Communitygithub.com

视频VIP专业版

一键生成优质视频编辑,适用于各种行业的头部出镜和销售视频(店铺、房地产、水疗、餐饮、教育、科技、金融、健身房、旅游、新闻、Vlog),并支持用户自定义品牌色。它接收原始视频,进行转录(越南语或任何语言),剪除不良片段并保持唇形同步,添加带运动模糊的节奏缩放、双层字幕、磨砂玻璃场景和约50种VIP特效,最后输出9:16/16:9 MP4文件。

视频VIP专业版 是什么?

Video VIP Pro 是一款专为AI Agent设计的技能,用于将原始视频一键编辑成高质量、风格一致的成品视频。它主要面向需要快速制作演讲类、销售类视频的场景,支持多种行业模板和品牌色定制。技能的核心工作流程包括:分析视频内容、转录并校对、选择保留的句子、根据创意指南构建故事板并应用特效(如文字后移、人像模糊、破框、计数价格、印章、撕裂、裂纹、冲击波、轨道环、胶片/VHS效果、UI模拟等)、生成音效和背景音乐,最终渲染输出。该技能通过读取多个参考文档(编辑创意、风格指南、行业模板、配方等)来指导编辑方向,并支持用户通过后续提示或内置VIP编辑器(零token消耗)进行精细调整。它支持Python和Node.js环境,依赖FFmpeg(需libass)、GPU加速(NVIDIA)和特定字体。首次使用需运行设置脚本下载音效包。用户可通过“edit video VIP”、“dựng video kiểu VIP / pro”、“edit video này”、“đổi màu chủ đạo”等指令触发。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/leminhhieu0707/video-vip-pro/tree/HEAD

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

Video VIP Pro(视频VIP专业版)

输入原始视频,您将在一次操作中返回一个完成的高质量编辑版。之后,用户通过简短提示(如“câu 3 đổi hiệu ứng”、“màu cam”、“bỏ VHS”、“chữ to hơn”)进行微调,每次编辑都是从一个小的构建脚本重建的。

脚本位于此文件旁边的 scripts/ 目录中。使用 python -X utf8 <skill>/scripts/<name>.py 运行它们。首次设置是 setup.ps1(Windows)或 setup.sh;它还会运行 scripts/get_sfx.py,该脚本会将热门音效包(约130个Mixkit音效,分为19个系列)下载到本机。如果命令因缺少模块或字体而失败,请运行设置。

要读取的文件

何时读取
始终,在规划之前references/edit_brain.md(创意流程、7种编辑风格、多样性规则、流行音效设计)+ references/style.md(每个特效+道具、镜头、主题)
为业务选择特效/颜色时references/industries.md 中对应的行
对规划字段不确定时grep references/plan.md(完整模式)
非头部出镜类型(蒙太奇、幻灯片、教程、播客)references/recipes.md 中对应部分
开始构建时复制 templates/build_vip.py

单次调用工作流程(无需询问即可完成所有操作,除非某个选择确实会改变结果)

  1. 简报。 推断以下内容:

    • 行业,根据所说或所见内容判断。
    • 主题:
      • 用户指定的颜色(如有);
      • 否则使用品牌色(标志、标牌、制服);
      • 否则使用行业默认色。
    • 宽高比: 9:16,除非源视频是横向且用于YouTube。
    • 时长: 保留所有好的句子。

    仅在用户提供了几个不相关的文件且没有提示时才询问。

  2. 观看。 运行 analyze.py SRC --every 2 并阅读所有工作表。注意:

    • 人脸位置:这将用作 FACE;
    • 空白区域位置;
    • 任何烧录的文字;
    • 衬衫颜色,因为胸部上的文字必须保持可读。
  3. 转录。 运行 transcribe.py SRC --prompt "<品牌, 产品, 名称>"。然后校对生成的 .transcript.json 文件:

    • 修正听错的单词,尽可能保持单词数量不变;
    • 用越南语格式书写价格:"8.190.000đ" 或 "8,19 triệu"。
  4. 选择句子。 编写 edited/cuts.json 文件,按顺序为保留的每个句子添加一个条目:

    • 删除重拍(保留较晚、较干净的版本)、false starts、“cắt nhé”和无声片段;
    • in = 第一个单词 −0.08 s,out = 最后一个单词 +0.15 s;添加 "transcripts"(源 .transcript.json 文件的路径),以便 aroll.py 也能为字幕和音效大脑编写 aroll.transcript.json。

    然后运行 aroll.py edited/cuts.json -o edited/aroll.mp4 --speed 1.1。它会生成一个单一的、唇形同步安全的A-roll视频以及 aroll.json 文件,其中包含句子的开始时间。

  5. 构建。 首先阅读 references/edit_brain.md 中的创意流程。选择一种编辑风格、3个主题和一个节奏图,然后编写故事板表格。切勿重复使用上一个视频的序列。将 templates/build_vip.py 复制到 edited/ 目录并填写:

    • 设置 THEME、FACE、CAP_Y;
    • 为每个句子提供一个 cap(i, top, text);
    • 为每个句子提供一个镜头移动(cam),在句子0使用HOOK,在2-3个最重要的关键词上使用SNAP或EMPH,在其余部分交替使用PUSH / PUNCH / PULL;
    • 每3-5秒添加一个VIP特效,从行业对应的行中选择,并将其放置在命名该特效的单词上(价格触发CountUp,“3 điều”触发NumberList,“đau đầu”触发Cracks);
    • 保持音效大脑开启("sound_design": {"style": "trend", "brain": {...}},参见 edit_brain.md §4a):效果音跟随画面,故事音跟随文字。然后阅读 sound_brain.py 的建议,删除任何不增加意义的音效;
    • 此前 "sound_design": "trend" 意味着:每个特效都会自动从热门音效包中获取一个分层音效,因此仅在音效承载故事时才手动添加(如:揭晓前的渐强、笑点前的静默);
    • 每分钟添加2-4个磨砂场景;
    • 以CTA结束。
  6. 渲染。 运行 build_vip.py,然后运行 render.py plan_vip.json --draft。超过2分钟的渲染在后台运行。每个运动素材的首次渲染需要3-5秒;人物遮罩处理大约每秒钟特效耗时1秒。

