scrapbook-editor：将原始片段变为剪贴簿风格短视频

用户提供一个他们自己在说话的垂直拍摄片段。此技能会剪掉其中的所有停顿，然后将画面变成一个说话者在其中讲述的剪贴簿，其剪辑方式如同动态设计师在After Effects中操作一样：参考中的标题使用双字体（白色文字，重要文字用彩色美观衬线字体，并有一条线在纸上），钩子部分配有贴纸，网络上的反应梗以拍立得形式落在说话者脸上，只有标题和非常重要的词语使用纸片，说话时红色马克笔在绘制，列举的东西有对应贴纸，提到的真实屏幕有截图，字幕以单词为单位低置在画面中，配有背景音乐，以及每个元素落下时的音效。

该风格已验证（用户，2026-10-05）：请精确复现。 § 剪贴簿语言（详见下方流程）是已验证剪辑的外观（workspace/videos/scrapbook-dev-sales.mp4，其计划：example/plan.mjs）：在任意片段上，使用相同的图形、相同的大小和位置、相同的字体、纸张、动画、音效和音量。它始于对一个真实剪辑的量化（一个72.7秒的列表视频，「7个Claude技能」，由用户为客户编辑：example/README.md是其完整解剖），并经过六次审查才最终确定（§ 用户的决策）。init.sh为其搭建框架；绝不要发明另一种外观，也不要对用户未要求改变的任何部分进行改动。

该技能运行在short-editor技能引擎上。 其转录、渲染、混音、预览、构建和验证均使用相同文件：请阅读../short-editor/SKILL.md § 前提条件、§ 文件位置以及§ 4至§ 6一次；这些内容照常适用，本文件仅说明差异部分。在首次剪辑前及每次运行时阅读：

scripts/example/README.md：参考编辑，逐拍分析，以及开发剪辑版本
../../references/pitfalls.md § 转录和字幕，§ 工作方法：编辑中存在的陷阱（其他章节在相关步骤出现时阅读：§ 音频（在手动测量声音之前），§ ffmpeg 和 § Shell（在编写自己的命令之前）；引擎工具遵循其余部分）

在需要该步骤时阅读：../../references/audio-spec.md 关于电平（响度标准，如何测量听到的电平）。引擎的数据：node plugins/video/skills/short-editor/scripts/api.mjs <模块> [数据]，绝不使用其原始来源。

我无法观看视频或收听音频。 停顿位置、人脸位置、声音落下的响度：每一项都是测量结果（tighten.py、face.mjs、measure.mjs），然后查看合成帧（preview.mjs）以及逐帧运动的瞬间（build.sh --slice）。verify.mjs 介于「准备就绪」和有问题的文件之间，绝不要跳过它。

以下所有路径均相对于GTM by Pipecorn文件夹的根目录。$K 表示 plugins/video/skills/scrapbook-editor/scripts（本技能），$E 表示 plugins/video/skills/short-editor/scripts（引擎）。请使用它们的绝对路径运行。

前提条件（飞行前检查：在任何工作开始前检查）

引擎的要求：ffmpeg + ffprobe 在PATH上（brew install ffmpeg）和 python3（Xcode命令行工具）是必需的，且无法从此处安装；如果缺少，请停止并告知需要运行的命令。其他所有内容会自动配置：$K/py.sh 运行引擎的 bootstrap.mjs（node包，语音转文本的venv及numpy）；init.sh 将三种字体（Archivo、Fraunces和纸张的手写体，默认为Gochi Hand：Google Fonts，OFL）获取到项目的 assets/fonts/ 中（或在 ~/Library/Fonts 中查找），sounds.mjs 获取纸张音效（八个Mixkit录音，每台机器执行一次，放入 plugins/video/assets/sfx/paper/，永不上传：Mixkit许可允许在视频中使用它们，但不允许重新分发），准备并计量后放入项目的 assets/sfx-paper/，并将Motionix包从资源库（plugins/video/assets/sfx/motionix/，由讲解员风格准备；包中未声明许可：在任何发布前阅读其README）复制到 assets/sfx-motionix/。不会进行任何系统级安装。

