水平粗剪工具
从原始访谈录音生成接近发布的粗剪版本。工作分工如下:
- 工具测量音频:自动去除停顿、连续重复以及静音中的空隙,并将剪切点定位在音频最安静的位置。
- **你(Claude)**从头到尾阅读转录,并删除工具无法识别的内容:重新开始的句子、剪辑标记(如“这部分我会剪掉”)、错误的确切数字、离题的部分。为每个剪切提供理由。
- 验证重新解码剪切后的音频,并检查每个拼接处是否有丢失或“泄漏”的单词。
输出是一个 MP4 文件(非 NLE 项目)。调色、音乐、字幕和图形不是本技能的工作。
适用场景
- 用户提供横向访谈录音并要求“剪辑”、“剪切”、“去除停顿”时。
- 摄像头和屏幕录制为独立文件,需要同步时。
- 不适合竖屏视频(Reels/Shorts);那种情况下画布和字幕不同。
准备工作
ffmpeg必须在 PATH 中,Python 依赖项通过仓库根目录的kur.sh安装。 命令中使用.venv/bin/python作为 Python(Windows:.venv\Scripts\python)。- Whisper 模型在首次运行时下载(large-v3 ≈ 3 GB)。下载前告知用户。
- 最耗时的步骤是 Whisper。衡量(M1 Pro 8核 CPU,large-v3 int8,精确模式,后台同时有另一个渲染任务):4 分钟的录音在 10 分钟内完成转录(约 0.4 倍实时);
dogrula以相同速度重新解码剪切音频。剪切、同步和规划耗时秒级,渲染耗时分钟级。对于长录音,提前告知用户时长;快速试用时可指定--model medium或small(准确性较低;规则基于 large-v3 设计),最终验证始终使用默认模型。如果有 NVIDIA GPU,--device auto会自动选择 CUDA。 - 每个任务在其自己的文件夹中:
work/<project>/。不要移动、删除或覆盖用户的原始文件;工具只读取它们。
以下 K = .venv/bin/python .claude/skills/yatay-kurgu/araclar/kurgu.py,P = work/<project>。
工作流程
1. 转录。 提取音频,获取精确转录,并构建初始计划(无删除列表)。
K transcribe P --video camera.mp4 [--screen screen.mp4] [--terms "video-specific terms"]
使用 --terms 提供视频中出现的专有名词(产品、人物、游戏名称);Whisper 会更准确地转录。
2. 从头到尾阅读 P/transcript.md。 使用 Read 工具逐段阅读。不要略读:重新开始的句子和剪辑标记 hidden 在句子中间。阅读时查找以下内容:
- 重新开始:对同一想法的第二次尝试。保留最后一次尝试,删除之前的。
[ADAY]行是提示,最终决定由你做出。 - 剪辑标记和自言自语:“这部分我会剪掉”、“重来一遍”、“停”、“抱歉”、“再来一次。”、“不要这样”、“… 添加这里”。用户可能口头给出剪切指令;这是最可靠的信号。
- 错误且已纠正的数字、名称、单位:删除错误的部分。
- 多余的词语(“嗯,现在那个…”)、听不清的喃喃自语、半截句子。
- 离题或冗长无用的部分。这是内容决策: 询问用户后剪切。
DROPPED行:因音频测量而丢失的单词。多数是 Whisper 的杜撰或呼吸声;如果有意义的话,使用envelope检查。
3. 写入 P/to_drop.json。 包含源时间戳和每个条目的理由:
[
{"start": 31.20, "end": 36.85, "reason": "重新开始:句子的第一次尝试,保留第二次"},
{"start": 102.40, "end": 104.10, "reason": "剪辑标记:说'这部分我会剪掉'"}
]
- 边界取自回唱中的
[start–end]行边界;工具将剪切点定位在 ±0.2 秒内的最安静帧上,不需要精确匹配。落在区间中间的单词被删除:将end设置为略提前于要保留的第一个单词的时间戳,以避免侵入。 - 如果只有行的一部分需要删除,使用
K envelope P 100 106查看单词时间戳和音频。 - 如果希望保留故意重复的强调(例如“一步一步”、“信息信息信息”),将其区间以相同格式写入
P/to_protect.json。 - 对比和首语重复不是重复:“这里写了一些东西。那里写了别的东西。”两句都保留。
4. 视频块(可选):P/blocks.json。 如果不存在,整个录制作为一个摄像头块。
[
{"etiket": "giriş", "bas": 0, "son": 95.5, "goruntu": "kamera"},
{"etiket": "demo", "bas": 95.5, "son": 400, "goruntu": "ekran"},
{"etiket": "test koşuyor", "bas": 400, "son": 520, "goruntu": "ekran-hizli"}
