Communitygithub.com

assafkip/claude-video-editor

构建和迭代超帧中的短格式垂直(9:16)视频——TikTok/Reels/Shorts风格。当用户提到“短视频”、“竖屏视频”、“TikTok/Reels/Shorts”、“制作一个短片”、“人像+动态图形”,或目标为1080x1920合成、包含人脸视频+同步场景叠加+卡拉OK字幕时使用。编码了完整的May Shorts 19剧手册:人像模式编排、音频同步场景时间、卡拉OK字幕和10条质量检查清单。

claude-video-editor 是什么?

该技能专为创建和优化短格式垂直视频(9:16宽高比)而设计,针对TikTok、Instagram Reels和YouTube Shorts等平台。它基于一个全面的剧手册构建,该剧手册源自对迭代开发过程的严格分析,确保视频达到专业质量。核心工作流程强调以音频为唯一真实来源,首先编辑音频,然后使用Hyperframes框架进行精简、精确的编辑。该技能包含详细的人像模式编排,通过GSAP动画操控人脸视频的缩放和位置,实现下半屏和全屏模式之间的流畅过渡,同时提供色彩校正和微妙的Ken Burns缩放效果,提升视频质感。此外,它还涉及卡拉OK风格字幕的创建,字幕会跟随语音逐词高亮,并采用严格的验证流程,包括草稿渲染、逐帧提取确认,以确保最终输出完美无瑕。该技能需要安装并配置Hyperframes框架。

兼容平台✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/assafkip/claude-video-editor/tree/HEAD/skills/short-form-video

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

短格式垂直视频(超帧)

短格式 = 1080x1920 垂直,10–30秒,人像说话 + 动态图形场景叠加 + 卡拉OK样式字幕。此技能中的所有内容均源自 May Shorts 19 迭代复盘(v1 → v4),并应应用于每个新短片。

始终首先调用 /hyperframes。此技能基于该框架构建——它不会取代框架规则(data-* 属性、window.__timelines、合成结构)。这些规则无论采用何种格式都是不可协商的。

触发条件

  • "制作一个短片"、"TikTok 帖子"、"Reels"、"Shorts"、"竖屏视频"
  • 任何基于人像录制视频 + 脚本/文字记录为社交媒体制作的构建
  • 重新调整时间、重新剪辑或重新同步现有短片
  • 添加与配音同步的卡拉OK样式字幕

剧手册(高级概述)

  1. 音频是唯一真实来源。 先编辑音频(移除重录、停顿)。保存为 <name>-edit.mp4。使用 ffprobe 测量确切时长——这是合成的 data-duration。
  2. 转录音频,使用 npx hyperframes transcribe <edit>.mp4 --model small.en --json;或者,如果在重新调整现有构建时,字幕中包含 shift() 函数,则保留现有字幕并仅移动场景起始时间。
  3. 在“编辑后时间”中确定场景边界——切勿在同一个文件中混合使用原始时间和编辑后时间锚点。请参阅下面的“音频同步协议”。
  4. 构建合成框架(4 层:氛围背景、接缝处理、字幕、人像)——请参阅下面的“合成框架”。
  5. 使用相对于每个场景 data-start 的“本地”偏移量编写场景。 每个场景都是其自己的子合成,位于 compositions/scene<N>-<label>.html 下。
  6. 检查 → 草稿渲染 → 逐字帧验证 → 最终渲染。 这是验证关卡。切勿跳过第 3 步(帧验证)。

合成框架(始终开启的 4 层)

每个短格式垂直视频都有以下四个子合成,位于 compositions/ 下,加载在共享轨道上:

index.html (根元素, 1080x1920, data-composition-id="main")
├── ambient-bg.html        track-index="3" — 径向渐变 + 漂移网格 + 粒子 + 暗角
├── face-wrapper + <video> track-index="0" — 人像(参见人像模式编排)
├── seam-treatment.html    track-index="5" — 在 y=960 处柔化边缘(仅下半屏场景)
├── scene1-<label>.html    track-index="1" — 场景叠加(背靠背,无间隙)
├── scene2-<label>.html    track-index="1"
├── …
└── captions.html          track-index="2" — 卡拉OK样式字幕,与单词同步
  • data-duration 在根元素、氛围背景、接缝处理、人像视频、人像音频、字幕中必须完全相同。只有场景叠加随时间变化。
  • 人像的 <audio> 是一个独立元素(混音器需要它),切勿使用视频本身的音轨。
  • class="clip" 应添加到有时间的 div 上——切勿添加到 <video> 或 <audio> 上。

