Communitygithub.com

Calypso 播客片段剪辑

在终端中将本地播客录音转化为可供审阅的短视频片段。提供分步指导、带时间戳的本地转录、剧集上下文、故事线、候选片段选择、主讲人取景、Excalidraw 图解说明或竖版视频导出。

Calypso 播客片段剪辑 是什么?

该技能“Calypso 播客片段剪辑”旨在帮助用户通过命令行工具将本地播客录音高效转化为短视频片段,便于后期审阅和分发。它提供了完整的端到端工作流程:从识别和转录音频(推荐本地 Whisper large-v3-turbo 和 Silero 模型),到构建剧集上下文(基于 Yogurt 上下文的本地笔记),再到根据用户意图规划完整的故事线(包括多段故事和独立短片段)。技能还涵盖了对主讲人取景(基于 pyannote 或手动方式)、Excalidraw 图解或竖屏视频布局的支持,以及最终导出和验证工具(如 ffprobe)。该技能高度交互,会在关键节点(转录方法、剪辑结构、布局选择等)要求用户确认,确保每一步都符合预期,并能处理 Codex 沙箱中环境限制(如 Metal 后端或 Chrome 启动失败)的异常情况。支持 Calypso CLI 和自定义编辑脚本,适用于需要从原始播客中提取并精炼出可传播内容的创作者团队或编辑人员。

兼容平台~Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/ashwinrs/calypso/tree/HEAD/.agents/skills/calypso-podcast-clips

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

Calypso 播客片段剪辑 是做什么的?

从仓库根目录运行 ./scripts/calypso.py。CLI 语法和 JSON 示例请参阅 README。保留源文件,中间文件保存在 work/ 目录下。

对于引导式运行,每次给出一个可执行步骤,并解释如何验证结果。当用户希望自己运行步骤时,提供使用用户实际路径的命令。当用户要求 Codex 运行时,执行已授权的 CLI 步骤。从该源文件最新的已验证产物继续工作。

实施前确认选择

当某个步骤存在多个可行方案时,在将其纳入编辑计划、脚本、CLI 命令或导出之前,先请用户选择。列出选项,推荐一个并说明实际权衡。推荐默认选项为首个展示的选项。使用用户已为该片段确认的选择,仅暂停依赖于未决选择的工作。在等待的同时继续检查源文件或收集证据。如果源文件或工具约束只留下一条可行路径,则说明该约束后再继续。

将其应用于转录和上下文方法、故事结构和剪辑点、音频和转场、发言人轮次的识别或处理(当不明确时)、图解放置和时机,以及是重用 Calypso CLI 还是编写自定义编辑脚本。根据源文件验证剪辑点和裁剪边界。询问任何缺失的输入或未解决的决定,这些如果不解决则需要做出假设。

查找录音并进行转录

使用提供的源文件路径,如果录音不明确则询问。探测可用的音频流并选择对话音轨。当模型可用时,推荐本地 Whisper large-v3-turbo 和 Silero 工作流(参见 Yogurt 上下文)。标准 transcribe 命令适用于已配置的 Whisper 模型,或者当文件 models/ggml-base.bin 存在时使用 --model models/ggml-base.bin。对于同一源文件,如果已验证的转录质量足够则重用该转录。确认 JSON 包含可用的对话和相对于源文件的时间戳。

如果在 Codex 沙箱中 Whisper 的 Metal 后端或 Excalidraw 的 Chrome 启动失败,则使用适当的权限重试,或者为用户提供用于其常规终端的命令。如果失败的转录已经创建了工作目录,则使用一个新的工作目录。

构建剧集上下文

使用 Yogurt 上下文 中的本地笔记流程。在提出编辑之前先映射整个剧集。将话题和回呼链接到带时间戳的转录行。保留已提出、有争议或假设性的内容。对照转录检查笔记,当音频混合时保持说话人归属不确定。检查附近的行和采样帧,当含义依赖于屏幕上的内容时。

提出完整故事

从观众应带走的讯息开始。找到吸引点或问题、理解它所需的最小上下文、解释和回报。标记有前景的故事线,即使它们跨越几分钟或答案在很晚之后出现。除非用户要求不同的结构且产生的编辑能保留原意,否则保持源文件顺序。

