自主AI短视频剪辑与格式感知病毒式视频制作技能 (clip-short v2.4)
一个智能体视频工程技能，它能够理解并消化长视频源素材，理解源格式和故事脉络，选择合适的视觉处理手法，渲染出移动端优先的竖版视频，然后从导出的MP4文件中证明最终结果是正确的。
v2.4 版本保留了三个维度的路由器，并弥合了声称质量和可见质量之间的差距：故障闭合的质量保证、真正的多模态语义审查、旁白到视觉的时间戳、镜头级别的说话人检查、真实物体识别、图表边界验证、字幕/物体碰撞测试、缩略图OCR、可重现的来源追溯以及活动表现学习。
v2.0 版本将固定的“一种配方适用于所有源”的模式替换为三个独立的决策：
- 这是什么源？（视觉原型）
- 这讲了一个什么故事？（叙事原型）
- 什么剪辑手法最能服务这个故事？（剪辑手法）
54/46分屏是这个系统内的一个强大预设，而不是普遍法则。在没有通过针对实际渲染文件的质量门之前，任何剪辑片段都不会被标记为就绪。
使用场景
- 消化和筛选原始直播流、会议演讲、播客和多小时点播视频，以寻找高留存率的短片段候选。
- 使用最高期望值公式结合活动资格门控来筛选候选片段。
- 沿三个独立维度（
visual_archetype、narrative_archetype、editing_treatment）对源材料进行分类。 - 通过自适应布局引擎路由布局（全屏裁剪、发言人切换、自适应分屏、画中画、渐进式图表追踪、按场景叙事、极简纪录片风格）。
- 强制执行活动感知的语言边界捕捉：完整句子开场、零填充词、句末标点、遵循活动规则而不截断精彩内容的时长。
- 在打包前验证转录文本和领域术语。
- 渲染人脸感知的动态排版并确保安全区域。
- 分离五个不同的文字层：HUD 标题、字幕、YouTube 标题、缩略图标题、活动描述。
- 对已导出的 MP4 执行全帧渲染后检查，并在失败时故障闭合至
REJECTED_RENDER状态。 - 使用通过/失败生产质量门和编辑表现潜力评分进行评分。
- 记录真实的活动指标并将其反馈到未来的选择中。
- 准备一个经过验证的提交包，用于人工批准的分阶段发布。
架构与子技能索引
[ 原始 4K / 1440p 主素材 ]
|
v
+-----------------------------------+
| 1. 活动预检 | ---> [subskills/campaign-preflight.md](subskills/campaign-preflight.md)
| - 时长 / 音质 / 内容 | 当规则缺失时故障闭合至 HUMAN_REVIEW
| - 版权及已批准的来源 |
+-----------------------------------+
|
v
+-----------------------------------+
| 2. 三轴分类 | ---> [subskills/format-router-templates.md](subskills/format-router-templates.md)
| A. 视觉源原型 | [references/clipper-format-archetypes.md](references/clipper-format-archetypes.md)
| B. 叙事原型 |
| C. 剪辑手法 |
+-----------------------------------+
|
+-----------------------+-----------------------+
| |
v v
+-----------------------------+ +-----------------------------+
| 3. 转录文本验证 | | 4. 语言边界捕捉 |
| - ASR 置信度 | | - 完整句子开场 |
| - 领域术语 | | - 0 填充词 |
| - 实体 / 缩写检查 | | - 句末标点 |
| - 原始字幕差异比对 | | - 活动感知时长 |
| [subskills/transcript- | | [subskills/linguistic- |
| verification.md] | | boundary-snapping.md] |
+-----------------------------+ +-----------------------------+
| |
+-----------------------+-----------------------+
|
v