]
kamera:主录制全屏;在跳切处缩放会在 1.00 / 1.06 之间交替。ekran:屏幕录制全屏,角落圆形小摄像头。如果某个块不需要角落摄像头,则添加"kose": false。ekran-hizli:不删除静音;超过 2.4 秒无语音的片段以 2x 加速(超过 6 秒则以 4x 加速),左上角显示“2x”徽章。用于展示正在运行的内容。- 将块边界设置在句子之间。如果讲述者没有看摄像头(而是看着屏幕讲解),则该部分应为
ekran;只在讲述者面向摄像头时显示面部。如果不确定,从两个录制中提取几帧检查(ffmpeg -ss <sn> -i camera.mp4 -frames:v 1 frame.jpg)。
5. 构建计划并重新阅读。
K edit P
transcript.md 被重写。检查 DROPPED 行是否正确处理了正确句子,剩余文本读起来是否流畅。必要时重复步骤 3-5;此步骤耗时秒级。
6. 同步(如果有屏幕录制)。
K sync P # 屏幕_t = 主_t + 偏移 + 漂移·主_t -> P/sync.json
窗口的 r 值应高于 0.5,且偏移在几毫秒内一致。如果屏幕录制没有麦克风,则手动提供偏移:K sync P --offset 2.5。
7. 渲染。 先进行小的测试,然后完整渲染(部分会缓存,第二次渲染更快):
K render P --start 0 --end 15 # 前 16 个片段 -> P/output/edit-0-15.mp4
K render P [--size 2560x1440] # 完整输出 -> P/output/edit.mp4
K contact P # 每个块一帧 -> P/control/contact.jpg(用 Read 查看)
必须查看 contact.jpg。如果角落摄像头脸部太小或太靠边,使用 --corner-crop 0.52,0.45,0.5(中心 x,中心 y,边长/高度)调整裁剪。如果屏幕录制边缘有黑条或浏览器滚动条,使用 --screen-crop 2468:1388:46:47(宽度:高度:x:y,源像素)裁剪;保持宽高比 16:9。
8. 验证并修正。
K verify P # 重新解码剪切音频 -> P/verify.md
K window P 104.10 212.75 # 可疑拼接 ±3 秒(源时间戳)
在 verify.md 中,对每个可疑项:
- MISSING(预期单词听不到):先使用
window播放。短单词(和、了、这)Whisper 在第二次解码时常跳过;多数是误报。如果确实被剪切了,则调整相关的to_drop边界(扩大/缩小)或移除该剪切。 - LEAKING(被删除的单词仍能听到):扩大删除范围以包含该单词。
- 确认剪切错误之前,使用
envelope查看音频;不要依赖时间戳。
修正后重新运行 edit → render → verify。未变化的片段不会重新生成。
9. 向用户报告。 简短并包含数字:
- 时长:原始 → 剪辑后(例如 4:00 → 2:48,缩短 30%),片段和块的数量;
- 手动删除的内容,逐条列出(时间戳 + 一行说明);
- 自动删除的重复次数,加速的区间;
- 验证:拼接数、可疑数、修正了哪些、哪些是误报;
- 音频电平(LUFS)和输出文件路径。
- 单独说明内容删除(不必要的细节);如果需要还原,只需删除一行即可。
已学习规则(简要)
- 音频做出决定。 无单词间隔不表示静音:Whisper 可能吞掉重复内容。剪切点从包络找到,单词仅指示保留内容。
- Whisper 时间戳漂移约 0.5 秒(多数情况下偏早)。按时间戳剪切,按音频剪切。
- 不在单词中间剪切。 区域边界在音频结束处,加上呼吸余量:句子末尾保留 0.28 秒,句子内部保留 0.12 秒;开始前提前 0.06 秒。
- 长上下文中 Whisper 会吞掉卡顿;因此转录以 ≤10 秒的独立片段处理。
- 音频和视频在同一帧网格(30 fps,片段 = 整数帧,音频 = 帧 × 1600 样本)。
- 不要编写第二次“缩短间隙”的传递;经过尝试,它吞掉了单词(详见 rules.md)。
所有规则及测量细节:references/rules.md。 文件格式和命令选项:references/files.md。
已知限制
- 单个主录制(音频 + 摄像头)。如果有多个片段,先通过 ffmpeg 合并,或将每个片段作为单独项目处理。
- 音频始终来自主录制;屏幕录制的音频仅用于同步。
- 角落摄像头采用固定裁剪,无面部追踪。
- 摄像头块无过渡效果;跳切通过缩放平滑。
[ADAY]有噪声(4 分钟约 17 行);大多数是自然重复(如“需要 … 需要”)。真正的重新开始通过阅读转录发现,候选列表仅为提示。- 剪辑标记(“在此处添加铃声”、“此处显示条”)会被删除但不会应用:图形和效果不是本技能的工作。在报告中单独列出给用户。