Communitygithub.com

Malik-rgb43/编辑-工作流

转录希伯来语语音并生成内嵌希伯来语字幕:按硬件选择ASR路径、获取单词时间戳、校对、处理从右到左(RTL)及混合英文/数字行、字幕字体、入场和出场动画、安全区域、字幕质量检查。触发词:תמלול, תמלל, כתוביות, כתוביות בעברית, מילים בולטות, קריוקי, המילה יצאה לא נכון, Hebrew captions, transcribe Hebrew, word timestamps, ו/ז 形似词。不适用于仅翻译、非希伯来语ASR、分析报告(video-analysis)或无字幕的动态发布。

编辑-工作流 是什么?

这个技能为AI智能体提供了一个完整的希伯来语语音转录和字幕制作工作流,由专业用户构建,并由一个详细的对照推理规则矩阵驱动。它支持按用户设备配置(CPU、AMD/Vulkan、NVIDIA CUDA、Apple Silicon)自动选择本地ASR(自动语音识别)路线,使用了像faster-whisper、whisper.cpp和专门针对希伯来语优化的ivrit模型等工具,生成带有精确单词时间戳的转录文本。这个技能的核心在于其严格的、经法律验证的流程,涵盖校对、从右到左(RTL)和双语布局、动画入场/出场效果、安全区域合规性和视觉质量保证。它强制要求零拼写错误,并包含详细的检查清单,如验证单词/卡片持续时间、字体回退、特殊字符陷阱(如Vav和Zayin的形似词)以及字幕放置,确保最高专业标准。用户可以通过特定的触发词调用这个技能,它会在Cursor或Codex等平台内的项目中输出结构化的数据文件,如 `words.json`、`transcript.srt`、`captions.json` 和 `captions_report.json`。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Malik-rgb43/editing-workflow/tree/HEAD/.agents/skills/hebrew-captions-asr

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

hebrew-captions-asr

希伯来语转录和内嵌字幕:按配置文件选择ASR路线、获取单词时间、手动校对、构建支持动画入场和出场的从右到左(RTL)正确字幕卡片,并通过 caption_qa 加覆盖范围声明进行验证。

优先级最高的规则

  1. 强制使用 language="he"。 HyperFrames 内置的 transcribe 默认使用 small.en(希伯来语效果差),且 init 会用它自动转录:应使用 --skip-transcribe 和本地的 ivrit-ai 路线。
  2. 绝不对整个转录文本运行LLM。 通过每个项目的拼写字典手动修正特定单词;通过多次转录的多数投票决定歧义词,然后停止反复修改。交付标准:零拼写错误(姓名、品牌、引文);希伯来语读者接受,模型审查员仅提名。
  3. 无云端ASR/TTS调用,除非有标注日期的估算和批准(paid-generation-gate)。默认是本地且免费;“本地 = $0”不包括设置、构建时间和修复分钟。
  4. 不在 HyperFrames 根元素上设置 dir="rtl"。 在 <html> 上使用 lang="he";仅在文本元素上使用 direction: rtl。这是一个特定引擎/版本的变通方案(0.8.98测试未复现黑色渲染问题,E12):保留规则,每个版本重新测试,绝不要认为“根RTL是无效HTML”。
  5. 从文件加载字体(hf/fonts/ + @font-face);HyperFrames 浏览器找不到按名称安装的字体,会静默回退。
  6. 测量值取决于机器。 引用速度为音频秒数/挂壁秒数,并注明计时器作用域;告知学员在自己的硬件上重新测量。
  7. 法律与内部预设(决策默认 Q5)。 法律要求:出场动画和入场动画一样要有、零拼写错误、无根RTL、人脸锁定前进行形似词测试、重新剪辑后进行反向转录。内部预设 v1(可覆盖):Rubik 字体、1-3个单词卡片、字幕轨底部 y <= 1450、下方停留时长数值。
  8. Whisper 工具无法处理非ASCII文件路径(whisper-cli 在处理希伯来语路径时出错):应使用ASCII临时目录。长时间ASR运行需像其他重任务一样置于 render_lock 下。

