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)
-
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。
-
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。
- 人脸位置:这将用作
-
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"。
-
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。 -
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。
- 设置
-
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。 -
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。
-
最终。 运行
render.py plan_vip.json(不带--draft)。 -
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。