/storyboard.example.json）。 首先编写一个简短计划作为表格（时间 · 所说内容 · 视觉 · 转场 · SFX），并在回复结束时展示给用户。来自风格指南的规则：

开场吸引点（0-3 秒） ——最强的陈述作为巨大的 title 元素，每个短语一个，3 秒内至少 3 次视觉变化 （标题切换/字体切换/闪光/拉近）。混合标题字体（衬线 → 粗体 → 斜体金色）。无开场白。

主体 ——屏幕上大约每 ~1-3 秒发生变化：

• 用视觉元素说明所说内容，时间对准提及该内容的具体单词（元素 start = 该单词的 start）： 工具/应用 → strike（当被拒绝时）或 card；指令/提示 → prompt（打字）；数字 → counter/stat； 步骤 → step 徽章；列举 → list；关键短语 → title；用户提供的截图/标志 → image/card。
• 每个句子一个英雄关键词放在 captions.keywords 中（能承载意思的词，而非填充词）。
• 拉近缩放（zooms，比例 1.06-1.12，绝不超过）用于强调的行，与 1.0 交替——这样能保持 说话者处于正常取景，同时隐藏跳切。
• 仅在段落变化/关键收尾处使用风格化转场，最多每 5-10 秒一个：flash、glitch、leak、whoosh、impact。
• 每 10-15 秒切换模式（例如，一串 UI 卡片，然后是一个大标题时刻，然后是一个统计）。

说话者始终可见：图形放在 pos: "top"（头部上方，根据 layout.json 中的可用区域自动调整）或 "lower"（胸部区域，字幕上方）。绝不对 center 覆盖脸部。标题可稍微重叠头顶（这就是外观），但绝不能覆盖眼睛/嘴巴。

“编辑”参考规则（EFFECTS.md，底部）——在每个视频中必须遵守：始终使用色彩 grade （默认 natural 预设——画面本身的色彩，无风格化滤镜；其他外观仅在要求时使用），每 30 秒进行 1-3 次面部 tracking，为命名的具体事物使用互联网 photos （scripts/images.py，先查看它们，在回复中注明出处），为开场吸引点和章节标题使用 combo 标题，为列举使用 numcards。

特效库（EFFECTS.md）——在每个视频中必须使用：最终视频中大约每 4-6 秒一个特效时刻 （30 秒 → 5-7 个，60 秒 → 9-12 个），每个特效与正在说的内容相匹配，约 15 秒内不重复，混合使用相机、抠图和 UI 类。在开场吸引点中放置一个。包含所有特效的示例：templates/storyboard.effects-example.json。

CTA/结尾（如果用户说了他们想要的东西）：在最后 4-6 秒内使用 comment（关键词 CTA）和/或 follow 卡片。

品牌主题（用户的固定选择）——屏幕上的一切：故事板 "style": "depth", "palette": "mindricel" → 标题、卡片、步骤、磁贴/数字、图表、检查清单、笔记、轨道卡片、玻璃文本和产品都使用 mindricel.ro 调色板中的深度参考外观（橙色 #FF6600 渐变、墨黑色 #0A0A0A 面板、白色文本、精细的深色 轮廓）。标题行中的编辑字体名称会自动映射；使用橙色（#FF6600/#FF8533）或白色用于 涂鸦。切勿混入绿色/奶油色编辑颜色。

字幕（用户的固定选择——“锁屏”参考，完全照搬）："captions": {"style": "lockup", "palette": "scene"}（无需关键词列表；角色自动分配）。