输入 -> 输出

输入:音频或视频、DESIGN.md/品牌类型套件、如果字幕在剪辑之后则需最终剪辑版。输出(相对于项目):data/words.json([{"text","start","end"}] 秒)、transcript.srt、transcript.txt、data/captions.json(卡片)、合成中的字幕组件、_work/qa/captions_report.json 及覆盖范围声明。

按配置文件的ASR路线(仅在所有者机器上测量)

配置文件路线证据与限制
任意CPU(便携基准)faster-whisper + ivrit turbo CT2, int8, 8个物理核心线程731.4秒处理614.22秒音频 = 0.84音频秒/挂壁秒 (E08)
带Vulkan驱动程序的AMD/Windows使用 -DGGML_VULKAN=ON 构建的 whisper.cpp 及 ivrit GGML 模型105.6秒处理同一音频 = 5.82音频秒/挂壁秒;同一构建在CPU上需1033.0秒(慢9.78倍);RX 7600S 需要 GGML_VK_DISABLE_COOPMAT=1(仅本地:仅在崩溃时设置,退出码127)
NVIDIAfaster-whisper CUDA 12 / cuDNN 9 或 whisper.cpp CUDA未测量
Apple Siliconwhisper.cpp Metal未测量
语料库:68个 FLEURS he_il 片段,614.22秒朗读语音,单次运行,空闲机器,整个封装秒数。该语料库上的WER(NFC标准化、小写、标点 -> 空格):whisper.cpp CPU 18.09%、Vulkan 18.26%、纯CT2 17.74%、CT2 + VAD 19.38%(1161个词中编辑4-19个:接近但不相等)。未测量真实对话、嘈杂的手机音频和手动单词边界准确性。完整表格、构建配方和限制:references/asr-routes.md;标注日期的事实:references/volatile-facts.md。

流程

  1. 选择路线。 探测机器(doctor),选择上述路线,写入 asr_route.json(模型路径/修订版/哈希、设备、精度、线程数、后端日志行)。权重是固定的,绝不使用“最新”。
  2. VAD决策(按片段可选,决策默认 Q8)。 不使用VAD时,Whisper对3秒的数字静音和3秒的低噪声(E02)返回了非空希伯来语文本;E08中显式跨度VAD运行比纯CT2更慢且准确性更低(225 vs 206个词编辑)。因此:在当前音频的60秒样本上进行A/B测试,保留较低的WER,并且当音频包含长时间非语音时始终运行静音对照。
  3. 转录 带单词时间戳;消费定时区域内的每个片段。保存 words.json、.srt(--words-per-cue 3 单词弹出模式、6句子模式)、.txt。演唱或音乐背景音频:使用 references/asr-routes.md 中描述的去除VAD的“歌词模式”和置信度过滤器。
  4. 校对 全部文本:姓名、品牌、数字(数字字符,而非数字单词)、拼写字典、通过多数投票处理歧义词。标记填充词("אה/אממ" 通常不存在于Whisper输出中:找出有声停顿)且绝不自动删除话语词。
  5. 在任何重新剪辑之后 对完整的组装配音进行ASR并通过 join_diff 与预期文本比对差异;单独的连接片段可能显示“干净”,但完整文件听到了残留片段。以相同方式反向转录TTS输出。
  6. 构建卡片 (references/caption-timing.md):1-3个单词、关键词使用关键词颜色、双向隔离、入场 + 出场、提前2帧切换、领先语音0.08-0.1秒、起始时间限制为0;按 references/hebrew-typography.md 进行字体测试;布局和双向处理按 references/rtl-and-bidi.md。
  7. 质量检查(QA)。 对 captions.json 运行 scripts/caption_lint.py,对渲染结果运行 caption_qa --band <top>:1450,hf_preflight,在每个关键词帧处拍摄快照(--describe false),frame_qa;写入覆盖范围声明(已解码帧数、预期帧数、条带、假设的帧率、未检查的内容)。

