Future Captions
一个引导式的、分步进行的字幕工作室。Claude 执行所有操作;用户只需上传、审阅和选择。
基本规则
- 始终与用户用英语交流,无论视频或用户的消息是什么语言。转录文本始终保留视频的口语语言——除非用户要求,否则绝不翻译。
- 按顺序执行步骤,并在每个标记为 ⏸ 的检查点 停下,直到用户回复。
- 保持消息简短友好。绝不显示用户不需要的命令、回溯或文件路径;用一句简单的句子总结问题。
- 工作目录:
/home/claude/fc_work。最终渲染输出到/home/claude/fc_work/out/;用户将其作为 一个以源视频命名的 ZIP 下载(例如Interview 01.mp4->Interview 01.zip),放置在/mnt/user-data/outputs/中,并通过present_files交付。 - 脚本位于此技能的
scripts/文件夹中(下文称为$S)。首先解析实际路径,例如S=$(dirname "$(find /mnt/skills -path '*future-captions/SKILL.md' | head -1)")/scripts。
步骤 0 — 欢迎和上传
如果尚未附加视频,请完全按照此类消息回复并停止:
🎬 欢迎使用 Future Captions。 上传您想要添加字幕的视频(MP4、MOV 或 WebM),剩下的交给我。
⏸ 等待上传。上传的文件位于 /mnt/user-data/uploads/。如果收到多个视频,请询问先为哪一个添加字幕。
步骤 1 — 转录
- 每会话安装一次引擎(静默):
pip install -q sherpa-onnx soundfile --break-system-packages - 用一句话告诉用户您正在转录(会话的首次运行还会从 GitHub 下载语音模型,约 600 MB,这需要一分钟),然后运行:
python "$S/transcribe.py" "<video>" --out-dir /home/claude/fc_work- 所有操作均在沙箱中离线运行,使用 sherpa-onnx。语言自动检测(Whisper tiny),通过 Silero VAD 找到语音,引擎自动选择:
- Parakeet TDT 0.6B v3 适用于 25 种欧洲语言(英语、葡萄牙语、西班牙语、法语、德语、意大利语、荷兰语、波兰语、俄语、乌克兰语等)——精确的单词时间。
- Whisper small 适用于任何其他语言(日语、中文、韩语、阿拉伯语、印地语等)——每个短语内的单词时间戳为估计值。如果
transcript.json中的word_timing为"estimated",请用一句话告诉用户卡拉OK/逐字同步将是近似的,并且预设 03(影院)最适合此语言。
- 如果检测错误,可使用
--language <code>重新运行(例如--language pt)。 - 如果模型下载失败,请告诉用户:"我无法下载语音模型。请确保代码执行可以访问 github.com 网络,然后给我发送消息以重试。" ⏸
- 如果报告没有音频或没有语音,请说明并停止。
- 所有操作均在沙箱中离线运行,使用 sherpa-onnx。语言自动检测(Whisper tiny),通过 Silero VAD 找到语音,引擎自动选择:
- 显示转录文本以供审阅,并附上两个选择按钮:“批准转录文本”和“编辑转录文本”:
- 如果存在可渲染内联 HTML 小部件的工具(例如 Visualizer 的
show_widget),构建审阅面板并按原样渲染生成的文件内容:python "$S/make_review_widget.py" /home/claude/fc_work/transcript.json /home/claude/fc_work/review.html面板列出每个带编号的片段及其时间戳,并有两个按钮。编辑转录文本会原地将每个片段变为可编辑文本框(附带保存更改/取消);清空文本框则删除该片段。在此之前写一行简短说明,例如 "这是您的转录文本。请在面板中批准或编辑它。" 并且不要重复以文本形式显示转录文本。 - 否则,在代码块中完整显示
/home/claude/fc_work/transcript_review.txt,然后使用可点击选项工具(如果可用)呈现两个选择(选项:批准转录文本、编辑转录文本),或者用文本询问。
- 如果存在可渲染内联 HTML 小部件的工具(例如 Visualizer 的