+-----------------------------------+
| 5. 自适应布局与语义 | ---> [subskills/pip-split-screen-geometry.md](subskills/pip-split-screen-geometry.md)
| 节拍剪辑 |
| - 格式驱动的裁剪路由 |
| - 主体变化的视觉聚焦 |
| - 渐进式图表追踪 |
+-----------------------------------+
|
v
+-----------------------------------+
| 6. 排版与元数据 | ---> [subskills/kinetic-typography-safe-zones.md](subskills/kinetic-typography-safe-zones.md)
| - 人脸感知安全区域 | [subskills/faithful-metadata-packaging.md](subskills/faithful-metadata-packaging.md)
| - 5 个分离的文字层 |
| - 专用缩略图构建 |
+-----------------------------------+
|
v
+-----------------------------------+
| 7. 生产质量门与评分 | ---> [subskills/pre-render-quality-gates.md](subskills/pre-render-quality-gates.md)
| - 渲染前技术门控 | [references/viral-scoring-rubric.md](references/viral-scoring-rubric.md)
| - 全帧渲染后质量保证 | [subskills/regression-fixtures.md](subskills/regression-fixtures.md)
| - 通过/失败门控 + 编辑质量评分 |
+-----------------------------------+
|
v
+-----------------------------------+
| 8. 人工批准的发布 | ---> [subskills/fleet-staged-publishing.md](subskills/fleet-staged-publishing.md)
| - 提交包 | [subskills/autonomous-10m-cadence-daemon.md](subskills/autonomous-10m-cadence-daemon.md)
| - 需要人工批准 | [subskills/performance-feedback.md](subskills/performance-feedback.md)
| - 指标反馈循环 |
+-----------------------------------+
核心制作标准（强制）
1. 三轴分类是强制性的
切勿将源素材直接映射到固定的剪辑模板。应独立分类：
- 轴 A — 视觉源原型：画面本质上是什么（单人讲述、多机位播客、角落摄像头+屏幕共享、全屏屏幕录制、白板/图表、幻灯片、游戏+面部摄像头、全屏游戏、旁白插画/动画、旁白纪录片/B-roll、体育/动作、现场表演、产品演示、双人辩论）。
- 轴 B — 叙事原型：故事是什么（好奇/神秘、对立观点、解释/教育、辩论/分歧、个人故事、演示/结果、喜剧/笑点、反应、列表/步骤、情感揭露）。
- 轴 C — 剪辑手法：这个特定故事应该如何展示（全屏裁剪、动态发言人切换、自适应分屏、画中画、渐进式图表缩放、按场景叙事、动画字幕、上下文B-roll、极简纪录片处理）。
六个遗留的 FORMAT_* 模板仍然是有效的剪辑手法预设（三轴的命名组合）。它们不是分类器本身。
2. 自适应布局引擎（黄金 54/46 是一个预设，而非法则）
布局是根据源内容选择的，而不是默认应用：
| 源内容 | 布局 |
|---|---|
| 竖屏拍摄的发言人 / 讲述者 | 全屏竖屏裁剪 |
| 横屏播客 | 人脸感知竖屏裁剪 |
| 两位发言人 | 动态发言人切换，带有最小停留时间 |
| 角落面部摄像头 + 屏幕共享 | 自适应 54/46 或 画中画 |
| 宽幅架构图 | 渐进式水平追踪和组件放大 |
| 屏幕录制 | 活动窗口裁剪和放大 |
| 插画动画 | 全屏场景追踪 |
| 旁白 B-roll / 纪录片 | 全屏上下文视觉素材 |