• 每个口语短语（2-5 个词）是一个排印组合：实词 BIG 格式（Montserrat ExtraBold，约 170 px， 紧凑 -0.045em，按说话方式——大多小写），虚词 SMALL 格式（Montserrat SemiBold，1/3 大小，白色带精细 深色轮廓）塞入实词的角落——在一个实词之前：左上角，之后：右下角 （“over $10,000 a month”）。每行一个实词，行之间紧密堆叠并左右交错。
• 每个实词的填充：数字/金钱 → 绿色渐变，否定词（nu，fără，stop，greșeli，scump...） → 红色 渐变，其他 → 来自该片段画面颜色的渐变（body_profile.py 调色板）或白色；在明亮场景下自动更深/更饱和，在黑暗场景下更浅，以便始终可读。
• 位置在头部/胸部/头部/头顶上方旋转；当标题或图形占据顶部时，短语保持在胸部。前方的短语 绝不覆盖脸部（从头发到下巴）：而是移到胸部或头顶上方。
• 深度（用户规则，每个视频）：大约 40% 的短语（behind_share 0.4）稍微位于头部后方（后层
  • 抠图）。搜索范围涵盖从“下边缘掠过头发”到中脸部的高度，并横向偏移 ±240 px。一个位置有效 仅当头部确实与某个词重叠（behind_min_overlap 5%），每个实词最多隐藏 25%（短词每个字母约 4%，例如 4 个字母最多 16%），并且第一个/最后一个字母的顶部 保持可见。使用该片段上最差的轮廓（occ_max），按该时刻激活的任何缩放比例缩放。绝不会连续 3 个短语位于后方，也绝不会在图形占据顶部时使用。在 QA 中检查那些帧。
• 可读性：每个实词都有精细轮廓（暗区用深色，亮区用浅色）+ 柔和阴影；虚词 有深色轮廓。填充颜色根据短语正下方的亮度选择（lum 地图来自 body_profile.py）：暗区域用浅色调，亮区域用深色调——调色板保持画面本身的颜色。
• QA：检查没有前层短语接触脸部，并且后层短语清晰可读（在每个短语处打开帧检查）。
• 运动：短语侧向甩入，带运动模糊残影，词随着说话出现（快速模糊进入）， 并在下一个短语开始时向相反方向甩出（短语之间无间隙）。
• 阅读时间：一个短语在说话前 lead 0.25 秒出现（其词稍微超前于声音），短于 min_phrase 1.0 秒的短语与下一个/上一个合并（最多 7 个词 / 34 个字符），最后一个短语保持 hold 1.2 秒。视频在最后一个词之后保留 tail 0.8 秒的画面（edit.json 参数；如果画面 提前结束，则保持最后一帧）。多片段：除最后一个片段外，其他所有片段 "tail": 0。
• 混合背景（例如白色 T 恤在深色背景前，短语正下方亮度分布 > 0.17）：使用视频自身颜色中鲜艳的中间色调，搭配深色轮廓（见下方“字幕颜色”）。
• 对比度保护：如果某词的颜色与其背景的亮度过于接近（min_contrast 0.42），则该颜色 会使用其最大对比度色相 + 精细轮廓——绝不变成白色（用户规则）。
• 敏感/严肃主题（葬礼、疾病、损失、道歉...）：保持锁屏外观，但 "motion": "fade" （柔和的淡入，无甩动），"semantic": false（无绿色/红色单词颜色），无故障/像素/眩晕/帧断裂效果， 无冲击力音效（完全没有也可以），缓慢的推进和温和的跟踪，等级强度约 0.6，并且没有 mindricel 橙色主题，除非这是用户自己的品牌。告知用户语气已调整，并提供充满活力的版本。
• 较旧的字幕样式（clean 标题、depth、bold、editorial）仅应要求使用。

数字：tiles 现在渲染为一个深色圆角药丸形状，包含清晰的大数字计数，并可选地在橙色中包含 unit （例如 {"type": "tiles", "text": "400-600", "unit": "cm³"}）；旧的方块仅在带有 "look": "classic" 时使用。

转场（房地产参考）：在片段更改/部分更改处使用 flash_blur（过度曝光散焦）、 pixelate（像素溶解，也适用于元素/图像离开时）、zoom_through，以及缩放跳切（punch 在跳切上交替使用 1.0 / 1.1-1.15）。glitch 要少用。

声音（用户的 SFX 参考视频，已提取——唯一的库；旧的合成库已按要求删除）： sfx/ 中有 10 个 WAV 文件（峰值 -3 dBFS）：loading（数字滴答声 0.9 秒）、click、air（短促的空音嗖声）、tap（柔和的爆音）、 marker（荧光笔划痕）、tick（微小的 UI 滴答声）、blur_hit（冲击力撞击 + 尾音）、swish、sub_boom（次低频 落下）、logo_hit（大揭秘撞击声）。自动映射（compose.py）：flash_blur → blur_hit，zoom_through/leak/ whoosh/swoosh 转场 → swish，flash → air，pixelate/glitch/rewind → loading，impact → sub_boom，punch → click； title/stat/combo → blur_hit（第一个 combo 加 sub_boom），strike/doodle/wall/accent → marker，cards/app/image/product info → tap， products → air + swish，steps/lists/checklists/numcards → click，counters/tiles/charts → loading，glass/cover → sub_boom， follow card → logo_hit，typing → tick。旧名称（pop、whoosh、deep_bass、ding...）仍可通过 SFX_ALIAS 工作。 SFX 密度（用户：“更频繁地使用音效”）——默认 "sfx_density": "high"：在元素和 转场声音之上，compose.py 添加安静额外的声音（-15..-19 dB），用于字幕短语变化（短语在头部后方时用 air，数字/价格上用 tap，否则交替使用 swish / tick；来自 WORK/caption_events.json），每个跳切上（click），顶部图形离开时（air），以及推拉/跟踪相机移动时。每个额外声音与相邻声音保持至少 0.3 秒间隔（约每秒 1 个音效）。平静主题："sfx_density": "normal"（当字幕 motion: "fade" 时自动使用）。

更少的字幕（用户规则，每个视频）：每个短语都加字幕会让人疲劳——只有约 60% 的短语获得字幕 （captions.density 0.6 = 减少 40%）。渲染器保留最有意义的短语（实词、数字/价格、否定词、名称、问题/感叹；填充词如 bă/mă/băi/deci 得分降低），始终包含第一个和最后一个短语，并且从不会有连续 4 个短语

...