门控检查

状态:pass | fail | blocked | n/a 并附原因;超时、空卡片列表或缺失文件为 blocked。

门控谓词证据若为假负责人何时重新检查
G1 ASR路线从能力探测中选择路线;模型+权重固定;强制 language=heasr_route.json(路径、修订版、设备、精度、线程数、计时器作用域)回退到CPU CT2 int8此技能新机器、驱动程序、模型
G2 VAD通过60秒真实样本的A/B测试决定VAD开/关;当音频包含长时间非语音时运行静音对照两个WER (scripts/wer.py) + 记录对照输出如果WER更差则关闭VAD;若出现幻觉则添加过滤器此技能新音频类型
G3 转录文本每个姓名/品牌/数字均已校对;应用拼写字典;希伯来语读者批准零拼写错误已批准的转录文本 + 字典;对样本运行 wer.py 与修正后文本对比手动修正单词;绝不对整个文本使用LLM此技能 + 人工任何文本更改
G4 组装剪辑完整组装配音的ASR匹配预期单词;无额外标记;每个句子的首尾2个单词存在join_diff JSON修正连接,重新剪辑,重新ASRedit-talking-head G2每次重新剪辑
G5 RTL / 双向无根 dir=rtl;lang="he";拉丁字母、数字、货币、URL已隔离;无杂散的双向控制字符;查看最终帧scripts/caption_lint.py 双向部分 + hf_preflight + 查看的帧隔离跨度;剥离控制字符此技能任何字幕文本更改
G6 形似词/字体每个关键词以最终尺寸和360x640渲染;ו/ז、ד/ר、ה/ח不能被误读为另一个单词;字体从文件加载hf/QA.md 中的样本记录(字体文件、哈希、大小、帧)+ 显示无回退的快照为该单词更换字体(Karantina "לבזבז" 被读作 "לבובו")此技能任何字体、大小或关键词更改
G7 时间+动画单词 >= 0.25秒,卡片 >= 0.9秒,最后一个单词 >= 0.25秒;出场动画存在;切换重叠1-2帧;无负起始时间caption_lint 报告 + caption_qa + 帧检查重新计时;添加出场动画此技能任何重新剪辑或重新计时
G8 安全区域+对比度+覆盖字幕底部 <= y 1450(内部预设);品牌颜色关键词在条带上对比度 >= 4.5:1;caption_qa 说明其覆盖范围caption_qa 报告含覆盖范围声明 + 对比度数值移动、更改颜色或添加背景此技能任何布局更改;新宽高比

内部预设 v1 数值(每个可覆盖;来源在参考文献中标注日期)

Rubik: Black (900) 用于关键词,Regular/600 用于小词;在1080x1920下 54-66 px(E03临时默认;Alef 700 和 Noto Sans Hebrew 600 评分相等;Karantina 在单模型静态评审中评分为1.8 vs 4.2,无人工评审组,无手机设备,无动画)。单词弹出模式1-3个单词,每张卡片0.35-0.7秒;入场由出场镜像(模糊上移,约4帧,上升10像素,模糊6像素);A-roll上字幕轨 y 900-1240,底部 <= 1450;关键文字 y <= 1248。9:16平台表格日期为2026-09且未经法律验证:应在手机上运行覆盖测试。

参考文献(需要时加载)

