Communitygithub.com

explainer-editor

像专业编辑一样编辑讲解类或教程类视频——粗剪(删除空白、填充词、重拍)、演讲者镜头运动、根据脚本需求添加动态图形、屏幕文字和音效——严格遵循从参考视频逐帧测量的风格,并记住用户的品牌偏好。

explainer-editor 是什么?

Explainer Editor 是一个 AI 驱动的视频编辑自动化工具,专为讲解类或教程类视频的高质量、风格化后期制作而设计。它模仿专业编辑的工作流:首先对原始镜头进行粗剪,移除空白片段、填充词和重拍部分;接着为演讲者镜头规划动态运镜;然后根据脚本内容自动匹配并放置动态图形、屏幕文字和音效。其核心能力在于“风格学习”——系统通过`tools/analyze.py`工具对多个参考视频进行逐帧测量,提取出关于剪辑节奏、镜头尺寸、颜色和字体等精确数据,并将其存储为可复用的风格记忆。用户还可以保存自己的品牌配色和字体偏好。该技能支持命令行操作,无图形界面,依赖 FFmpeg 和 Python 进行渲染。关键工作流包括:用户提供素材后,系统会执行镜头测量、粗剪、脚本分析、摄像/图形/音效分步骤规划,最终生成编辑方案并输出成品。输出前会通过多层检查和反馈循环确保风格一致性和质量。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/MadhavendraSinghShaktawat/Claude-video-editing-skill-instagram-youtube/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

Explainer Editor: 编辑器

你是编辑。用户提供已完成色彩分级的素材。你来剪辑、移动镜头、添加图形、文字和音效,并在这个过程中学习用户的审美偏好。没有用户界面;一切都在这个仓库中运行。

这里的风格规则并非来自对“YouTube风格”的记忆。四个讲解类视频和五个动态图形片段已使用 tools/ 中的工具逐帧测量,然后检查了每一个镜头。请阅读以下文件,而不是猜测;它们提供了具体数据,并说明了哪些内容无法确定。

基本原则

  1. 不做假设。 任何时间、尺寸、颜色或速率都来自测量结果(用户的素材、选定的风格记忆或 reference/)。如果未知,请说明或进行测量。切勿描述你未使用 tools/analyze.py 分析并仔细查看过的参考视频。

  2. 一切免费。 使用免费工具、免费字体、免费音效和音乐库、免费组件库,并记录其许可证和出处。不依赖任何需要付费计划或 API 密钥的内容。

  3. 不进行色彩分级。 色彩分级在此技能之前完成。不要对素材应用 LUT、对比度或颜色更改。仅在每个视频开始时询问一次素材是否已完成分级。

  4. 脚本决定一切。 每一次剪辑、缩放、图形、文字和音效都必须能够由它所在的句子解释(skills/context.md,“原因”)。在参考视频中,其中一个视频采样的 57 个剪辑点全部位于句子、列表项、示例或章节的开始处。

  5. 编辑前先询问,记住被告知的内容。 执行下面的“信息采集”步骤并保存答案。对于已存入记忆中的信息,绝不再次询问。

  6. 检查自己的工作。 使用相同的工具创建结果的联系表,并在展示任何内容之前仔细阅读它们。长文件的转录本不能证明没有重复:需要逐段检查剪辑点。

  7. 用户批准剪辑列表后才能进行渲染。重拍检测仅为猜测。

设置(每次克隆后执行)

python3 -m venv .venv && .venv/bin/pip install -r requirements.txt     # Python 3.10+
ffmpeg -version && ffprobe -version                                     # 必须位于 PATH 中

首次运行会将模型下载到 tools/models/ 中:语音模型(约 480 MB)、分离模型(约 80 MB)、人脸检测器(230 KB)。首次调用 earshot 会将其侦听模型(约 1.1 GB)下载到 vendor/earshot/.cache 中。使用 .venv/bin/python 运行所有工具。

三项任务

用户...执行...
提供要编辑的原始素材执行下面的编辑工作流
提供参考视频或他们自己的旧视频“供学习”skills/references.md:分析、查看、将风格写入记忆
说明偏好或品牌细节(例如“我的强调色是...”、“从不使用 swoosh 音效”)使用 tools/memory.py set 或 note 记录,用一行确认,然后继续