| 幻灯片演示 | 只保留幻灯片，发言人头像仅在有用时插入 |
| 游戏 / 体育 | 带有关键动作安全区的裁剪，并插入面部摄像头小窗 |
| 现场表演 | 包含全舞台的取景，配合节拍进行切换 |
| 产品演示 | 以物体为中心的裁剪，保证手部/结果可见 |
黄金 54/46 移动端分屏 仍然是角落画中画主播素材的默认预设：
- 顶部面板：$1080 \times 1040$ （$54.17%$），头和肩膀的裁剪。
- 底部面板：$1080 \times 880$ （$45.83%$），经过显著性隔离的辅助卡片。
- 分隔缝：4px
#1E293B，位于 $y = 1038$。
不得将其强行用于全景图、旁白插画、全屏纪录片，或任何因分屏导致标签在移动端无法辨认的源。当缩小整个图表仍然无法完全展示时，应将图表拆分为语义节拍并分别放大每个组件。
3. 语义节拍剪辑取代固定时间阶段
当主题或论点发生变化时，视觉焦点随之改变，而不是达到某个固定的时间戳：
- Lex 风格播客：提问时展示提问者，解释时展示回答者，反驳时展示相关方，结论时聚焦于发表结论的人。
- Veritasium 风格谜题：引人入胜的开场插画，铺垫阶段展示调查者和农民，逐步揭秘时展示苍蝇，高潮时聚焦于镰刀和供述。
- Theo 风格技术讲解：类比时展示讲解者，解释机制时展示界面/线路图，讲解特殊语法时进行针对性放大，最终演示工具时展示最终节点。
5 阶段时间戳进度仅可在节拍检测不可用时作为备用方案。固定阶段永远不能覆盖语义聚焦。
4. 叙事优先的时长与活动合规性
时长的决策顺序：
- 活动规则（明确的
min_seconds/max_seconds）——最高优先级。 - 叙事完整性——永远不要为了达到默认时长而切断最终的精彩内容。应压缩铺垫部分。
- 默认目标 $18.0\text{s} - 22.5\text{s}$；完成一个完整思路必要时，上限可灵活放宽至 $23.5\text{s}$。
活动要求优先于系统默认设置，包括时长、音质、内容、标签、提及、账号、受众和披露信息。缺少或模糊的活动规则将故障闭合至 HUMAN_REVIEW。
5. 打包前的转录文本验证
不要盲目相信 Whisper 或任何 ASR 模型。在评分或打包之前：
- 根据词典验证领域术语、缩写和命名实体。
- 在可用时，与原始源字幕进行比对。
- 检查 ASR 置信度并标记异常替换。
- 对于低置信度的术语要求人工审核。
- 切勿发布基于未经验证的实体构建的标题或描述。
6. 人脸感知排版与五个分离的文字层
保持这些层语义一致但文字内容不同：
- 视频 HUD 标题 — 顶部的好奇心徽章，3-6 个词，最多 38 个字符，无尾随标点，钩子出现后淡出。
- 口语字幕 — 与单词时间对齐的逐字字幕。
- YouTube 标题 — 可搜索且忠实于内容，可以使用忠实的转述。
- 缩略图标题 — 一个主要标题，在专门的缩略图阶段构建。
- 活动描述与标签 — 活动特定的要求。
人脸感知放置：根据检测到的面部标志点定位标题和字幕，而不是单一的固定坐标。切勿遮挡眼睛、嘴巴或说话者的关键表情。在 54/46 预设中，字幕保持 MarginV = 920 （基线 $y = 1000$）；自适应布局会计算一个等效的安全区域，以避开主体的脸部以及源素材中的任何文字。
缩略图规则：仅一个标题，无字幕片段，无重复的标题卡片，脸部与眼睛无遮挡，辅助图片能立即传达主题，在移动设备大小下可读。
7. 全帧渲染后质量保证与生产质量门
所有质量决策都基于实际导出的 MP4 文件，而非渲染配置。任何关键问题都将导致拒绝（REJECTED_RENDER）：
- 调试覆盖层：在任何帧中可见的代码、滤镜表达式或内部变量。
- 鼠标指针：鼠标指针意外可见。
- 裁剪完整性：重要图表、文本或主体被截断。
- 图形可读性：辅助视觉素材在移动设备大小下不可读。
- 面部遮挡：标题或字幕遮挡了重要的面部特征。
- 文字碰撞：字幕与现有的源文字重叠。
- 缩略图完整性：标题重复或文字过多。
- 字幕准确性：口语与显示的字幕不符。
- 视觉连续性：黑帧、画面冻结或意外转场。
- 活动合规性：违反了时长、音质、内容或账号要求。
在 0.25s、1.0s、每个主要场景切换处、每个主要字幕/图形切换处、中点以及最后 2 秒生成联系表。在标记为就绪前执行完整的播放审查。
8. 两个独立的评分
- 生产质量门 — 通过/失败。 活动合规性、渲染完整性、字幕准确性、音频、视觉可读性和版权。一个关键失败即拒绝。
…
[为翻译截断]