人像模式编排(短格式的标志性动作)

人像位于一个包装器 div 中,其尺寸为原始源文件的横向尺寸 (1920x1080)。GSAP 动画作用于包装器(切勿对视频元素本身进行动画——对 <video> 尺寸进行动画会冻结帧)。

两种模式:

const BOTTOM     = { x: 0,       y: 1136, scale: 0.5625 }; // 下半屏,全横向可见
const FULLSCREEN = { x: -1166.5, y: 0,    scale: 1.7778 }; // 裁剪覆盖,填充 1080x1920
const MODE_DUR = 0.32;

BOTTOM 将 1920x1080 源文件渲染为 1080x607.5,居中于底部 960px。FULLSCREEN 水平裁剪以填充竖屏帧。

在新场景内容加载前 0.15 秒进行过渡,使用 ease: "expo.inOut":

[
  { t: <scene-4-start>, mode: FULLSCREEN },
  { t: <scene-5-start>, mode: BOTTOM },
  …
].forEach(({ t, mode }) => {
  mainTl.to("#face-wrapper", { ...mode, duration: MODE_DUR, ease: "expo.inOut" }, t - 0.15);
});

立即切换模式的人像帧是竖屏视频中最突兀的画面。始终进行插值。

人像调色(每个短片,无一例外)

#face-video {
  filter: contrast(1.08) saturate(1.08) brightness(0.97);
}

再加上在整个持续时间内微妙的 1.00 → 1.025 Ken Burns 缩放(ease: "none")和侧面暗角 ::after 伪元素,使人像融入周围的深蓝色,而非紧贴锐利边缘。

接缝处理(下半屏场景必需)

在 y=960 处有一条从深蓝色到透明的渐变带(60–100px),外加一条带有柔和发光的 2px 强调扫描线。在放置人像之后绘制它,使其位于上方;全屏场景在接管时会覆盖它。锐利的 y=960 切割是 AI 编辑内容的第二大特征(仅次于背景平坦度)。

音频同步协议(不要跳过)

问题: 如果音频被编辑(移除了重录/停顿),源文字记录中的时间戳不再与编辑后的视频匹配。以原始时间编写的场景起始时间会延迟触发。

规则: 所有时间都基于“编辑后时间”。切勿混合使用。

任何短片重新调整时间的验证流程:

  1. 使用 ffprobe 测量两个音频文件的时长:
    ffprobe -v error -show_entries format=duration -of csv=p=0 assets/original.mp4
    ffprobe -v error -show_entries format=duration -of csv=p=0 assets/<name>-edit.mp4
    
    差值 = 总共剪掉的时间。
  2. 如果在 captions.html 中使用 shift() 函数来映射文字记录单词,则将其视为唯一真实来源。映射 shift(originalTime) = editedTime 也适用于每个场景的 data-start。
  3. 场景内部偏移量(位于 compositions/sceneN.html 内)是本地的,相对于场景的 data-start。如果某个场景的父级 data-start 在编辑后时间中是正确的,则内部偏移量保持不变无需修改——除非场景跨越了一个剪辑点,在这种情况下,父级持续时间和内部偏移量都会发生变化。
  4. 人像模式过渡数组的时间必须使用编辑后时间。它们不会自动移位。

重新调整时间的计划格式(每次使用此表格结构):

场景当前起始时间当前时长新起始时间新时长理由
..................