  7. 检查自己的输出。 运行 analyze.py <draft> --every 1 并阅读所有工作表。检查:

    • 文字被裁剪或覆盖人脸;
    • 特效落在错误的单词上;
    • 此主题下难以辨认的颜色;
    • 黑屏或冻结帧;
    • 响度偏离 −14 LUFS。

    修复构建脚本并重新渲染;素材和运动缓存将使这个过程很快。每个问题最多允许3轮修复。

  8. 最终。 运行 render.py plan_vip.json(不带 --draft)。

  9. 交付。 发送MP4文件(如果可用,通过 SendUserFile)。然后:

    • 提供3-5行摘要:时长、主题、使用的特效及其所在的句子,以及您猜测的任何内容;
    • 在后台启动VIP编辑器:python -X utf8 <skill>/editor/server.py edited/plan_vip.json,以便用户可以拖拽、调整时间、重新输入文字和重新着色,且无需消耗token。

混合声音。 如果视频混合了镜头前讲话和画外音,请运行 scripts/voice_match.py,使两者听起来像同一人的声音(参见 references/edit_brain.md §5)。在决定仅使用画外音之前,扫描每个剪辑以寻找好的镜头前台词(一次性转录所有剪辑)。

通过提示进行优化(首次编辑后)

  • 始终编辑 build_vip.py,切勿编辑生成的计划。 如果用户说他们在VIP编辑器中进行了更改,请先重新读取 plan_vip.json 并直接编辑计划,因为重建会丢弃他们的手动编辑。告知用户您正在采取哪种方法。

  • 将请求映射到编辑:

    请求编辑
    "đổi màu …"THEME
    "câu N …"句子N对应的代码块
    "bỏ / thêm hiệu ứng X"删除或添加对应的 motion(...) / layer(...) 行
    "chữ to / nhỏ"size
    "chữ thấp / cao"CAP_Y 或 y
    "zoom nhiều / ít"cam / cycle 的移动参数
    "nhạc khác"MUSIC
    "nhanh hơn"aroll.py --speed(然后重建)
  • 完全渲染前检查: 仅在更改的范围内运行 render.py plan_vip.json --preview A-B,检查结果,然后执行一次完整渲染。

质量标准

  • 字幕。 每个短语使用一个 BlueText,替换纯文本字幕。每行最多一个 **关键字**。在素材画面上,使用 tone: "video";在浅色磨砂背景上,使用 tone: "light"。
  • 干净的画面。 除了字幕外,屏幕上最多保留一个其他元素。切勿遮挡人脸。在9:16比例下,文字应保持在顶部10%和底部20%区域之外。
  • 镜头。 每3-6秒有一个镜头事件。大幅移动(SNAP, EMPH)每10秒最多一次。
  • 破框裁剪。 popout 裁剪必须从下巴下方开始,否则头部无法破出。
  • 真实性。 仅使用视频或用户消息中出现过的价格、规格、名称和引文。
  • 仅限授权媒体。 使用捆绑的综合音效、用户自己的文件或免版税音乐。切勿使用受版权保护的歌曲或重新上传的剪辑。

环境说明

  • Python和Node。 Python 3.10+(依赖 requirements.txt:faster-whisper, rembg, onnxruntime, opencv, numpy, fonttools, Pillow, edge-tts)和 Node 18+(用于 motion/)。在 motion/ 目录内运行 npm ci(设置脚本会执行此操作)。
  • FFmpeg。 必须是包含 libass 的完整构建版本。
  • GPU。
    • NVIDIA GPU 可加速Whisper和NVENC编码。
    • 没有GPU时,Whisper在CPU上运行;使用 --model small 以提高速度。
    • rembg在可用时使用DirectML或CUDA。
  • 字体。 Be Vietnam Pro 和 Playfair Display 已捆绑在 assets/fonts 和 motion/public/fonts 目录中。
  • Windows打印。 在从临时代码片段打印越南语之前,设置 PYTHONIOENCODING=utf-8。
  • 缓存。 它们位于 <plan>_work/ 目录中。仅在缓存损坏时删除该文件夹。

故障排除

  • 运动合成渲染为空白: 使用 motion/render_motion.py COMP '<props>' --duration 2 --still 1 -o x.png 渲染一帧静态图像并查看。
  • 遮罩中出现了错误的人(墙上的标志或海报): 使用 popout 的 "head": [x, w] 来限制可能破出的列,或选择一个更平静的时刻。
  • 剪辑后声音漂移: 切勿将许多说话片段逐段拼接。始终通过 aroll.py 进行处理。
  • “音效未找到”: 配方名称映射到内置音效(请参阅 render.py 中的 SFX_ALIASES)。将您自己的 name.mp3 放入 assets/sfx/ 目录以覆盖默认音效。
  • 脚本无法实现的特效: 使用直接的 ffmpeg 命令渲染,或者在 motion/src/blue/ 中编写一个新的合成组件,将颜色包裹在 T('…') 中,然后在计划中使用它。

相关技能