Communitygithub.com

UgurKeskekci/claude-video-kit

对水平 YouTube 访谈视频(摄像头拍摄 + 可选独立屏幕录制)进行粗剪。自动生成精确转录,消除停顿和重复,Claude 基于转录撰写带理由的删除列表,生成 MP4,重新解码剪切音频并检查每个拼接点。

claude-video-kit 是什么?

该工具专为使用 Claude Code(或其他支持技能的 AI 代理)的开发者设计,用于自动处理横向 YouTube 访谈或解说视频的粗剪流程。它结合了自动化音频分析(基于 Whisper,支持 large-v3、medium、small 等模型)与 AI 辅助的内容判断:ffmpeg 和相关 Python 脚本负责检测静音、重复和停顿并执行精确剪切,而 Claude(读取完整转录)负责识别内容层面的需要删除的部分,例如重新开始的句子、自述剪辑标记“这部分我会剪掉”、错误纠正以及离题内容。最终输出是一个 MP4 文件(非 NLE 项目),支持摄像头/屏幕录制同步、可选的画中画布局,以及快速预览/验证循环。支持命令行参数指定自定义术语、模型类型(`--model`),并可选择是否跳过某些音频片段(`--korunacak.json`)。流程包括转录、读取/分析、生成删除 JSON、构建视频、同步、渲染、验证和报告。已知限制包括限于单个主录制(音频 + 摄像头)、无面部追踪、无过渡效果。

兼容平台✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/UgurKeskekci/claude-video-kit/tree/HEAD/.claude/skills/yatay-kurgu

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

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。

Individual skills in this repo

This repo contains 3 individual skills — each has its own dedicated page.

UgurKeskekci/claude-video-kit

Kodla (görsel üretim modeli OLMADAN) hikâye anlatan kısa mürekkep çizgi animasyonu üretir — X/Twitter gönderisi, Reels/Shorts, YouTube video arası ya da soğuk açılış. Görüntü PIL mürekkep motoruyla, müzik ve efektler numpy sentezi ile aynı zaman programından üretilir, sonuç ölçülerek denetlenir. Şu durumlarda kullan: "animasyon yap", "çizgi animasyon", "halimi anlat", "durumumu göster", "twitter için animasyon", "reels animasyonu", "araya animasyon", "çöp adam animasyonu", "kodla video", "one-shot animasyon".

UgurKeskekci/claude-video-kit

Konuşan kafa kaydından (kamera, ses içinde; yatay 4K ya da dikey) dikey Instagram Reels / YouTube Shorts / TikTok videosu (1080x1920, 30 fps) üretir, "kart" formatında - üstte söylenen kelimede beliren sade arayüz kartları (sohbet balonu, liste, harf harf yazılan terminal, dosya ağacı, büyük sayı, gerçek ekran görüntüsü), altta yuvarlak köşeli yüz kartı, aralarında kelime kelime altyazı, kart geçişinde yumuşak whoosh, yazarken klavye sesi, sonda "yorumlara yaz" sorusu. Şu durumlarda kullan - "reels yap", "bundan reels çıkar", "shorts yap", "dikey video", "kartlı reels", "bilgi veren reels", "ipucu videosu", "üstte kart altta yüz", "yorumlara yaz diye bitsin", "tips reels".

UgurKeskekci/claude-video-kit

Sayı ve yazıyla hikâye anlatan editoryal hareketli grafik videosu üretir (Remotion) — X/Twitter gönderisi, Reels/Shorts, YouTube video arası. Hikâye JSON sahne listesi olarak yazılır (başlık, yazılan istem, sayaç, ölçer, sütunlar, karşılaştırma, liste, soru), 16:9 ve 9:16 render edilir, yumuşak whoosh + klavye + sakin müzik yatağı numpy ile sentezlenip eklenir, sonuç ölçülerek denetlenir. Şu durumlarda kullan: "X için animasyon/video", "hareketli grafik", "motion graphics", "sayılarla anlat", "sonuçları grafikle göster", "karşılaştırma videosu", "test sonucunu animasyonla anlat", "reels grafiği", "araya grafik", "Remotion".

相关技能