视频剪辑
此技能将面对镜头讲话的原始素材剪辑成成品视频、匹配的 SRT 字幕文件和封面，使用基于 ffmpeg、Whisper 和 Playwright 的命令行工具 vedit.py。它拥有剪辑的完全控制权：选择干净的镜头、进行干净剪辑、确保镜头多样性、图形和 B-roll 放置、字幕、响度、封面以及最终的 QA 检查。它依赖 video-scripting 技能提供脚本和编辑说明，依赖 brand/brand-profile.md 提供颜色、字体和合规行，依赖 image-generation 技能提供静态图片，依赖 review-loop 技能进行独立检查，依赖 scheduling 技能进行发布。从此处不会发布或安排任何内容。
权限顺序：brand-profile.md 在品牌常量与合规措辞上优先；此技能拥有方法的所有权。
开始之前
- 找到营销工作区（默认为
marketing/）。如果不存在，用一行说明并提供brand-setup技能；该工具在默认外观下仍可工作。 - 找到内容文件夹
content/<yyyy-mm-dd>-<slug>/。其中应包含script.txt（每行一句口语；[括号内的注释]和[CHAPTER N • Title]标记绝不念出），理想情况下还有edit-notes.txt（包含HOOK ON SCREEN:、COVER:、OUTCOME:等行）和sources.txt（屏幕上仅允许出现的数字）。如果录像是无脚本的，则先转写，并将清理后的转写文本视为脚本。 - 阅读品牌配置文件中的
## 视觉标识、## 合规、## 边界和## CTA 与联系方式，以及brand/voice-learnings.md中关于图形和封面的措辞。 - 检查工具是否就绪：
python3 <skill>/vedit.py doctor。如果有任何缺失，运行bash <skill>/setup.sh一次（安装 ffmpeg、Node、Python venv、Whisper、Playwright、字体）。Whisper 的 large 模型约 3 GB，在笔记本电脑 CPU 上转写速度约为片长的 1 到 2 倍，因此请将长时间步骤置于后台运行。
标准
- 每句只保留一次干净朗读。 成品视频中每句脚本只保留一次干净的朗读：无重录、无“the, the”、无废弃 take 的半句话、无单词结尾被裁剪。这是硬性要求，不是锦上添花。可以保留一个自然的“um”（人应该听起来像他们自己），但绝不能出现在开头句，也不能在一句中出现两次。
- 跟随口语表达，而非书面脚本。 人们在说话时会改进台词。口语改写会在 take 查找器中表现为缺失或低覆盖率的行；这不是废话。保留他们的版本，仅裁剪真正的口吃和重演，并根据实际所说的话修正任何基于脚本编写的图形或钩子卡片。
- 保留能带来收益的节拍。 如果脚本开头有“我是谁”这样的行或结尾有号召行动，它们应保持在原位。
- 绝不出现单一固定镜头。 每次剪辑交替使用全景和特写，在长时间朗读中重新构图，切至 B-roll，通过动态图形推进故事。头部特写是主干，而非全部内容。
- 字幕来源于最终音频，并与脚本核对，确保与听到的内容完全一致。短视频烧录为硬字幕；长视频仅提供 SRT 文件。
- 响度标准化至 -14 LUFS，真峰值 -1.5 dB，确保在所有平台上音量正常。
- 真实帧封面，标题位于网格安全方框内，提供一个或两个变体。
- QA 关卡通过后才能交付任何内容。 它会重新转写渲染结果，独立检查每个剪辑点，并检查每个剪辑点是否落在安静处。
deliver命令在没有通过 QA 时会拒绝执行。 - 坦诚对待听觉局限性。 Claude 无法听到声音。QA 关卡只检查词语和能量，不检查语气、词语下的咳嗽声或糟糕的环境音拼接。每次交接时都要说明这一点。
方法
所有命令格式为 python3 <skill>/vedit.py <command> <slug>。手动编辑 project.json 前请阅读 references/project-config.md。
- 先收集所有素材。 列出批次中的所有素材片段。通过声音配对双机位（
scripts/sync_cams.py；真正的匹配得分约为 0.4 到 0.55，不匹配则约为 0.03），对无声相机（如无人机）则通过运动和时间戳进行匹配（scripts/sync_cams_visual.py）。为每张照片和短片段生成联系表，并记录哪些可作为 B-roll 使用，如果拍摄者提到的任何摄像机不在文件夹中，立即询问。详情请参阅references/multicam-and-long-form.md。 - 初始化。