可选项，并在缺失时提示（不阻止流程）：

swiftc（Xcode命令行工具）：face.mjs 使用Apple Vision查找人脸，因此拍立得可以落在人脸上，贴纸可以围绕头部放置。如果没有，则在预览帧上读取人脸并设置project.json中的 face（{x, y, w, h}，以帧的分数表示）。
.env.local 中的 GIPHY_API_KEY：已验证风格的真实反应GIF（gif.mjs）。免费：developers.giphy.com → 创建应用 → API（不是GIPHY推荐的SDK：SDK用于显示GIPHY自有选择器的应用；gif.mjs 调用API），每小时100次调用，足以完成一次编辑。如果没有：则使用用户提供的GIF（media.mjs），或生成的反应图片；请告知。
.env.local 中的 GEMINI_API_KEY：生成插图和反应图片（picture.mjs，Nano Banana 2，每张约0.07美元，1K分辨率）。
在/Applications中的Google Chrome（或Chromium、Brave、Edge）：用于截取说话者提到的PUBLIC页面截图（capture.mjs），当用户没有自己的截图时。

文件位置

遵循引擎的规定，并且只能这样：每个编辑有一个工作目录，即 workspace/projects/<slug>/，slug不能与任何其他项目重复；完成文件位于 workspace/videos/<slug>.mp4；即使是同一片段，也不得使用其他项目的文件；临时文件放在项目的 tmp/ 中，而不是 /tmp。技能的 scripts/ 目录保持只读。编辑的图片存放在其 assets/media/ 中。

流程

0. 设置工作目录

$K/init.sh workspace/projects/<slug> <source.mp4> workspace/videos/<slug>.mp4

引擎的脚手架（从文件读取project.json、subs.config.json、cut.mjs），然后是本技能的 plan.mjs 和 edl.mjs（语言的每一个图形，已注释，准备好填写）、project.json中的语言键（style: "scrapbook"、accent、captionKeep）、人脸以及音效，根据此来源的声音进行校准（voiceM，声音的瞬时中位数，以及 sfxMasterDb 为0：然后每个角色在LU中设置在声音下方，如同听到的那样）。此后从该目录中运行所有命令。

0.2. 首先一次性提问所有问题

以下内容属于用户，无法猜测；将它们合并为一个 AskUserQuestion：

音乐。 默认使用背景音乐（第三次审查：「它值得添加背景音乐」）：首先提供 Hip Hop 02（Mixkit，Lily J：已验证剪辑使用的，该风格的默认选项；Mixkit许可允许在发布的视频中使用），然后是 Convergence（其他风格的常用曲目），以及其他可用曲目（plugins/video/assets/music/，其README），最后是「无音乐」。为了通过听觉选择，提供一个试听板（每个曲目相同的12秒，所有曲目在同一电平）：在构建后运行 node $K/music-board.mjs --to 12 mixkit-hip-hop-02-738.mp3@0 [email protected] …（它会在结束后将项目自己的背景音乐恢复回去）。它将置于声音以下15 LU（$K/music.mjs，§ 外观）。请告知一次，非Mixkit曲目（Convergence、ridgeclub）可能会阻止视频的货币化。
品牌颜色（project.json中的 accent；如果重要词语的颜色应不同，则使用 wordColor；如果已设置，则为您的品牌的强调色，workspace/brand/，参见 plugins/video/references/brand-kit.md § 您的品牌，设置一次）：Fraunces中的THE重要词语和正在说的字幕词语。默认使用黄色 #FFD43B（Pipecorn的颜色）。在片段上检查：它需要能在头发、皮肤和墙壁上清晰可见（在开发片段上，珊瑚色和橙色在说话者的头发和脸上消失了，而黄色到处都能读出）。以及字幕必须按原样书写的名称（captionKeep：品牌、产品、人名、「Station F」）。
真实素材：他们提到的事物（他们的产品、仓库、页面）的截图或屏幕录制，他们的Logo。如果没有，则截取公开页面（capture.mjs）；绝不虚构私密屏幕。
Pipecorn通用结尾：每个风格的BONUS，每次都问，默认不开启（plugins/video/references/pipecorn-generic.md）：大约6秒，在视频最末尾，显示Pipecorn，然后其值在一个槽位中依次替换，再次显示Pipecorn，无音乐。不 · 是，并说明使用哪些值（1到4；node $E/generic.mjs --list；默认为手机覆盖范围、连接率、管线）。
让您的声音更好听：BONUS，每次都问，默认不开启（plugins/video/references/voice-clean.md）：ElevenLabs的声音隔离器可消除片段中的房间回声和噪音。不 · 是，让我声音更好听。它需要ElevenLabs连接器：如果没有密钥，请在一行中说明其存在（设置 › 连接器 › 添加密钥）并继续。如果回答是，则在步骤1之前运行：node plugins/video/motion/voice.mjs clean <source>，然后将project.json中的 source 改为 <…>-voice.<ext>（相同长度，画面不变）。