⏸ 等待用户选择。
步骤 2 — 应用编辑(重复直到批准)
- "转录文本已批准"(或“批准转录文本”)-> 转到步骤 3。
- 在面板外选择“编辑转录文本”(备用路径)-> 回复:"当然。发送您想要更改的行,格式为
[N] 新文本(每行一个),或[N] (delete)删除一条。您也可以描述时间调整,例如“字幕感觉晚了”。" ⏸ - "应用这些转录文本编辑:" 后跟
[N] 文本/[N] (delete)行(由面板的“保存更改”按钮发送,或由用户输入)-> 将每一行转为操作,并在一个命令中全部运行。
将编辑(以及任何自由格式的请求)转换为 edit_transcript.py 操作。数字始终指向用户看到的审阅版本,即使同时运行多个删除:
| 用户说 | 操作 |
|---|---|
[3] 新文本 / "片段 3 应该说……" | --set 3 "新文本" |
[7] (delete) / "删除片段 7" | --delete 7 |
| "将所有 Jon 替换为 John" | --replace-all "Jon" "John" |
| "片段 2 从 00:12.4 开始,到 00:15 结束" | --timing 2 00:00:12.400 00:00:15.000 |
| "字幕出现晚/早" | --shift -0.2(更早)/ --shift 0.2(更晚) |
| "合并 4 和 5"(单独运行,会重新编号) | --merge 4 |
| "在单词 'today' 之后拆分片段 6"(单独运行,会重新编号) | --split 6 K(K = 该单词在片段中的位置) |
命令:python "$S/edit_transcript.py" /home/claude/fc_work/transcript.json <操作>
然后用一句话说明哪些片段发生了更改,并再次显示审阅内容,完全按照步骤 1.3 中的方式(使用 make_review_widget.py 重建面板,或显示代码块 + 两个选择)。⏸
步骤 3 — 选择文本样式,然后选择预设
用户按以下顺序选择:文本样式(标点、大小写)、布局(单行或双行),然后选择预设。
- 如果存在可渲染内联 HTML 小部件的工具,按原样渲染
assets/preset_preview.html(读取文件并传递其内容),在此之前写一行简短说明,例如 "首先选择您的文本样式,然后选择一个预设。" 面板包含:- 1 · 文本样式:标点(保留 / 隐藏)和大小写(按原样 / 小写 / 大写);布局(单行 / 双行)。每个预览都会实时更新。
- 2 · 选择预设:六个 "The Future is Now!" 的动画预览。每个选择按钮会一次性发送所有选择,例如
使用预设 05 · 双行 · 标点:隐藏 · 大小写:UPPERCASE。
- 否则(无小部件工具):
a. 首先询问文本样式,使用可点击选项工具(如果可用),否则用文本:标点 ->
保留标点/隐藏标点;大小写 ->按原样/小写/大写。⏸ b. 然后使用这些选择渲染预览剪辑并呈现:for p in 01 02 03 04 05 06; do python "$S/render.py" --demo --preset $p --lines 1 --punct <keep|hide> --case <original|lower|upper> --out-dir /mnt/user-data/outputs/previews; donec. 询问预设(01-06)和布局(单行/双行)。⏸ - 预设,用于在需要时描述它们:
- 01 · 卡拉OK — 粗体现代无衬线;一个圆角彩色框随着单词被说出而在单词上滑动。
- 02 · 优雅 — 现代衬线;每个单词从柔和模糊中升起,然后整行向上溶解。
- 03 · 影院 — 经典电影字幕:干净、清晰易读的文本;每个字幕以硬切方式替换前一个字幕,无动画。
- 04 · 逐字 — 一次一个粗体单词,无动画(布局不适用)。
- 05 · 动态卡拉OK — Bricolage Grotesque;单词带着扭曲跳入,一个黄色框随着滑向被说出的单词而拉伸和倾斜,该单词会弹跳并变暗;高亮显示的单词使框变成粉红色并放大;每个字幕退出时上升并缩小。
- 06 · 卡通 — 漫画字体(Bangers)带有粗轮廓和硬阴影;单词以弹性挤压和拉伸以及俏皮的倾斜弹入,被说出的单词变黄并摆动,然后单词逐一弹出。其字母形式始终看起来是大写的。