vedit.py init <slug> --raw <cameraA clip> --pack <content folder> [--long] [--cam B=<clip>]。它会复制脚本，读取编辑说明，并将品牌配置中的调色板和字体映射到project.json中。然后，用脚本中的所有专有名词（包括演示者自己的名字）填充vocab。 - 预处理（慢，后台运行）：
vedit.py prep <slug>。以相机原始帧率生成直立主视频、16 kHz 音频、同步额外机位、并生成两份转写文本（large-v3 逐字版和 medium.en 版）。遇到 HDR 素材、形状错误的素材以及蓝牙麦克风的通话级音频时会停止；references/audio-and-sync.md中有补救方法。 - 镜头选取。
vedit.py takes <slug>将语音与脚本对齐，类似提词器：反向跳转意味着重新开始，因此每句脚本的每次尝试都变成一个带分数的 take。第二次监听会独立回听每个 take 以找出填充词、重复和双读。请阅读picker/takes_report.txt。然后在信任之前进行验证：打开references/whisper-pitfalls.md，因为 Whisper 会丢弃重复的假开头、编造结束词并分割不熟悉的术语。除非能量图显示没有第二次爆发性语音，否则建议的重录修剪应保留。 - 挑选。 要么用户通过浏览器挑选（后台运行
vedit.py picker <slug>，然后打开http://localhost:8765），要么，如果他们要求 Claude 挑选，自己编写picker/picks.json，并在每次更改机器选择时添加note注释。告诉他们哪些行是红色或琥珀色的以及原因。优先选择与相邻行来自同一录制运行的朗读：它们可以无缝剪辑。永远不要交付机器选择的结果。 - 编排（设计工作，先阅读
references/style-notes.md）。根据脚本、sources.txt和素材中的内容：在帧 0 处添加钩子卡片（来自edit_notes.hook_on_screen，3 到 5 个词，一个承诺而非答案）；为需要它们的节拍编写graphics.json卡片，仅使用sources.txt中的数字；cues锚定到行或口语单词，从不使用固定时间；合理的 B-roll 切出（在它们所说明的单词上，或在说话人的表情或手势之后）；framing.face_x/eye_y在一帧上测量；exit_tail用于走出镜头的部分。使用vedit.py mg-preview <slug>预览图形静态图。 - 构建。
vedit.py build <slug> plan即时运行并打印剪辑摘要；build cues列出任何无法放置的 cue（修复它，绝不忽略）。迭代执行build cut和scripts/cut_check.py，直到干净为止，制作封面（步骤 9）以使海报帧嵌入，然后执行build all。构建应用的规则见references/edit-rules.md。 - QA 关卡。
vedit.py gate <slug>。它会因以下原因失败：一行被朗读两次、存在口吃或废弃的开头、有语音能量但没有词（隐藏的重读）、在任何剪辑点出现重复或跳过（两个模型独立听到）、遗漏的废弃 take 中的单词出现在剪辑点处、剪辑点落在有声音的位置、以及（多机位时，如果存在gaze.json）使用了错误的机位。修复原因，重新构建，再次通过 QA。然后进行人工代理检查：观看渲染结果的联系表，阅读每条字幕（vedit.py captions <slug>），对于你更改的每一行，记录之前的内容和保留的内容。 - 封面。 使用
vedit.py frames <slug> --every 5生成联系表；选择一帧有眼神接触、表情温暖（非说话中）、对焦清晰、包含能说明故事的物体的帧。设置cover.frame和一个或两个variants（2 到 4 个词，大字，一个高亮词，简洁真实），然后执行vedit.py cover <slug>。它会检查每个文本框是否位于网格安全方框和脸部之外，并生成grid_tiles.jpg以显示在个人主页网格中的效果。 - 审查。 将渲染结果的联系表、封面、SRT 和剪辑列表交给
review-loop技能。屏幕上的数字需与sources.txt核对，不能只看表面。 - 交付与发布。