从GTM by Pipecorn页面运行，第一条消息的简短回答即可；不要重复提问。

1. 逐字转录

$E/transcribe.sh --lang en      # 实际使用的语言；绝不翻译

生成 words.json，基于RAW片段时间轴。如果片段是连续多次尝试的同一句话，则先使用引擎的 rough-cut.mjs（short-editor/SKILL.md § 0.7）进行组装，然后转录组装结果。然后运行 node $E/words.mjs（引擎的）：生成 words-fixed.json，每个词的起始点移出静音区，精确落在声音开始处，并确定其在停顿前的真实结束点，列出有疑问的词；使用 words.mjs env|end|say 读取单个词（short-editor/SKILL.md § 1）。绝不要为此编写自己的脚本。

2. 剪掉所有停顿：跳跃剪辑

$K/py.sh tighten.py --dry-run    # 显示将剪掉哪些部分
$K/py.sh tighten.py              # source/tight.mov；project.json, words.json, shots.json 重新指向
$K/py.sh tighten.py --keep 0.10 --min-pause 0.16    # 默认值，根据参考测量

所有0.16秒或更长的静音都会被剪掉，连接处保留0.10秒（上一个声音结束后0.06秒，下一个声音开始前0.04秒）；开头的静音和结尾的静音也会被剪掉。在参考中，没有剩余的停顿超过0.32秒，并且连接大约每2到3秒出现一次：说话者从不在屏幕上呼吸。每个连接处都是一个跳跃剪辑：没有闪白或呼啸声来掩饰它；镜头通过在剪辑点上交替宽景/特写来标记它（§ 外观）。

语音停止的位置是测量出来的（10毫秒包络，迟滞设置为室内+12 / 室内+5 dB），绝不通过Whisper读取。Whisper的起始点会与此对比：如果一个起始点位于测量出的静音区内，且下方有微弱声音（室内+9 dB），则在它之前50毫秒处停止剪辑；如果起始点处于室内环境音中，则是Whisper提前了（在开发片段上曾出现过三次，提前了0.35秒），并会将其移动到语音实际开始的位置。它会报告这两种情况。

保留的片段一次性写入 source/tight.mov，使用整帧（每个片段的画面和语音持续时间精确对齐：未捕捉时，13个连接点曾导致嘴唇滞后于语音两帧），保持原始源的位深度和颜色标签（绝不重新调色）。然后，如同引擎的 rough-cut.mjs --adopt 所做的那样，project.json指向它（source；原始片段保留在 rawSource 中），words.json 重新对齐到它的时间轴（原始片段的转录保留在 words.raw.json 中），shots.json 列出连接点之间的镜头。不使用引擎的即时 cuts：包含剪辑的项目无法通过切片渲染，而切片是观察运动瞬间的方式。tighten.py 始终从原始片段重新开始，因此运行两次是安全的；如果说话者希望保留某个剪辑（重拍、口误），则将其放入 project.json 的 manualCuts（片段中的秒数），然后再次运行 tighten.py。