对于多段故事,保存单独的 story-arcs.json,包含稳定的 ID、标题、要点、完整源文件时间范围、有序且不重叠的保留范围、带有原因的剪切范围、估计编辑后的时长,以及任何需要短视觉桥接的拼接点。使用相对于源文件的秒数,并为每个保留范围记录转录行 ID。剪掉重复、离题和静音,同时保留限定条件和必要的铺垫。比较每个提议拼接点两侧的行,并标记不明确的拼接点以供音频预览。提供源文件时间范围和估计编辑后的时长,以便用户判断差异。

当较短的连续片段能传达完整观点时,将其包含在内。将这些片段保存在 clips.json 中,并使用 list 展示它们。当前的 render 命令每个 ID 接受一个连续区间。对于选定的多段编辑,使用单独的粗剪步骤并在认为编辑最终完成前预览拼接点。请求片段 ID 和任何缺失的布局选择。渲染用户批准的选项。

请求主播录制的配音

使用原始对话和主播录制的配音作为口语音频。除非用户明确更改此偏好,否则在粗剪和最终导出中避免使用合成或克隆的声音。

当开场、转场或事实修正需要新的语音时,为每个配音提供主播确切的台词、它的位置、估计时长以及不同的文件名或录制标签。接受简短单独录制或一次录制但各次之间有明显停顿。在主播录制的同时准备编辑和视觉元素。对于任何需要缺失配音的临时预览,使用静音文字卡片。

当配音到达时,将每个录制与对应的提示匹配,去除多余的静音,使其电平与播客对话持平,并根据录制的交付调整卡片时间。检查拼接点,确认导出仅包含原始对话和主播录制的配音。

准备取景和图示

对于带图解的竖版片段,首先推荐已批准的布局:裁剪出主讲人,将该裁剪放置在画面上部,并在画面下部保留大块图解区域。当左方主播说话时显示左方,当右方主播接话时切换为右方。根据此录音的画面和对话确定左右。当两种布局都可行时,提供图解在主机上方或下方的选项,并确认放置方式。如果片段不全程使用图解,询问当图解不在屏幕时应填充图解区域的内容。

  • 主讲人上图解下 使用 render --layout combined --framing <turns.json> --diagram <diagram.png>,适用于单个区间和静态图解。在手机尺寸下检查文字。
  • 定时图解或多段编辑 如果 CLI 无法表达已批准的时机或布局,可以使用专用渲染脚本。当获批时保持相同的主讲人上图解下取景。在编辑计划中记录选定的裁剪、布局和图解提示。将相对于源文件的提示时间转换为考虑剪切和卡片后的编辑时间线。
  • 其他布局 使用 speaker 配合 --framing 进行仅主讲的裁剪,original 用于全镜头,或者 diagram 配合 --diagram 用于仅图解的带源音频视频。通过不带 --framing 的 combined 可实现全镜头上图解下。

对于固定双人镜头,检查全分辨率帧,并为每个座位取景,使裁剪包含主讲人的面部和肩膀。通过已批准的方法(如手动检查、独立麦克风音轨或设置模型后的本地 pyannote.audio Community-1)构建相对于源文件秒数的、排序且不重叠的主讲人轮次。确认每个主讲人标签对应的座位。当这些选择重要时,询问如何处理不确定的轮次、重叠和简短插话。在可行时,为不确定的轮次提供全镜头。诸如 TalkNet 的移动摄像头检测器需要单独集成并在素材上进行验证。

对于多步骤解释,从选定的摘录中导出节点和箭头,或使用用户的 Excalidraw 场景。运行 diagram 生成 PNG 并保留可编辑的场景。在手机尺寸下预览主讲人切换和图解提示。

验证导出

为每个选定的 ID 和布局运行或提供一个 render 命令,使用不同的输出路径。使用 ffprobe 检查输出时长、尺寸、编码和音频。预览开头、结尾和裁剪转场,检查同步、完整单词和可读的取景。在引导式运行中,报告输出路径和候选 ID,展示如果用户想要更改,如何以调整后的边界或不同布局重试片段。

相关技能