Communitygithub.com

视频编辑

指导智能体如何规划、构建或剪辑“视频编辑”,最终输出一个标志和一张小型品牌页。流程涵盖视频编辑、工作流、1. 在项目内创建作业文件夹。当新任务需要这种技能时使用。

视频编辑 是什么?

此技能(video-edit)是一套完整的AI视频编辑工作流,为AI代理(如Claude Code)提供端到端的视频剪辑能力。其核心价值在于将专业视频编辑的决策过程结构化、自动化:从分析素材、设计剪辑方案、生成EDL(编辑决策列表),到渲染、质检和交付。它支持多种平台格式(9:16、16:9、1:1等),并提供丰富的默认值(如时长、字幕、调色风格)以减少用户干预。工作流包含大量可调用的Python脚本(analyze.py、preview.py、styles.py、draft_edl.py、render.py、qa.py),覆盖素材分析、风格推荐、草稿生成、渲染及音视频质量检查。该技能特别强调“先规划后剪辑”的原则,要求代理在生成任何EDL之前先编写plan.md,并在每次渲染后通过生成的联系表和QA报告进行自我审查,确保输出质量。它适用于短视频(抖音、Reels)、长视频(YouTube、B站)以及各种社交媒体内容,是连接AI理解与工业级ffmpeg管道的专业工具。

兼容平台✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/fujiezee/cutvideo/tree/HEAD/.claude/skills/video-edit

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

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。

相关技能