片段内部的场景变化（结尾的预告镜头、另一个房间）不在 shots.json 中：通过查找画面亮度的跳跃（ffmpeg … signalstats 逐帧YAVG）来找到它，并将其提供给计划（SCENE）：此时镜头变宽，纸张效果将其扫入画面。

3. 人脸位置

node $K/face.mjs      # assets/faces.json，每秒5帧，在输出时间轴上

使用Apple Vision，跨过剪辑点。计划通过镜头读取它（faces(P, camera(STEPS))）：F.slot() 是视频中每个拍立得照片落下的位置（帧的中心线，在脸部中位线中心下方0.08处，0.44-0.50：屏幕中间），F.faceLine() 是脸部自身的线（其中位线中心，0.36-0.50）用于覆盖在脸上的关键思想和关键短语，F.top(t) 是头部上方的高度用于关键词，F.around(t0, t1, n) 是围绕头部的点，F.over(t0, t1) 是脸部的框。在每次执行 tighten.py 后再次运行它。

4. 阅读转录并决定图片：判断步骤

阅读整个片段，并赋予其与参考相同的密度：屏幕上每1-3秒出现一个新事物（参考：在72.7秒内有50个图形；开发剪辑：在47.1秒内有49个）。对于每个句子，从§ 外观中选择能表达它的图形：

钩子（第一句）：参考中的三行标题（一条白线；承诺的THE词用彩色，旁边是白色文字；纸上一条线），如果句子列举或暗示角色、工具、团队，则在头部周围放置贴纸；
感受、成本、失败、夸张、比较：使用真实反应GIF作为拍立得（已验证剪辑中：Pepe Silvia用于「在数千个平台中搜索」，Key & Peele冒汗用于「坦白说，我不是最好的」，Buddy the Elf打电话用于「在电话里说什么」，「我们准备好战斗吧」用于「对决」），其字幕位于下巴位置，一个短视频中放置四到五个；
随口列举（「好的、坏的、失败的…」）和旁白（地点、「系列」、「敬请期待」）：使用贴纸，每个词一个（纸张并非用于每个关键词：字幕已经说出了词语，「l'effet papier doit rester PAPER pour les titres et les phrases clés seulement」，参见之前的参考决策）；
说话者提到的真实屏幕（他们的产品、仓库、推文）：截图（用户提供的或 capture.mjs 截取的），作为拍立得，带有GIF的相同动画；
数字和统计数据：大号数字，用Fraunces字体，动画效果为从下往上滑入，位于 F.around() 的一个点上；
「比如」和「例如」：一个生成的插图，显示一个示例场景（使用 picture.mjs，Nano Banana 2），作为拍立得；
每一个正在被说的重要词，或者至少是该句的核心词：以黄色（wordColor，来自§ 0.2 的问题）高亮显示的字幕（§ 外观，字幕），放在下巴位置；
每一件被列举的事物都有一个对应的贴纸（sticker.mjs），带有白色轮廓，围绕头部放置；
每一次纸张效果（标题或关键短语）都使用Gochi Hand字体，动画为展开/呼吸/折叠，并伴有红色马克笔绘图（draw.mjs）。

绝不要在一个句子中使用超过两个图形，除非是列举；绝不要为纯功能和过渡性的词语（「并且」、「所以」、「但是」、「那么」、「因此」）使用纸张；绝不要跳过钩子。使用 plan.mjs 来记录您在每个时间点放置的内容：plan.mjs 的格式是 { start, end, type, content, options }，其中 type 是来自§ 外观的图形名称，content 是文本或文件名，options 是特定类型所需的任何额外设置。在构建之前，在 preview.mjs 中检查计划。

5. 构建编辑

node $K/build.mjs    # 从 plan.mjs 和 edl.mjs 构建 EDL
$E/render.mjs        # 渲染最终视频
$E/mix.mjs           # 混音
$E/mux.mjs           # 封装为最终文件

构建过程从 plan.mjs 生成EDL（编辑决策列表），然后渲染每个图形（纸张、贴纸、拍立得、字幕等）作为单独的图层，合成到背景视频上，添加音乐和音效，并最终封装为带有所需编码和格式的MP4文件。render.mjs、mix.mjs 和 mux.mjs 是引擎的一部分，但使用本技能 scripts/ 中的配置文件。在构建过程中，会创建 tmp/ 目录用于存放中间文件，并在构建完成后清理。