然后是面部模式数组,然后是任何内部偏移量更改,最后是帧验证列表。

场景编写

一个场景 = 一个子合成文件。场景位于同一 data-track-index 上,背靠背(无间隙)。在每个场景内部:

  • data-duration 与父级的槽位完全匹配
  • 所有 GSAP 锚点都是本地的(从场景开始索引为 0)
  • 使用 tl.set({}, {}, <data-duration>) 填充时间线,使 GSAP tl.duration() 与 data-duration 匹配

场景节奏规则(来自 10 条原则)

  • 无空白帧。 每 100 毫秒至少有一个动画元素。将首次入场偏移 0.1–0.3 秒,而不是 t=0。
  • 高潮持续时间 ≥ 1 秒。 场景的“大揭示”(印章、数字锁定、妙语)在屏幕上必须至少有 1 秒,理想情况下为 1.5 秒。按揭示时间而非总时间来规划场景。
  • 全程运动。 如果入场动画在 4 秒场景的本地 2 秒时全部结束,则添加次要动画:下划线扫过、勾选标记弹出、卡片上的环境漂移、药丸上的微小振荡发光。节奏感差 = 被划走。
  • 变化缓动函数。 每个场景至少使用 3 种不同的缓动函数进行入场。
  • 每运行 5 秒一个吸睛效果。 字体冲击、故障/色差揭示、快速摇摄、音频同步冲击。没有这些,视频读起来就像“带标签的人像”——正确但令人难忘。

字幕(卡拉OK样式)

  • Montserrat 900 字体,46–58px(针对 1080 宽度),100% 白色基色
  • 活动单词:缩放 1.08 弹出 + 颜色更改为强调色(AIS 为 #37bdf8,根据品牌进行调整)
  • 通过分层 text-shadow 实现描边,切勿使用 -webkit-text-stroke(在 Chromium 渲染中不一致)
  • 移除 rgba 背景药丸——让描边保持可读性。字幕应该像是框架上的涂鸦,而不是字幕轨道。
  • 对于重新调整时间,在 captions.html 中使用 shift() 函数将文字记录单词时间戳映射到编辑后时间。这使文字记录 JSON 保持不变,并使重新调整时间变得机械化。

有关完整的卡拉OK实现,请参阅 /hyperframes 下的 references/captions.md。简而言之:使用带有 data-word-start 属性的逐词 <span> 元素,GSAP 动画作用于每个跨度,弹出持续时间为 0.08–0.12 秒。

氛围背景(切勿使用纯深蓝色)

最低可行的背景堆栈:

  1. 径向渐变基础(中心比边缘亮 15–20%)
  2. 动画噪点/颗粒叠加,不透明度 8–12%
  3. 4–8 个漂移粒子点或网格轨迹
  4. 微妙的暗角

background: #07121c 本身只是一个占位符,而不是设计。对于科技感/控制室美学,请使用 feedback_techy_background_layers.md 中的 6 层堆栈(HUD 网格遮罩为暗角 + 电路轨迹 + 脉冲节点 + 扫描光束 + 遥测滚动条 + 角落单色标签)。

音频响应性

  • 标题在节拍上脉冲 3–6%。背景可以在低音上达到 10–30%。
  • 文本响应性保持微妙(3–6%),以便字幕保持可读性;背景可以更强烈。
  • 使用有种子的离线分析器(预先计算音频特征轨迹),以确保渲染是确定性的。不要在渲染路径中使用 AnalyserNode——Math.random() 和实时音频节点会破坏确定性。

过渡

  • 轮换过渡类型。 没有两个连续的过渡是相同类型的。连续六个硬切是 AI 编辑的第一大特征。
  • 人像模式过渡(BOTTOM ↔ FULLSCREEN)在场景之间模式改变时,兼作场景过渡。
  • 对于纯叠加场景到场景过渡,从注册表安装:push-up、flash-through-white、sdf-iris 或完整的着色器过渡包。使用 npx hyperframes catalog --type block 浏览。

验证关卡(强制——切勿未经验证就发布)

通过 Lint 检查 ≠ 设计有效。在您以逐字时间戳提取帧并读取每个 PNG 之前,不要报告短片渲染完成。

第 1 步——草稿渲染

cd video-projects/<slug>
npx hyperframes lint
npx hyperframes render --quality draft --output renders/<slug>-vN-draft.mp4

