剪辑大师 是做什么的？
将产品转化为一个简短生动的视频。用户提供一行说明（“如何使用，2分钟”以及他们拥有的产品信息）；你提问，他们选择，你构建，他们批准，你渲染。
用户可以从以下内容开始（任选其一即可；越多越好）：
| 来源 | 使用方式 |
|---|---|
| 代码库（当前文件夹或路径） | 读取 UI 源码并重建真实屏幕。 |
| 线上应用或网站链接 | 使用 npx hyperframes capture <url> --json 获取截图、颜色、字体和文案；据此重建屏幕。若页面需要登录，请询问测试账号；切勿使用真实凭证。 |
| 截图或屏幕录制 | 根据图片重建每个屏幕；将录制片段作为 B-roll 放入设备边框内。 |
| 仅凭描述 | 根据描述和品牌色设计简洁合理的屏幕，并在脚本中注明。 |
工具。 默认使用 HyperFrames 技能（hyperframes、hyperframes-cli、hyperframes-registry），并使用 media-use 处理语音、音乐和音效。如果缺失，请告知用户安装命令（见 README）并停止。开始前，用一句话说明将使用的技能。
启动项目。 starter/ 是一个可用的 HyperFrames 项目，包含以下基础模块（逐词屏幕、章节卡片、带光标点击的镜头聚焦、转场、片尾）。将其复制到新的 video/ 文件夹中并适配；不要从空白页开始。
引擎。 此技能构建的所有内容（逐词屏幕、钩子和章节卡片、镜头、光标、启动项目）均基于 HyperFrames，且 HyperFrames 为默认引擎。其他视频技能提供不同类型的视频（单次拍摄、纸拼贴、水彩、2D 动画、旁白白板讲解、数学动画、React 动态图形、素材混剪、应用动画、从长录制中剪辑的短视频）；每个技能都有自己的工作流程。参见 references/video-skills.md 和步骤 2。
黄金法则：未经用户确认不得操作
任何将在视频中被听到或看到的内容（语音、音乐、音效、脚本、外观）都应在最终成片前展示或播放给用户，并且在用户批准预览之前不得渲染。暂停询问的频率取决于用户选择的模式：快速通道或逐步模式。
两种模式：快速通道或逐步模式
机器工作速度很快（语音生成 2 分钟脚本约需 1 分钟，配乐约需 1 分钟，渲染 2 分钟影片约需 3 分钟）。视频变慢的真正原因是用户需要暂停和回答的次数。在你的第一条消息中，提供这两种模式并推荐快速通道：
| 快速通道（推荐） | 逐步模式 | |
|---|---|---|
| 渲染前暂停次数 | 3 次，然后“渲染” | 约 11 次，每步一次 |
| 问题 | 全部集中在一个消息中，每项有默认值 | 一次一步 |
| 样本 | 语音、音乐、混音和效果放在一个试听包中 | 语音、音乐、效果分轮次提供 |
| 最适合 | 大多数视频、信任默认值的用户 | 想要精确控制每个细节的用户 |
用户可以随时切换（“放慢”、“加快”）。
快速通道：三次暂停，然后渲染
下面的步骤 1-11 仍说明如何完成每部分；快速通道将其分为三次暂停，并自动完成中间无需询问的机器工作。
暂停 1 · 计划（一个消息，步骤 1-3）。询问简要问题（步骤 1），显示视频技能菜单及推荐（步骤 2），询问样式问题并提供每项的推荐答案（步骤 3，包括文字和转场声音及字幕）。最后以“回答您想更改的内容，或说 使用您的选择”结束。一次回复解决所有问题。用几行复述最终计划，包括预览前的总时间，然后无需再次暂停继续。
在暂停 1 和 2 之间，无需询问： 研究产品（步骤 7），编写脚本（步骤 8），准备试听包：用 3 种声音朗读钩子行，3 首音乐曲目的 15-20 秒样本，以推荐音色和曲目在计划音量下的语音+音乐混音，音效卷轴，以及一个逐字朗读并带有单词声音的 5-10 秒逐词屏幕演示（步骤 4-6）。开始前说明耗时（通常几分钟），并并行运行语音和音乐工作。
暂停 2 · 脚本、屏幕和声音（一个消息）。发送脚本表格，视频展示的步骤列表及一个重建的屏幕（快照），以及试听包，并标记你的推荐语音、曲目和效果。要求一次回复：“批准脚本和屏幕，并选择语音、曲目和效果（或说 使用您的选择）。”
在暂停 2 和 3 之间，无需询问： 为已批准的脚本配音，转录音频，构建预览（步骤 9）并检查。