6. 验证

$E/verify.mjs workspace/videos/<slug>.mp4   # 运行所有验证检查

验证检查会确保：

没有帧缺失或损坏
音频与视频同步
图形位置和大小符合参考
字幕时间正确且单词高亮与声音同步
音效电平符合规范
最终文件的编码和格式正确

如果验证失败，它会报告具体问题；绝不要跳过验证步骤。

7. 预览和交付

open workspace/videos/<slug>.mp4    # 在默认播放器中打开

向用户展示最终结果，并询问是否需要任何修改。如果用户请求修改，请更新 plan.mjs 或 project.json 中的相应设置，然后从步骤4或5重新开始，具体取决于修改的性质。一旦用户批准，视频即可交付。

外观

此部分定义了剪贴簿语言中每种图形的确切外观、大小、位置和动画。所有值都是相对于帧尺寸的分数，除非另有说明。

通用参数

帧尺寸：1080 x 1920（9:16垂直）
安全区域：内容应保持在帧的0.9倍以内（边缘留50像素余量）
背景颜色：取自视频帧（无叠加背景）

字体

Archivo：用于标题中的普通单词，白色，粗体（700），约0.06倍帧宽
Fraunces：用于标题中的重要单词，黄色（#FFD43B），光学尺寸，粗体（700），约0.08倍帧宽
Gochi Hand：用于纸张效果，黑色，约0.05倍帧宽
字幕字体：Archivo，白色，粗体，约0.04倍帧宽，带黑色描边

拍立得（反应GIF）

大小：帧宽的0.80倍（864像素宽）
位置：屏幕中央垂直居中（Y坐标0.5，基于 F.slot() 的人脸中心线）
进入动画：从上方掉落，轻微弹性效果
离开动画：向侧面或上方快速甩出
持续时间：1.5到3秒
边框：白色边框，类似拍立得照片
阴影：轻微阴影

纸张效果

字体：Gochi Hand
大小：根据内容调整，约0.07倍帧宽
位置：对于标题，在屏幕顶部；对于关键短语，在 F.faceLine() 或 F.top(t) 处
进入动画：从屏幕外飞入，展开并微微「呼吸」
离开动画：折叠并飞走
绘图：红色马克笔，在说话过程中实时绘制（draw.mjs）
- 删除线：绘制在已写出并正在被否定的词语上
- 下划线：绘制在正在被强调的词语下方
背景：小白纸片，略大于文字，有轻微的纹理滚动效果

贴纸

来源：sticker.mjs（从表情符号列表生成）
大小：约0.1倍帧宽
位置：使用 F.around(t0, t1, n) 放置在头部周围
白色轮廓：任何表情符号周围都有3像素的白色描边
动画：淡入，轻微摆动

字幕

位置：帧底部，从下到上约0.1倍帧高
样式：三词一批，居中对齐
颜色：白色，带黑色描边
高亮：正在说的词以黄色（wordColor，通常为 #FFD43B）显示
字体：Archivo，粗体（700）
大小：约0.04倍帧宽
时间：与WERDS.json中的单词结束时间精确同步

标题（钩子）

行1：白色文字，Archivo，粗体，0.06倍帧宽，居中对齐
行2：相同，但重要单词以Fraunces字体、黄色显示
行3：相同，但单词之间有一条水平线
位置：屏幕中央偏上，约Y=0.3
进入动画：文字从上方或下方滑入，线条慢慢绘制
背景：简朴，无纸片（纸张仅用于标题和重要短语）

屏幕截图（捕捉）

来源：capture.mjs（使用Chrome截图），或用户提供
大小：帧宽的0.80倍（与拍立得相同），保持宽高比
位置：屏幕中央，与拍立得相同位置
边框：白色边框，类似拍立得
动画：与反应GIF相同的落下/甩出动画