第 2 步——逐字帧提取

选择 8–15 个时间戳,每个时间戳对应一个说出的单词,并且在该时间点应有特定的视觉效果在屏幕上。不是整数。不是场景中间。而是精确的单词。

mkdir -p renders/frames-vN
for pair in "<t>:<label>" "<t>:<label>" ...; do
  t="${pair%%:*}"; label="${pair##*:}"
  ffmpeg -y -ss "$t" -i renders/<slug>-vN-draft.mp4 \
    -frames:v 1 -q:v 2 "renders/frames-vN/t${t}-${label}.png"
done

第 3 步——读取每个 PNG

对每个 PNG 调用 Read,以便将图像加载到上下文中。不要仅列出文件名。对于每个帧,确认:

  • 预期的视觉效果在预期的时刻出现在屏幕上(不是延迟 1 秒,也不是提前)
  • 说话者的面孔在任何下半屏场景中都没有被裁剪
  • 全屏 vs 下半屏人像模式对于该场景是正确的
  • 字幕符合品牌风格,可读,没有溢出
  • 无空白帧、无意外重叠、无文本超出画布

第 4 步——如果任何内容失败,修复并重新验证。切勿发布有问题的作品。

第 5 步——最终渲染

npx hyperframes render --quality standard --output renders/<slug>-vN.mp4

从最终渲染中抽查 3–4 帧(相同的时间戳,不同的文件夹 frames-vN-final/),以确认标准质量编码没有改变任何内容。

10 条规则(质量检查清单——在首次草稿之前运行)

每个短片构建。在编写过程中运行此清单,而不是之后。

  1. 无空白帧。 每 100 毫秒有一个动画元素。
  2. 场景高潮持续时间 ≥ 1 秒。 按揭示时间而非总时间来规划。
  3. 人像是一个角色。 调色 + Ken Burns 缩放 + 侧面暗角。
  4. 无硬缝。 在 y=960 处使用渐变 + 扫描线柔化边缘。
  5. 每 5 秒一个吸睛效果。 字体冲击、故障、快速摇摄、音频冲击。
  6. 音频响应性不可协商。 文本 3–6%,背景 10–30%。
  7. 轮换过渡类型。 没有两个连续相同的。
  8. 字幕要突出,而非礼貌地标注。 使用描边而非药丸背景。活动单词缩放 + 变色。
  9. 贯穿整个场景时长的运动。 如果入场动画提前结束,则添加次要动画。
  10. 背景是一个图层,而不是一种颜色。 至少包括径向渐变 + 噪点 + 粒子 + 暗角。
  11. 冲击/印章叠加效果在目标文本完全可见后放置。 揭示逻辑 > 单词同步。印章 t ≥ 目标可见 t + 0.10–0.25 秒。否则,妙语会在铺垫之前出现。

项目结构(每个短片项目)

video-projects/<slug>/
├── hyperframes.json
├── meta.json                    (id, name, dimensions 1080x1920, fps 30)
├── index.html                   (根合成,4 层框架)
├── compositions/
│   ├── ambient-bg.html
│   ├── seam-treatment.html
│   ├── captions.html            (如果重新调整时间,包含 shift() 函数)
│   ├── scene1-<label>.html
│   ├── scene2-<label>.html
│   └── ...
├── assets/
│   ├── <name>.mp4               (原始录制)
│   ├── <name>-edit.mp4          (已编辑——已移除剪辑——合成使用此文件)
│   ├── transcript.json          (whisper 输出)
│   └── 品牌资源 (logo, brand-tokens.css, background music)
└── renders/
    ├── <slug>-v1-draft.mp4
    ├── frames-v1/
    ├── <slug>-v1.mp4
    └── ...