暂停 3 · 预览。 发送带有时间戳的预览链接。在此首次完整听到旁白、音乐和效果。应用更改并重新发送，直到用户批准。预览轮次不计为额外暂停。
渲染 仅在用户明确说出“渲染”时（步骤 10），然后交接（步骤 11）。
如果用户在快速通道中说“直接做”，则使用你在暂停 1 和 2 中的推荐选择，但仍需发送脚本、屏幕和试听包以便他们试听，然后继续构建预览而无需等待。暂停 3 永远不能跳过：没有批准的预览就不渲染。
逐步模式
一次执行步骤 1-11 中的一步。每步：说明耗时，执行，显示结果，询问“可以继续吗？”，等待。没有用户批准绝不连续执行两步；如果用户说“直接做”，则改为提供切换到快速通道。
两种模式均适用
开始时告知用户暂停次数和大致时间（参见“时间预算”）。在任何长于几秒钟的等待之前，说明会耗时多久。使用“时间预算”中测量的时间；当没有测量数字时，如实说明（“在 CPU 上需要几分钟”）而非捏造一个。
步骤
1 · 您想要什么视频？（始终先问）
即使用户只说“做个视频”，也要询问，提供示例和推荐（快速通道中，与步骤 2 和 3 在同一个消息中，同时询问模式问题）：
- 视频用途是什么？（如何使用、是什么、发布预告、功能导览、广告……）
- 谁观看？（新用户、客户、投资者、团队……）
- 时长和格式：30 秒 / 60 秒 / 2 分钟；16:9 或 9:16 竖屏。
- 希望用户记住的一个信息。
- 关于产品您有什么：代码库、链接、截图、录制，还是仅凭描述？（如果显而易见则跳过，例如在其代码仓库中时）。
逐步模式：用三行复述需求并等待用户说“是”。
2 · 哪种视频技能？（推荐一个，然后询问）
阅读 references/video-skills.md，然后向用户展示其菜单表格：每个技能的名称、视频风格、最适合场景、耗时和成本，用新手能理解的语言描述。分组为“从零构建视频”（HyperFrames、onetake、Collage B-roll、Clawd Animation、Lemo Opuscar、explainroo、iart 讲解技能、Manim、Remotion、Animate、Guizang 产品视频、OpenMontage、Lottie）和“编辑已有视频”（Clipify、Cut Video）。
然后从“哪个项目用哪个？”表格中推荐一个适合当前项目的技能，用一或两行说明：为何适合需求、成本和许可证、耗时。如有接近的第二选择也提一下。标记对公司视频有影响的许可证（onetake、Remotion、AGPL 技能）以及任何需要付费密钥、GPU 或 macOS 的要求。
说明此技能的基础模块和启动项目基于 HyperFrames；若使用其他引擎，则遵循该技能的工作流程，并保留此技能的模式和规则（快速通道或逐步模式，让用户试听所有内容，渲染前预览）。如果所选的技能未安装，提供安装命令并等待。
3 · 样式问题（一个消息，选项 + 每项推荐）
- 主持人：无、带语音的圆角方形 Logo 脉冲（免费），或说话头像（付费）。
- 每次操作都显示光标和点击声？（推荐是）
- 镜头：轻度 / 中度 / 强级缩放（推荐中度）。
- 动态排版：钩子的逐词屏幕、章节卡片、一个“这是最简单的部分”钩子卡片？在哪些时刻？（展示
docs/img示例或描述。） - 逐词屏幕和转场的声音：每个词落地时短暂的音效（弹出、撞击、滴答、啪嗒、关键词上的重音、揭示前的渐强音，或无声）？每个词同一音效，还是关键词用不同音效？每个转场有声音（嗖嗖、呼啸、冲击）？推荐如：“每个词用弹出，关键词用撞击，章节转场用嗖嗖”。配音演员以屏幕的语气独立、重音朗读每个逐词屏幕的词。参见
references/music-sfx-subtitles.md。 - 字幕：无、硬编码到视频中，还是单独的字幕文件？然后哪些语言？
- 硬编码：始终可见，在所有平台且静音时也能显示（社交信息流、广告），但仅一种语言，更改需重新渲染。
- 单独文件：
.srt（播放器、YouTube、LinkedIn）和/或.vtt（网页播放器），每种语言一个，可手动编辑，观众可开关；忽略字幕的平台或播放器则不显示。 - 推荐：短视频社交片段（自动静音播放）用硬编码，操作指南和多语言视频用单独文件。两者兼顾也可（硬编码主语言，附带所有语言的文件）。
- 品牌：从来源读取颜色、Logo 和字体；只询问缺失的信息，并展示你将使用的调色板。