将答案映射到标志:标点保留/隐藏 -> --punct keep|hide;大小写按原样/小写/大写 -> --case original|lower|upper;行数 -> --lines 1|2。隐藏标点会保留属于单词或数字的标点(I'm、bye-bye、$120,877.50、50%)。
步骤 4 — 渲染和交付
- 仅限预设 05 和 06 — 选择高亮单词。 阅读批准的转录文本,选择最具影响力的单词或短语(数字和金钱、名称、强烈情感、妙语、令人惊讶的词)——大约每两到三个字幕一个,每个字幕不超过一个。将它们作为
--emphasis "grand prize,congratulations,really"传递。交付后,用一句话告诉用户您高亮显示了哪些单词,以及他们可以更改它们。 - 告诉用户渲染已开始(大约需要视频时长的 1-3 倍)。
- 运行(技能产生的每个 MOV 必须保持 QuickTime Animation 并带有 alpha,以便 After Effects 读取透明度——切勿更改
render.py中的编码器设置):python "$S/render.py" --video "<video>" --transcript /home/claude/fc_work/transcript.json --preset <01-06> --lines <1|2> --punct <keep|hide> --case <original|lower|upper> [--emphasis "..."] --out-dir /home/claude/fc_work/out --zip-to /mnt/user-data/outputs输出名称来自上传视频的文件名,因此 ZIP 文件为/mnt/user-data/outputs/<视频名称>.zip。切勿重命名。 用户要求时的可选标志:--scale 1.2(更大的文本)、--accent "#FF4D6D"(框/活动词颜色)、--emph-color "#34D1BF"(05/06 的高亮颜色)、--text-color "#FFE14D"、--position middle|top、--webm(额外的网络友好 alpha 文件)。 脚本以After Effects alpha check: OK结束。如果打印的是 WARNING 而不是 OK,则不要交付 MOV:重新运行一次;如果再次失败,用一句话告诉用户透明文件检查失败,并且仅交付 MP4 和 SRT。 - 使用
present_files交付,先传递 ZIP,然后传递/home/claude/fc_work/out/<名称>_captioned.mp4,以便用户可以在聊天中观看结果。不要单独呈现其他文件。告诉用户 ZIP<名称>.zip包含一个文件夹<名称>/,其中包含:<名称>_captioned.mp4— 带有内嵌字幕的视频。<名称>_captions_alpha.mov— 仅字幕在透明背景上,QuickTime Animation 格式(32 位 ARGB,“Millions of Colors+”),After Effects 可以原生导入其 alpha 通道。大小、帧率和时长与原视频相同:将其放在 0:00 处视频上方的图层上,它会自动对齐。也适用于 Premiere Pro、DaVinci Resolve 和 Final Cut Pro。如果边缘出现光晕效果,请右键点击素材 -> 解释素材 -> 主要 -> Alpha:Straight – Unmatted。<名称>.srt— 标准字幕文件(奖励,适用于 YouTube 或播放器),具有相同的文本样式。<名称>_captions_alpha.webm— 仅在使用--webm时才有。
- 用一句话结束,提供调整选项:大小、颜色、位置、高亮单词、文本样式、不同的预设或单行/双行。调整只需要步骤 4 — 除非用户上传新视频,否则无需重新转录。
故障排除
- 上传文件太大:建议导出较短或较低分辨率的副本(1080p 足够),或者在 Claude Code / Claude desktop 中运行此技能,从磁盘读取文件。
- 字幕时间在某一处漂移:使用
--timing修复该片段;对于全局偏移,使用--shift。 - 屏幕上单词太多:使用
--scale 1.15重新渲染(每行容纳更少的单词)或选择单行。 - 竖屏视频(9:16)会自动检测,字幕位置会更高,避开社交应用按钮。