/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
- 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)。 - 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 → "%"。
- 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。 - 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。 - 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。