Communitygithub.com

captions (字幕)

将动态字幕嵌入竖屏视频,支持 7 种动画样式:editorial-highlight、pop-sticker、paper-plane、smoke-exit、explosive-breakup、rolodex-flip、retro-typer。由 @cornpop.studio 提供的免费入门包。当用户输入 /captions、'add captions'、'caption my video'、'subtitles on my reel'、提及某一种样式名称,或上传说话视频并请求添加字幕时触发。

captions (字幕) 是什么?

该技能将一个说话视频处理成嵌入动态字幕的版本,字幕与语音时间对齐,每行一个关键词获得高亮颜色,原始视频和音频保持不变(字幕叠加在上方)。它提供了 7 种各具特色的动画样式:从严肃的杂志衬线风格(editorial-highlight)到色彩块加黑色轮廓和硬阴影的贴纸风格(pop-sticker),再到纸飞机拉动文字行、烟雾消散、爆炸式破碎、翻转卡片和打字机效果等。用户无需指定样式时,技能会显示样式表格并推荐 pop-sticker。 使用前需要检查并安装 ffmpeg、ffprobe、Node.js 18+、Google Chrome(或 Edge/Chromium)以及 Python 3,然后在该技能文件夹内运行 npm install。核心处理流程分四步:使用 Python 脚本提取语音转文字并生成带时间戳的 JSON 文件;编辑该 JSON 文件修正听错的词语、标记每行关键词和行结束位置;通过 --still 标志检查特定时间点的帧以确保字幕位置和大小合适;最后使用 Node.js 脚本进行完整渲染,生成带有动画字幕的新视频文件。整个过程约 60 秒的视频需要约 3 分钟。该技能支持 Cursor、Claude Code、Codex 等主流 AI 代理平台,也适用于任何可以调用本地脚本的 AI 工具。

兼容平台~Claude Code~Codex CLI✓Cursor
npx skills add https://github.com/shubhamseth29/claude-skills/tree/HEAD/captions

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

/captions:7 种字幕样式

将说话视频转换为带有动态嵌入字幕的相同视频。文字与语音时间同步,每行一个关键词获得高亮颜色,原始视频和音频保持不变(字幕叠加在上方)。

7 种样式

输入以下内容效果预览
editorial-highlight杂志衬线体,关键词位于深红色纸条上,行上方有小页码
pop-sticker色彩块搭配黑色轮廓和硬阴影,小贴纸环绕周围,关键词为紫色并带星号
paper-plane一架高亮颜色的纸飞机飞过并将文字行从后面拉出
smoke-exit粗体无衬线文字;行结束时文字消散为烟雾,关键词以自身颜色烟雾化
explosive-breakup大号紧凑大写字母;行结束时每个字母向外爆裂,关键词带有火花
rolodex-flip一行中逐词构建,每个新词像 rolodex 卡片一样翻下来
retro-typer打字机字母与语音同步输入,闪烁块状光标(可选:朦胧方框)

如果用户未指定样式,显示此表格并询问选择哪一种(建议 pop-sticker)。

首次使用设置

在此技能文件夹内运行。先检查,仅安装缺失的内容:

  • ffmpeg 和 ffprobe(Mac:brew install ffmpeg,Windows:winget install ffmpeg)
  • Node.js 18+ 和 Google Chrome(或 Edge/Chromium)。然后在此文件夹中运行 npm install(小巧:它使用电脑上已有的 Chrome)。
  • Python 3。scripts/words.py 会在此处创建自己的 .venv 并在首次使用时安装 faster-whisper。

步骤

  1. 语音转文字。 python3 scripts/words.py <video> 会写入 <video>.words.json:[{"w":"你好","s":0.21,"e":0.48}, ...]。如果用户已有该文件则跳过(/captions words <video> = 仅执行此步骤)。
  2. 整理文字(编辑 JSON,保留时间戳):
    • 修正听错的词语、名称和品牌拼写。如有疑问则询问用户。
    • 每行标记一个关键词,设置 "k": true:即承载要点的词(结果、数字、名称或令人意外的词)。并非每行都需要。
    • 用 "br": true 标记行结束位置,使每行 2 到 4 个词且不超过约 20 个字母,在说话者自然停顿处断开。一旦存在任何 br,行仅在该 br、标点和长停顿处断开。
    • 按屏幕可读方式书写符号:例如 "slash" → "/",当 "percent" 作为术语的一部分时 → "%"。
  3. 全渲染前检查帧。 node scripts/render.js <video> <words.json> <style> --still 1.5 --still 4 --still 8(选择行中间的时机)。查看 PNG:字幕可读,不遮挡脸部或应用自身的 UI。太高或太低?使用 --y(64 为默认值,数值越小位置越高)。太大?--size 0.85。
  4. 渲染。 node scripts/render.js <video> <words.json> <style> [--hl #ff7a59] [--y 64] [--size 1] [--box] → 在原文件旁生成 <video>_<style>.mp4。60 秒的 Reel 大约需要 3 分钟。
  5. 告知用户文件位置。如需实时查看自己的视频在所有 7 种样式下的效果,在 Chrome 中打开 index.html 并加载视频和文字文件。

选项

标志作用
--hl <#hex>关键词的高亮颜色。预设:黄色 #ffd23f(默认)、珊瑚色 #ff7a59、天蓝色 #7cc4ff、薄荷色 #9ff0b8
--y <0-100>字幕高度,相对于顶部百分比。64 位于说话者下巴下方
--size <n>字幕大小,1 为正常
--box仅 Retro Typer:文字后方柔和的朦胧方框
--out <file>输出路径
--still <s>检查该秒数的帧而非完整渲染(可重复)

注意事项

  • HDR 版 iPhone 视频渲染后可能显得发白。先将其导出为 SDR,或在 iPhone 设置 > 相机 > 格式 > 兼容性最佳 中设置。
  • 字幕始终叠加在视频上方。这是入门包:不包含说话者背后文字、玻璃和墙文字样式。
  • 字体从 Google Fonts 加载,因此渲染需要网络连接。

相关技能