  • references/asr-routes.md - 选择/构建ASR路线、WER协议、VAD、歌词模式、云选项(未运行)。
  • references/hebrew-typography.md - 选择字体、形似词测试、E03表格、许可证。
  • references/rtl-and-bidi.md - 混合希伯来语/英语/数字行、HyperFrames 和 After Effects RTL陷阱。
  • references/caption-timing.md - 模式、精确计时配方、安全区域、对比度脚本。
  • references/volatile-facts.md - 在引用速度、WER、固定版本、许可证、安全区域数值之前查看。
  • 脚本:scripts/caption_lint.py(卡片计时/双向/字幕轨lint)、scripts/wer.py(带声明标准化方案的WER/CER);均使用标准库,支持 --self-check;脚本路径相对于此技能文件夹。
  • 代码库级别标注日期的模块(归属其他代码库):agent-content/references/asr-routes.md、agent-content/references/hebrew-rtl-captions.md、agent-content/references/platform-specs.md、agent-content/techniques/caption-collision.md;当需要标注日期的表格或边界碰撞方法时加载。
  • 同级技能:edit-talking-head、render-qa-deliver、video-analysis(分析报告,非字幕)。

证据状态

ASR来自实验E02/E08(所有者机器);字体来自E03;计时和出场规则来自所有者的项目。无人为计时真值、无云端ASR运行、未解决ONNX转换的模型许可证问题。已指定;仅有确定性检查;未运行模型评估(Q4)。

Individual skills in this repo

This repo contains 5 individual skills — each has its own dedicated page.

Malik-rgb43/editing-workflow

>- Script, edit or review a paid-social ad, sponsored post or brand promo for a business, product, app or store (Meta, Instagram, TikTok, 15-60 s): exact offer and CTA, ranked hooks, hook variants, end card, blocking compliance table, licence checks. Triggers: ad, promo, sponsored, campaign; מודעה, פרסומת, קמפיין, ממומן, פרומו, מבצע, הנחה, הוק. NOT for testimonials (edit-testimonial), organic expert reels (edit-talking-head), AI-only films (edit-ai-generated), ratio exports (multi-video-variants).

Malik-rgb43/editing-workflow

>- Design, build and review a motion-graphics piece in HyperFrames/GSAP: product or app launch, feature announcement, kinetic typography, logo reveal, UI explainer, animated screenshots. Triggers: מושן גרפיקס, אנימציה, השקה, טיפוגרפיה קינטית, לוגו אנימציה, "like a Higgsfield / Linear launch". Not for a speaker-to-camera reel (edit-talking-head), AI-generated shots (edit-ai-generated), caption-only work (hebrew-captions-asr) or ad compliance (edit-ad-promo).

Malik-rgb43/editing-workflow

>- Deliver one approved video as several outputs (other aspect ratios, hook variants, platform versions, no-music/no-captions versions) or run several videos in parallel, with one shared mix, strict naming and a manifest that blocks stale derivatives. Triggers: export as 9:16 and 1:1, hook variants, variants batch; גרסאות, וריאציות הוק, כמה סרטונים יחד, 9:16 ו-16:9. NOT for a single deliverable (render-qa-deliver) or designing the master (the type skill).

Malik-rgb43/editing-workflow

>- Turn a video the user sends or links (file, or YouTube/TikTok/Instagram URL) or a folder of clips into measurements (cuts, pacing, per-frame data), keyframe sheets, a Hebrew transcript and sound analysis (SFX, BPM, key, beats, song ID). Triggers: watch, analyse, break down, transcribe this video/reel/ad; תנתח, תעבור על, תמלל, מה קורה בסרטון, קאטים, BPM. NOT for cutting or rendering (type skills), applying a style (reference-style-transfer), or captions for a final render (hebrew-captions-asr).

Malik-rgb43/editing-workflow

Turn a new video idea, brief or list of specifics into a checkable Concept Ledger and ask questions until every parameter is precise, before any concept, prompt or build. Use at the start of any new video, with or without footage, or when the user pastes a concept with specifics. Hebrew - סרטון חדש, בריף, יש לי רעיון, קונספט, תכין לי סרטון, בוא נתחיל פרויקט. NOT for notes on an existing draft (revision-round), analysing a reference (video-analysis) or paid generation (paid-generation-gate).

相关技能