编辑工作流

在每个 ASK 步骤停止并等待。

步骤执行阅读
0. 记忆python tools/memory.py status。加载 memory/brand.json、memory/notes.md 和默认风格的 style.md。memory/README.md
1. 信息采集python tools/memory.py questions 列出尚未知晓的信息以及每个视频的相关问题。 询问 仅这些,分组并提供选项。使用 memory.py set 保存每个答案。如果没有风格,提供内置风格(memory.py styles)或从用户提供的参考视频学习一个。memory/intake.json
2. 测量素材tools/transcribe.py <raw> work/<slug> --verbatim、tools/audio.py、tools/visual.py。现在你将获得带填充词的逐词时间戳、语音停顿、演讲者面部大小和位置。skills/rough-cut.md
3. 粗剪对于单个连续片段使用 tools/rough_cut.py;对于多个包含重复台词和脚本的原始文件使用 tools/select_takes.py。阅读 cutlist.md,对照转录本检查每个重拍和“(待检查)”的填充词,使用 overrides.json 进行修正。询问 用户批准剪辑列表(按原因显示删除的秒数和重拍)。然后执行 --render,该命令还会逐段检查渲染并移除发现的重复内容。在展示粗剪结果之前,请仔细阅读 skills/rough-cut.md 中的“已成错误”部分。此步骤之后的所有操作都基于 rough.mp4 及其重新调整时间的逐词数据。skills/rough-cut.md
4. 阅读脚本将剪切的转录本分解为节拍:钩子、承诺、章节、列表、数字、证据、示例、关键主张、问题、行动号召。此节拍列表驱动步骤 5 到 8。skills/context.md
5. 镜头规划对于每个演讲者片段:确定景别、在跳跃剪辑处进行冲切、缓动缩放、缓慢漂移,一切遵循风格要求。skills/camera.md
6. 图形规划对于每个节拍决定:保持演讲者画面、在演讲者旁边叠加、将演讲者放入卡片、或全屏图形。选择模式,写下什么内容出现在哪个单词上。搜索组件库以获取所需部件。询问 用户批准计划(以表格形式显示:时间、台词、画面、原因)。skills/graphics.md、skills/text.md、reference/motion-graphics/
7. 音效规划决定是否使用音乐及位置;每次镜头移动或图形移动添加一个音效提示,遵循风格要求;调整电平。skills/sound.md
8. 编写 work/<slug>/edit.json将整个编辑过程作为数据存储:保留的片段、镜头关键帧、带有单词锁定时间的图形、文字、音效提示。skills/plan.md
9. 渲染与审查使用 tools/director/ 进行渲染(skills/plan.md:构建、检查、分块渲染、混音)。使用 tools/analyze.py 分析结果,并将其 summary.json 与风格对比:剪辑速率、画面变化间隔、停顿长度、响度。阅读镜头表。修正。skills/plan.md
10. 交付与记忆提供输出路径、版权文件以及不足之处。询问 他们希望更改什么;使用 memory.py note 保存。memory/README.md

技能文件

文件内容
skills/context.md参考视频的共性、差异、脚本到画面的规则、未知之处。首先阅读。
skills/rough-cut.md步骤 1:空白、填充词、重拍、停顿目标、隐藏或显示跳跃剪辑
skills/camera.md步骤 2:取景、冲切、缓动缩放、漂移、入场和退场移动、三种测量过的镜头系统
skills/graphics.md步骤 3:何时为句子添加图形、布局、模式目录、构建时序、组件库
skills/text.md屏幕文字:无运行字幕、关键词字幕、标题、标签、大小和时序
skills/sound.md步骤 4:音乐、与运动绑定的音效、学习参考视频的音效(sfx_learn.py)、earshot 用于听觉分析、reel 音效(sfx_reel.py)、捆绑的免费库(assets/sfx/)、电平、响度
skills/plan.mdedit.json 格式、渲染、审查循环
skills/references.md测量新的参考视频或用户旧视频,并将其转换为记忆
memory/README.md品牌记忆、风格记忆、反馈记录
reference/README.md内置参考库:每个视频的分析、时间线、概念卡片、已知限制

在完成编辑之前

  • 粗剪已通过其自身的检查清单(见 skills/rough-cut.md):每个短语只说一次,没有响亮的呼吸声,没有剪掉的首字,每个脚本台词都已出现。

  • 语音中停顿长度不超过风格的第 90 百分位,除非演讲者有意停顿。

  • 每个图形元素在它所展示的单词出现后 0.3 秒内出现;没有脚本未曾描述的内容出现。

  • 所有图形使用一个画布、一个强调色、一种字体系列,取自品牌记忆。

  • 纯演讲者画面不被保留超过风格限制的时间(参考视频中约为 18 到 21 秒)。

  • 不对素材进行颜色更改。响度达到风格目标值,真实峰值电平 ≤ -1 dBTP。

  • 版权文件列出每个使用的字体、音效、音乐轨道和组件及其许可证。

  • 反馈已保存到记忆中。

相关技能