Communitygithub.com

长视频变短视频

将长视频中的精彩片段提取出来,自动生成适合YouTube Shorts、Reels或TikTok的竖版短视频。该技能会自动定位最佳开场句,以整句为单位剪辑,并生成字幕。

长视频变短视频 是什么?

该技能旨在将长时间的口头视频(如访谈、演讲、网络研讨会)高效地转换为20至60秒的竖屏短视频。它利用faster-whisper(一种语音转文字工具,能提供每个单词的时间戳)和ffmpeg(用于视频剪辑、裁剪和添加字幕)这两个免费工具。整个流程包括:为视频生成带有时间戳的逐词转录文本;从中识别并选取最具吸引力的句子作为“钩子”,并围绕它组织内容;然后按照这些句子精确剪辑视频片段;将视频裁剪为1080x1920的竖屏尺寸;生成并烧录简短的字幕(每段3-5个单词);最后进行完整检查,确保开场即说话、无单词被截断、字幕与音频匹配。该技能严格遵循规则:绝不拼接不完整的句子来歪曲说话者本意,保持内容的真实性,并确保用户的最终审阅权限。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/coding-island-js/keepaisharp-skills/tree/main/skills/video-to-shorts

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

把长视频变成短视频

你有一个某人说话的长时间视频。此技能将其裁剪成20到60秒的竖屏片段,这些片段以最佳台词开头,永远不会在句子中间停止,并带有字幕。它使用两个免费工具:faster-whisper(将语音转换为带有每个单词时间戳的文本)和 ffmpeg(用于裁剪、修剪和添加字幕)。下面的每个命令都是示例。请更改文件名、时间和尺寸以匹配你的视频。

步骤 1. 获取带有每个单词时间戳的转录文本

安装一次:pip install faster-whisper,并从 ffmpeg.org 安装 ffmpeg。

示例(Python):

from faster_whisper import WhisperModel
model = WhisperModel("large-v3", device="auto")   # 在没有 GPU 的笔记本电脑上使用 "small"
segments, _ = model.transcribe("talk.mp4", word_timestamps=True, condition_on_previous_text=False,
                              initial_prompt="Hello. Welcome, everyone.")
with open("words.txt", "w", encoding="utf-8") as f:
    for seg in segments:
        f.write(f"[{seg.start:.2f}-{seg.end:.2f}] {seg.text.strip()}\n")
        f.write("    " + " ".join(f"{w.word.strip()}@{w.start:.2f}" for w in seg.words) + "\n")

words.txt 的每一行都是一段语音及其开始和结束时间。在其下方是每个单词及其开始秒数([email protected])。根据单词时间进行裁剪:一段语音通常会在句子中间结束。

condition_on_previous_text=False 可防止模型在处理长文件时重复同一行。在某些文件上,它也会使 large-v3 丢失所有标点和大写字母。简短的 initial_prompt(使用正常标点编写)可以恢复它们,你需要句号来查看句子的结束位置。

步骤 2. 挑选片段,钩子优先

阅读转录文本。找到一个包含观点、例证和收尾的部分。然后:

  1. 钩子。 最强的一两句话,那些无需铺垫就能理解的话(“大多数人按小时定价,这就是他们一直贫穷的原因。”)。即使这些话在片段后面出现,短视频也以这些词开头。短视频的第一秒应该是语音,而不是静音或标志。
  2. 中间部分。 支持钩子的例子或故事。
  3. 结尾。 收尾或提示。如果片段没有,请从同一视频的其他地方获取答案句。

将片段写为一系列开始和结束时间。每个部分从句子的第一个单词开始,到句子的最后一个单词后结束。移动整个句子是可以的。切勿将半个句子与另一个句子连接起来,让说话者说他们没有说过的话。总长度:20 到 60 秒。

步骤 3. 裁剪各部分并合并

在第一个单词前留出大约 0.1 秒,最后一个单词后留出 0.2 秒,这样就不会有任何单词被裁剪掉。

示例(每部分一个命令;-t 是以秒为单位的时长):

ffmpeg -ss 312.30 -i talk.mp4 -t 7.40 -c:v libx264 -crf 18 -c:a aac -ar 48000 piece1.mp4
ffmpeg -ss 95.10 -i talk.mp4 -t 21.60 -c:v libx264 -crf 18 -c:a aac -ar 48000 piece2.mp4
printf "file 'piece1.mp4'\nfile 'piece2.mp4'\n" > list.txt
ffmpeg -f concat -safe 0 -i list.txt -c copy joined.mp4

步骤 4. 制作竖屏视频,1080x1920

对于 1920x1080 的视频,围绕说话者裁剪一个 608x1080 的窗口并将其放大。crop 中的最后一个数字是窗口距离左边缘的距离。在静止帧中找到说话者的位置并进行设置,使脸部位于中间。

