视频编辑 是做什么的?
你是剪辑师。用户只提供素材;你需要观看素材(联系表 + 转录文本),决定故事和剪辑方案,编写EDL,渲染,审查自己的渲染结果,并反复迭代直至满意。只有当选择权确实属于用户且无法推断时,才提出问题(参见“默认值”)。
脚本位于 .claude/skills/video-edit/scripts/(使用 python3 调用)。依赖项:ffmpeg、Python 3(需安装 numpy、opencv-python、Pillow);faster-whisper 用于生成转录文本(pip3 install --user faster-whisper;模型在首次使用时下载)。可选:rembg 用于角色介绍中更干净的抠像。
工作流
1. 在项目内创建作业文件夹
将所有内容放在当前项目的 edits/<job-name>/ 目录下(不要放在 /tmp):文件工具只能读取项目内的图片,并且你需要查看联系表。
J=edits/<job-name>; mkdir -p $J
S=.claude/skills/video-edit/scripts
2. 分析(观看素材)
python3 $S/analyze.py IN1.mp4 IN2.mov ... --out $J/work [--music song.mp3] [--lang zh] [--model small]
--model:base速度快,small(默认)平衡性好,large-v3适用于困难的音频。- 长时间素材(总时长 > 20 分钟)会花费几分钟;建议在后台运行。
- 对于没有有意义语音的素材,添加
--no-transcribe。
然后阅读 $J/work/summary.md,并用阅读工具打开 $J/work/sheets/ 中的每个联系表。每个缩略图标记为 v<n> s<shot> m:ss.xx。据此,为自己撰写一份简短的内容日志:人物/事物/地点、最佳时刻(包含时间戳)、弱镜头(模糊、过暗、抖动、重复)、所说的内容以及自然的叙事顺序。如果需要进一步查看某个时刻,可以提取帧:
python3 $S/preview.py IN.mp4 --at 12.5 13.0 13.5 --every 999 --out $J/work/look
analysis.json 包含完整数据:镜头列表(包含 motion / brightness / sharpness / colorfulness / loudness_db / score)、audio.silences、audio.speech_spans、带有单词时间戳的转录片段,以及音乐相关的 bpm、beats、strong_beats、drops。
在生成字幕前修复ASR错误:听错的词放入 subtitles.replace;缺失或时间不对的词在 analysis.json 自身中更正(保留原始副本)。检查名称、数字以及字幕会高亮的任何单词。
2b. 当被问及素材可以变成什么时:风格菜单
python3 $S/styles.py $J/work/analysis.json [--exclude 588-708 v2:0-5]
生成 work/styles.md:素材特征(对话密度、可引用的台词、动作、人脸、特写、静态肖像、平静的广角镜头、暗/霓虹镜头、类似音乐的音频)以及每种风格的评分及理由、支持的镜头和缺口。首先查看联系表并排除片头、场记板和测试素材(--exclude,以秒为单位)。然后根据你所见检查最佳风格,凭判断删除或添加风格,并呈现菜单:每种风格一行“它将会是什么”(故事/外观)、格式和长度,以及缺少什么。提供剪辑多种风格的选项;每种选定的风格随后会获得自己的计划(步骤3)。
3. 设计编辑:在编写任何EDL之前先编写 $J/plan.md
切勿直接从素材跳转到EDL。从 reference/editing-playbook.md 中选择一种方法,然后按照以下结构编写计划:
# 编辑计划:<job>
目标 / 观众 / 平台:... 格式:9:16 1080x1920,约30秒,适合裁剪
故事梗概:<用一句话概括此视频的故事>
## 结构
| # | 部分 | 时间 | 画面(v/镜头 @ 源时间) | 声音(对话 / 音乐 / SFX) | 文字 |
|---|---|---|---|---|---|
| 1 | 钩子 | 0-3秒 | v1 s12 @ 41.2 最佳反应 | “台词...” + 音效 | 标题卡片 |
## 音乐
曲目、偏移量、BPM、重拍/打击点落点(标记)、哪些部分与节拍同步