4 · 语音：试听，然后选择
先说明时间：免费 Kokoro 语音每行约需 5 秒（主要是加载模型），整个 2 分钟脚本约需 1 分钟；付费语音速度快但需要账户和 API 密钥。
- 提供工具：本机免费（Kokoro、
npx hyperframes tts，无需账户）或付费（HeyGen、ElevenLabs：说明各自需求和费用）。 - 用 3 种声音（如精力充沛的美国男性、温暖美国女性、冷静英国男性）朗读同一钩子行，发送文件供用户试听。
- 等待选择。如果都不适合，提供更多样本或不同速度。
5 · 音乐：试听，然后选择
先说明时间：免费 CC 曲目查找和下载约需 1 分钟，每段样本剪辑需几秒钟；本地生成音乐（MusicGen）免费但在 CPU 上较慢，每段剪辑需数分钟；付费曲库（HeyGen 音乐）即时但需要账户。
- 找到 3 首符合情绪的优秀曲目（首先考虑免费 CC 曲目；说明许可证及是否需要署名）。
- 从每首曲目的可用部分剪辑 15-20 秒样本并发送。
- 等待选择（或“无音乐”）。然后说明你将使用的音量（约比语音低 16%），并发送一段 15 秒的语音+音乐混音以便听平衡。
6 · 音效：试听，然后确认
发送你计划使用的点击、弹出、嗖嗖和打字音效（每个一个短文件，或一个文件中依次播放全部），以及步骤 3 中选定的逐词和转场声音。然后发送一个 5-10 秒的逐词屏幕演示：每个词单独配音，并在其出现时伴有音效，以便同时听到语音和声音。询问：保留、更改（可按词调整），或无效果。
7 · 研究产品
根据用户提供的资源，列出用户实际做的 5-8 件事，按顺序：
- 代码库： 阅读 README、UI 源码（标记、CSS 令牌、文案、图标）和品牌资源；从源码重建真实 UI。
- 链接： 捕获关键页面（
npx hyperframes capture <url> --json），如有必要在浏览器中走通主要流程，并根据捕获重建屏幕（相同的标签、颜色、圆角、间距）。除非用户要求，不要将实时网站录制直接放入影片。 - 截图 / 录制： 从图片重建每个屏幕；将录制片段保留在设备边框内作为 B-roll。
- 仅凭描述： 根据描述和品牌设计屏幕；保持简洁并在脚本中说明为示意性。
切勿发明产品没有的功能。未知或私有名称变为中性（“模型 A、B、C”）；示例秘密明显为假且源码中拆分（ghp_<i></i>…）。如果外观不清晰，请询问截图而非猜测。
向用户展示你将在视频中展示的步骤列表和一个重建的屏幕（快照），并询问：“是这样吗？这些步骤正确吗？”等待。
8 · 脚本（等待“批准”）
场景表格：时间 · 屏幕内容 · 旁白 · 效果（逐词屏幕、缩放、钩子卡片……） · 声音（逐词屏幕的每个词、每个转场）。编写逐词行时词间带句号（“粘贴。遮罩。发送。”）以使语音重读每个词。规则见 references/kinetic-type-and-hooks.md（5 秒内出现钩子，每个场景一个想法，每场景 15-20 词，每句话显示在屏幕上，每 20-30 秒重置注意力）。发送并等待“批准”；按需多次修改。仅在批准后配音（使用 Kokoro，2 分钟脚本约需 1 分钟；说明此事），然后发送完整旁白供试听并在构建前询问。
9 · 构建预览
- 语音：每行一个文件；转录音频完整旁白（
npx hyperframes transcribe，4 分钟影片约 20 秒）以获取词时间。每个操作在其对应的词时间落地（词时间 + 0.2 秒）。 - 字幕按步骤 3 的选择：硬编码字幕作为 HyperFrames 图层（预览中可见），或根据转录生成 SRT/VTT 文件。参见
references/music-sfx-subtitles.md。 - 镜头、转场、光标：
references/transitions-and-camera.md。 - 节奏和阅读时间：
references/pacing-and-voice.md。 - 音乐、效果、字幕、封面：
references/music-sfx-subtitles.md。 - 检查：运行
npx hyperframes check，然后在每一步和剪接点运行npx hyperframes snapshot --at …；查看帧并修复重叠。
……[已截断以供翻译]