示例(居中窗口):

ffmpeg -i joined.mp4 -vf "crop=608:1080:656:0,scale=1080:1920" -c:v libx264 -crf 18 -c:a copy vertical.mp4

步骤 5. 添加字幕

再次转录合并后的片段(步骤 1,在 vertical.mp4 上),以便字幕时间与新片段匹配。将简短的字幕(每个 3 到 5 个单词)写入一个 .srt 文件:

segments, _ = model.transcribe("vertical.mp4", word_timestamps=True, condition_on_previous_text=False,
                              initial_prompt="Hello. Welcome, everyone.")
words = [w for s in segments for w in s.words]
t = lambda x: f"{int(x//3600):02}:{int(x%3600//60):02}:{int(x%60):02},{int(x*1000%1000):03}"
chunks, chunk = [], []
for w in words:                      # 最多 4 个单词,每个句号后添加新字幕
    chunk.append(w)
    if len(chunk) == 4 or w.word.strip().endswith((".", "?", "!")):
        chunks.append(chunk)
        chunk = []
if chunk:
    chunks.append(chunk)
with open("captions.srt", "w", encoding="utf-8") as f:
    for n, c in enumerate(chunks, 1):
        text = "".join(w.word for w in c).strip()
        f.write(f"{n}\n{t(c[0].start)} --> {t(c[-1].end)}\n{text}\n\n")

手动修复 captions.srt 中任何听错的名字或单词。然后将字幕烧录进去,并将音量设置为应用程序预期的水平(大约 -14 LUFS):

ffmpeg -i vertical.mp4 -vf "subtitles=captions.srt:force_style='FontSize=16,Bold=1,Outline=2,Alignment=2,MarginV=70'" -af "loudnorm=I=-14:TP=-1.5" -c:v libx264 -crf 18 -c:a aac short.mp4

从包含 captions.srt 的文件夹运行此命令,并使用纯文件名。在 Windows 上,像 C:\clips\captions.srt 这样的完整路径会破坏 subtitles 滤镜,因为 ffmpeg 会将冒号读取为选项的开始。

保持字幕在下方中间位置,远离脸部以及应用在右侧边缘的按钮。

步骤 6. 从头到尾检查它

像观众一样,完整观看一次短视频,带声音。然后检查每一项:

  • 第一秒是语音。 例如:ffmpeg -i short.mp4 -t 2 -af silencedetect=noise=-35dB:d=0.3 -f null - 应该报告在 0 秒处没有静音。
  • 没有任何单词 在任何部分的开头或结尾被截断。
  • 字幕与音频匹配,逐字对应,并且没有字幕遮挡脸部。
  • 没有重要内容被裁剪掉:脸、手指向某处的手势、幻灯片上的文字。
  • 长度在 20 到 60 秒之间。 例如:ffprobe -v error -show_entries format=duration -of csv=p=0 short.mp4
  • 联系表 可快速查看取景情况。例如:ffmpeg -i short.mp4 -vf "fps=1/5,scale=270:-1,tile=4x2" -frames:v 1 sheet.png

如果任何一项失败,请修复该步骤并重新构建。

步骤 7. 在发布前挑选标题和封面

  • 标题: 用几个词概括钩子,就像观众会搜索的那样。少于 60 个字符。
  • 封面: 选择说话者脸部清晰且嘴巴闭着的一帧,再加上用大号文字书写的钩子。同时检查它在正方形和 3:4 裁切下的效果,因为某些应用会在个人资料网格中这样显示。
  • 向用户展示短视频、标题和封面。未经用户同意,切勿发布任何内容。

规则

  • 切勿让说话者说出他们没有说过的话。只能重新排列整个句子。
  • 如果说话者说错了什么,保持原样并告知用户。不要悄悄地在字幕中修复它。
  • 如果说话者称某个例子是编造的,短视频应保留这一点,或在屏幕上添加“编造的例子”。

示例

用户分享了 webinar.mp4,这是一个 50 分钟的演讲,演讲者是一位名叫 Jo Park 的簿记员。(Jo 和下面的台词是虚构的。)

在 18:42 时,Jo 说:“大多数小企业是从他们的银行,而不是从他们的账本中发现自己没钱了。”这就是钩子。在 17:55 到 18:20 之间,她讲述了一个面包店错过发工资的故事。在 19:05 她给出了解决方法:“每周一检查一个数字:银行现金减去未来 30 天内到期的账单。”

智能体按以下顺序裁剪三个片段:18:42 的钩子(6 秒),17:55 的故事(25 秒),19:05 的解决方法(9 秒)。总计 40 秒。它将 Jo 裁剪到 1080x1920 画面的中间,添加字幕,并检查步骤 6 中的每一项。标题:“你的银行在你之前就知道你破产了。”封面:Jo 看着镜头,上面写着“每周一检查这个”。

相关技能