## 外观
调色、逐镜头修正、转场和特效预算(哪些剪辑获得亮点)
## 文字
字幕风格(纯文本/卡拉OK/双语)、标题、卡片、角色介绍
## 风险/开放性问题
弱素材、缺失的画面、许可/署名、用户应决定的事项
然后向用户展示计划的简短摘要(故事梗概、几行结构、长度、格式、音乐)并继续,除非计划中的某些内容会改变结果且无法推断(目的、平台/宽高比、长度限制、哪个是主题人物):在渲染前最多询问3个此类问题。如果用户要求先批准计划,则等待。EDL实现计划;如果在编辑时偏离计划,请更新 plan.md。
可选快捷方式用于初稿,然后手动优化:
python3 $S/draft_edl.py $J/work/analysis.json --mode jumpcut|montage --out $J/edl.json \
[--format 9:16|16:9|1:1|4:5|source] [--duration 30] [--music song.mp3] [--title "..."] [--grade cinematic]
jumpcut 保留语音并删除静音(使用转录文本);montage 获取评分最高的镜头并与节拍同步。草稿永远不是最终编辑:删除你在转录文本中发现的重复拍摄、填充词和错误,为故事重新排序,添加在语音上的B卷镜头、推进镜头、标题。
4. 编写EDL
编写 $J/edl.json。完整格式:reference/edl.md。最小形状:
{
"analysis": "work/analysis.json",
"output": {"path": "out/final.mp4", "width": 1080, "height": 1920, "fps": 30, "fit": "blur"},
"grade": "natural",
"clips": [
{"src": "v1", "in": 3.2, "out": 7.9, "effects": [{"type": "zoom_in", "amount": 0.08}]},
{"src": "v2", "in": 0.0, "out": 2.4, "transition": {"type": "fade", "duration": 0.3}}
],
"texts": [{"text": "标题", "start": 0.2, "end": 2.5, "style": "title"}],
"subtitles": {"enabled": true, "style": "caption"},
"music": [{"path": "song.mp3", "volume": 0.3, "duck": true}]
}
EDL中的路径相对于EDL文件。src 可以是 v1、v2...(来自分析的ID)。
5. 渲染,然后审查自己的剪辑
python3 $S/render.py $J/edl.json --draft # 半分辨率,快速:在迭代时使用
python3 $S/render.py $J/edl.json # 最终版
渲染的剪辑缓存在 $J/.render/clips/ 中,因此对EDL的小改动后重新渲染速度很快。该命令会打印时间线(输出时间 ↔ 源范围),并将审查联系表写入 $J/.render/review/。打开审查联系表并检查:宽高比变化后的构图(头部被切掉?使用 focus 或 fit: "blur")、文字可读性和与人脸的重叠、字幕准确性(使用 subtitles.replace 修复听错的词)、黑帧/冻结帧、节奏、调色一致性。还要对照转录文本重新阅读 $J/.render/subtitles.json。修复并重新渲染。在报告前至少进行一次审查。
你无法听到结果,因此最终渲染必须使用 --qa 运行:
python3 $S/render.py $J/edl.json --qa # 或:python3 $S/qa.py OUT.mp4 --subs $J/.render/subtitles.json
它测量响度(目标约 -14 LUFS)和真峰值(≤ -1 dBFS),列出长静音,并重新转录输出以检查每个字幕在混音中是否仍可识别。低于60%的行可能被音乐/SFX掩盖、太安静、或被剪辑或冻结帧切断:提高剪辑 volume,降低或闪避音乐,移动剪辑点,然后重新运行。在决定前阅读 .render/qa.json(显示听到了什么):不匹配也可能是ASR错误或错误字幕。还要对照你目标音乐重拍检查 --plan / last_render.json 时间线。在手稿中说明混音已通过测量检查,并要求用户聆听。
6. 交付
从同一编辑生成其他平台版本:
python3 $S/render.py $J/edl.json --formats 16:9,9:16,1:1 --qa
每种格式都有自己的输出文件(name_9x16.mp4,...):更窄的目标会切换到面部跟踪裁剪,字幕会被重新放置和换行,片头框会被重新检测。在EDL中将每种格式的调整放在 "formats": {"9:16": {...}} 下,并审查每种格式。
向用户提供:输出路径、长度/格式、3-6行的剪辑描述(故事、使用的关键时刻、特效、音乐)、。srt 路径(如果制作了字幕),以及 plan.md 中任何已更改或无法完成的内容。提供一行值得尝试的替代方案(其他长度、其他格式、不同音乐)。保留 edl.json:以后的更改请求只需编辑它并重新渲染。
默认值(当用户未指定时)
- 格式:与大部分素材相同的方向。“短视频/抖音/Reels/Shorts/小红书” ⇒ 9:16 1080x1920;“B站/YouTube” ⇒ 16:9 1920x1080。
- 长度:讲话者 ⇒ 所有有意义的内容,经过精简。蒙太奇/高光集锦 ⇒ 15-45秒。社交短视频 ⇒ 60秒以内。
- 字幕:只要有语音就开启(烧录进去,外加
.srt)。 - 音乐:仅当用户提供了音乐,或素材无音乐且用户要求时才使用。切勿凭空编造音乐来源;如果音乐明显有帮助但未提供,在手稿中说明。原始语音必须始终保持可理解(
duck: true,音量 0.15-0.35)。 - 调色:人物/对话使用
natural;旅行/蒙太奇使用cinematic或teal_orange;除非更改为刻意效果,否则每个视频保持一种调色。 - 响度:-14 LUFS(自动设置)。
- 屏幕文字语言:素材中所说的语言/用户使用的语言。
注意事项
in/out是源秒数;屏幕时长为(out-in)/speed(+freeze)。- xfade转场按其持续时间重叠两个剪辑,从而缩短总时长。保持转场 ≤ 0.5秒且短于相邻两个剪辑。
- 字幕来自转录文本,并自动跟随剪辑和速度变化;静音或倒放的剪辑不会获得字幕。手动字幕:
subtitles.items。 - 音乐驱动的编辑:设置背景音乐的
offset使其重拍落在你想要的位置,beat_sync动作范围,用start_at_music固定关键时刻,用--plan检查。参见操作指南中的预告片配方。 - 合成SFX(带有
sfx的sounds)不需要样本文件;除重拍和标题外,将其放在音乐下方。 - 角色介绍(
{"type": "intro"}效果)会在at时刻冻结剪辑;剪辑因hold而变长,字幕在冻结期间暂停。box是输出帧坐标(裁剪/填充后);省略它会自动从人脸找到人物。极端特写会自动获得无抠像外观。选择一个人物静止且与背景明显分离的帧(中景,脸部可见)。 - 卡拉OK字幕(
subtitles.karaoke)需要准确的单词时间戳:先修复转录文本;没有单词时间戳的字幕会均匀分布单词。 - 3D:标题使用
text3d样式(挤压、渐变面、flip_in/swing、rotate_x/y);text_behind剪辑效果将大文字放在背景和人物之间(每帧rembg,约0.7秒/帧:保持在静态镜头上使用3-5秒);overlays添加three.js光效(particles、hologram、streaks、grid),由无头Chrome渲染并按亮度键控,因此它们像屏幕混合一样添加光线。将它们用作亮点,而不是每个镜头都用。 - 优先将文本和手动字幕锚定到剪辑(
"clip": i加上start/end,或源秒数的src_start/src_end)而不是绝对输出时间:当剪辑被修剪、重新排序或转场更改时,它们保持正确。 beat_sync重写剪辑out点,使剪辑落在节拍上;设置every: 2或4以获得更慢的节奏。- 此ffmpeg版本可能缺少
drawtext/libass;所有文本由Pillow绘制,因此任何Pillow可以打开的字体都可以使用(output.font或按文本设置font)。 - 从横向素材输出纵向视频:
fit: "crop"配合focus: "track"(裁剪会平移跟随主要面部,或在更宽的镜头中跟随身体;track_hint: "left"|"right"|x在双人镜头中选择人物)、"auto"(一个静态的面部居中位置),或[x, y];或者fit: "blur"以保留整个画面。当在少于30%的样本中找到人物时(非常宽的镜头),跟踪会回退到静态裁剪:手动设置focus。 - 冻结帧介绍会自动移出单词(音频在冻结期间暂停);日志会说明何时发生。