vedit.py deliver <slug>将视频、SRT、封面、剪辑列表（每行：take、源范围、修剪、每次更改及原因）、QA 报告以及（对于长视频）youtube-chapters.txt写入content/<date>-<slug>/video/。vedit.py release <slug> --to <folder>将视频、SRT 和 JPG 缩略图以同一文件名复制到目标文件夹，这是调度工具和 YouTube 所期望的格式。
交付前的检查
交付给用户时始终包含：
- QA 通过，且时间最新（晚于渲染时间）。
- 唇形同步测量：对最终渲染的两个或三个面部特写片段运行
scripts/lipsync.py build/final.mp4 <t0> <t1>，确保每段在 ±40 ms 内。 - 字幕检查阅读（
vedit.py captions <slug>，输出为vN-caption-check.txt）：FIX 看起来合理，每个 CHECK 都标注为让用户去听的行。 - 注明时长和响度。
- 对他们选择的每项更改都说明原因，并列出值得听的行。
- 封面 A 与 B 的对比，以及网格预览。
- “没有任何内容被发布或安排。”
- “我无法听到内容：请在发布前自行听取。”
适配调整
- 没有脚本？ 先进行转写（
prep会生成两份转写文本），将转写结果清理为每行一句，保存为script.txt，然后运行takes。 - 不同外观： 所有视觉元素从
project.json的brand（颜色、字体）和cover.wordmark（可选的小名称标签）读取。在那里更改，不要改到脚本中。 - 不同拼写：
captions.locale设置为en-GB（默认）或en-US。 - 较慢的机器： 在
project.json中设置"whisper": {"large": "small.en", "medium": "base.en"}以牺牲准确性换取速度；QA 关卡仍会运行。 - 监管行业： 将
## Compliance中要求的屏幕措辞放入图形或结尾卡片，并确保屏幕上所有数字均来自sources.txt。 - 新图形模板： 将它们添加到
scripts/mg/kit.html，并在references/project-config.md中记录。 - 学习改进： 当用户报告 QA 遗漏的跳过或重复时，在修复视频前记录案例，并将你学到的关于他们剪辑偏好的知识添加到
brand/performance-learnings.md。SRT 是从他们自己的语音中转写的，因此voice-loop技能可以从中学习。
已知不足
- take 查找器可能会错过措辞变化较大的重录；QA 关卡的重读规则是最后防线。在更改
nin或修剪后，请阅读build/edl.json并检查你接触过的每个接缝。 - 残留词检查按文本匹配保留的 take 的边缘词，因此废弃 take 中听起来像保留 take 第一个词的那个词可能会以“即兴”注释的形式通过。需要手动通过
build/edl.json将每个此类注释映射到源时间。 - QA 关卡中没有自动唇形同步检查：对每个最终渲染运行
lipsync.py。 - 多机位拍摄的机位选择由人工完成（在 picks 中设置
"cam"），除非你提供gaze.json；详情请参阅references/multicam-and-long-form.md。 - 未内置逐字“卡拉 OK”字幕；可以作为想法提供，但切勿在未询问的情况下更改字幕样式。
此技能中的文件
| 文件 | 何时打开 |
|---|---|
references/project-config.md | 编辑 project.json、graphics.json、cues、封面变体或 picks 时 |
references/edit-rules.md | 评估剪辑、字幕、图形或封面时 |
references/whisper-pitfalls.md | 验证 takes、修剪和 QA 注释时 |
references/style-notes.md | 编排剪辑（镜头多样性、切出、钩子卡片、封面）时 |
references/multicam-and-long-form.md | 处理第二个机位、无人机、16:9 长视频、章节时 |
references/audio-and-sync.md | 处理差劲的音频、延迟的音频、背景噪声、响度时 |
references/project-template.json | 查看起始的 project.json 时 |
setup.sh、vedit.py doctor | 首次在一台机器上运行时 |
了解更多
含有示例的更详细指南位于 https://builtnotboosted.com/skills/video-editing