重新调整时间协议(当音频被重新编辑或时间戳漂移时)

  1. 使用 ffprobe 测量旧的和新的编辑后音频时长。差值 = 总共剪掉的时间。
  2. 识别剪辑窗口:哪些秒被移除了,从哪里移除的。
  3. 编写计划表格:每个场景的 data-start、data-duration、每个人像模式过渡的 t,以及任何内部偏移量跨越剪辑点的场景。
  4. 对于每个跨越剪辑点的场景,其父级持续时间和内部偏移量都会发生变化。完全位于剪辑点一侧的场景只需移动父级 data-start。
  5. 检查 → 草稿渲染 → 逐字帧验证 → 最终渲染。无捷径。

短格式视频中应避免的操作

  • 不要对 <video> 元素尺寸进行动画——会冻结帧。对包装器 div 进行动画。
  • 不要在任何时间线上使用 repeat: -1——会破坏捕获引擎。只使用有限次数。
  • 不要使用 Math.random() 或 Date.now()——会破坏确定性。使用有种子的伪随机数生成器。

Individual skills in this repo

This repo contains 9 individual skills — each has its own dedicated page.

assafkip/claude-video-editor

Build videos from stills when there is nothing to cut — narration first (ElevenLabs v3 with audio tags), then still keyframes from ANY source (AI image tools, screenshots, photos, HyperFrames-rendered HTML), animated deterministically with the animate-stills recipe (HyperFrames camera moves + GSAP atmosphere). Use when the user wants an explainer, documentary-style video, or any video built from generated or collected visuals instead of recorded footage.

assafkip/claude-video-editor

GSAP animation reference for HyperFrames. Covers gsap.to(), from(), fromTo(), easing, stagger, defaults, timelines (gsap.timeline(), position parameter, labels, nesting, playback), and performance (transforms, will-change, quickTo). Use when writing GSAP animations in HyperFrames compositions.

assafkip/claude-video-editor

HyperFrames CLI tool — hyperframes init, lint, preview, render, transcribe, tts, doctor, browser, info, upgrade, compositions, docs, benchmark. Use when scaffolding a project, linting or validating compositions, previewing in the studio, rendering to video, transcribing audio, generating TTS, or troubleshooting the HyperFrames environment.

assafkip/claude-video-editor

Install and wire registry blocks and components into HyperFrames compositions. Use when running hyperframes add, installing a block or component, wiring an installed item into index.html, or working with hyperframes.json. Covers the add command, install locations, block sub-composition wiring, component snippet merging, and registry discovery.

assafkip/claude-video-editor

Create video compositions, animations, title cards, overlays, captions, voiceovers, audio-reactive visuals, and scene transitions in HyperFrames HTML. Use when asked to build any HTML-based video content, add captions or subtitles synced to audio, generate text-to-speech narration, create audio-reactive animation (beat sync, glow, pulse driven by music), add animated text highlighting (marker sweeps, hand-drawn circles, burst lines, scribble, sketchout), or add transitions between scenes (crossfades, wipes, reveals, shader transitions). Covers composition authoring, timing, media, and the full video production workflow. For CLI commands (init, lint, preview, render, transcribe, tts) see the hyperframes-cli skill.

assafkip/claude-video-editor

Beginner-friendly end-to-end video creator for HyperFrames. Use when the user says "make a video", "create a video", "new video", "build a video", "video from scratch", "I want to make a video", "help me create a video", or when someone who's never used HyperFrames before arrives with a concept, script, or rough idea and wants a finished MP4. Interviews the user in one pass, then builds the full video with mandatory preview and visual-verification gates.

assafkip/claude-video-editor

Edit any video by conversation — the orchestrator for the bundled video pipeline. Use when the user wants to edit, cut, caption, grade, or add motion graphics to footage; drops a folder of clips and says "edit this"; or asks to make a promo/teaser/tutorial/short. Routes to video-use (the cut engine) and HyperFrames (motion-graphics overlays), with a motion-craft library for taste.

assafkip/claude-video-editor

Production pipeline for mathematical and technical animations using Manim Community Edition. Creates 3Blue1Brown-style explainer videos, algorithm visualizations, equation derivations, architecture diagrams, and data stories. Use when users request: animated explanations, math animations, concept visualizations, algorithm walkthroughs, technical explainers, 3Blue1Brown style videos, or any programmatic animation with geometric/mathematical content.

assafkip/claude-video-editor

Capture a website and create a HyperFrames video from it. Use when: (1) a user provides a URL and wants a video, (2) someone says "capture this site", "turn this into a video", "make a promo from my site", (3) the user wants a social ad, product tour, or any video based on an existing website, (4) the user shares a link and asks for any kind of video content. Even if the user just pastes a URL — this is the skill to use.

相关技能