插图

来源：picture.mjs（使用Gemini API生成）
大小：帧宽的0.80倍（与拍立得相同），保持宽高比
位置：屏幕中央，与拍立得相同位置
边框：白色边框，类似拍立得
动画：与反应GIF相同的落下/甩出动画

数字

字体：Fraunces
颜色：黄色（#FFD43B）或白色
大小：根据数字长度调整，约0.12倍帧宽
位置：使用 F.around() 放置在头部附近
动画：从下往上滑入

用户的决策

以下是导致当前风格的用户的决策记录。绝不要更改这些决策。

2026-09-28：第一次审查。初始建议（慢速缩放，交叉溶解）。用户声明想要跳跃剪辑，就像参考一样。
2026-10-02：第二次审查。实施了跳跃剪辑，但用户表示它们「不够快」。将最小停顿从0.32秒减少到0.16秒，添加了宽景/特写交替。
2026-10-04：第三次审查。跳跃剪辑现在没问题了，但整体感觉过于「平淡」。用户要求背景音乐。添加了Hip Hop 02。
2026-10-05：第四次审查。背景音乐很好，但用户想要「更多活力」。添加了：反应GIF作为拍立得，贴纸围绕头部，纸张效果用于标题和关键短语，红色马克笔绘图，以及每个元素的音效。
2026-10-05（晚些时候）：第五次审查。用户批准了图形语言，但指出黄色在某些头发颜色下难以辨认。测试了珊瑚色（在头发中丢失）、橙色（在面部高光中丢失）和黄色（在大多数情况下可读）。默认设置为黄色 #FFD43B。
2026-10-05（更晚些时候）：第六次和最终审查。用户批准了当前状态下的视频。它被保存为 workspace/videos/scrapbook-dev-sales.mp4，其计划在 example/ 目录中，成为所有未来编辑的参考。

故障排除

字体缺失

运行 $K/init.sh 以获取字体到项目的 assets/fonts/ 中
或者手动将Google Fonts（Archivo、Fraunces、Gochi Hand）安装到 ~/Library/Fonts/ 中

人脸检测失败

确保 swiftc 可用（Xcode命令行工具）
如果不可用，手动运行 node $K/face.mjs 并检查预览帧
在project.json中手动设置 face 值

GIPHY API限制

免费层：每小时100次调用
如果超出限制，使用用户提供的GIF或生成的插图
考虑在.env.local中保存API密钥

构建失败

检查 tmp/ 目录中的日志文件以获取错误详细信息
验证 plan.mjs 和 edl.mjs 的格式
确保所有资源文件存在（字体、音效、媒体）
尝试使用 $E/render.mjs --debug 进行调试输出

验证失败

阅读 verify.mjs 的输出消息
常见的失败：同步问题（重新运行 tighten.py），缺少帧（检查源文件完整性），编解码器错误（确保ffmpeg已更新）

示例和参考

已验证剪辑视频：workspace/videos/scrapbook-dev-sales.mp4
已验证剪辑计划：scripts/example/plan.mjs
参考编辑解剖：scripts/example/README.md
引擎文档：../short-editor/SKILL.md
品牌工具包：plugins/video/references/brand-kit.md
陷阱文档：../../references/pitfalls.md
音频规格：../../references/audio-spec.md

许可和归属

字体：Archivo、Fraunces、Gochi Hand → Google Fonts，OFL许可
音效：Mixkit（Mixkit许可，允许在视频中使用，不允许重新分发）
Motionix包：未声明许可，在发布前阅读其README
背景音乐：Mixkit Hip Hop 02（Mixkit许可），Convergence（其他来源，可能影响货币化）
GIPHY：通过API调用，受GIPHY服务条款约束
Gemini：通过API调用，按使用付费

注意：在商业使用中，请确保遵守所有第三方资源的许可条款。

更新和版本

2026-10-05：风格最终确定。本SKILL.md反映了发布的版本。
2026-10-04：添加了背景音乐。
2026-10-02：改进了跳跃剪辑算法。
2026-09-28：初始创建。

在你喜欢的 AI 中提问

文档