歌词视频
将用户的录音转化为歌词视频。将转录准确性、时间轴和视觉样式视为独立的决策。保留原始素材；将修订内容渲染到单独的输出文件夹中。
选择样式
尊重用户已选择或先前批准的样式。如果未确定样式，在确定外观前先简明扼要地询问一个关于排版、位置和显示行为的问题。提供几个相关的选择，例如纯字幕、卡拉OK高亮或超大动态字母排版。不要自动对每个视频应用倒置、Impact字体、大写、拉伸字母或10%的边距。
对于超大字母内的倒置画面、渐进式单词显示和交替主导行，请阅读 references/inverted-style.md。附带的脚本实现了该预设；对其他样式，请采用其他渲染方法或进行调整，而不是声称它们支持所有处理方式。
在用户要求时，使用代表性的静态画面和简短的动作草稿。将批准的样式延续到完整视频中；不要引入重复的审批环节。
转录并审查不清晰的歌词
- 检查源素材的时长、帧率、尺寸、旋转角度、色彩空间/范围以及音频。转录录音并获取声学单词时间戳。不要使用均匀间隔的单词作为最终对齐。
- 检查不确定的识别结果、冲突的转录通道、可疑的词句、即兴发挥以及剪辑结尾。第二模型可以提供帮助，但一致并不意味着正确。区分不清晰的歌词和不清晰的时间戳。
- 如果有帮助，询问歌曲/艺术家或提供的歌词参考。如果录音是个人未发布或没有可用参考的，停止搜索参考并使用用户的审查。切勿通过此技能发布用户的媒体或歌词。
- 生成一个可编辑的带时间戳的转录，以及一个按播放顺序排列的紧凑编号列表，列出不清晰的时间段。每个条目包含稳定的ID、开始/结束时间以及足够的周围单词以便定位。将未解决的措辞标记为
[UNCLEAR]，而不是默默选择一个猜测。即使最初未标记，也要包括其他疑似错误。在等待更正期间保持此列表不变。 - 要求用户按ID或顺序提供缺失的单词。同时继续进行独立的样式设计和导出准备。如果获得授权，提供带有占位符的审查剪辑并明确标记；不要将其称为歌词最终版。
- 将有序回复一对一地应用于编号的时间段。验证更正数量是否匹配。如果计数或意图时间段不明确，请先询问该映射关系再更改这些单词。保留用户提供的用词、俚语和露骨歌词。提及轻微的拼写规范化；切勿为了语法而静默重写歌词。
- 将多词修正扩展为单独定时单词，并针对录音重新对齐。保留已批准的布局选择，除非短语需要重新换行。如果时间轴只能估算，请披露这一点，并将时间轴审查与措辞审查分开。不要将较长的短语挤压到极短的时间间隔内，并声称同步准确。对于被切断的结尾，解释录音支持的内容；在扩展、冻结或更改编辑之前，要求用户提供续写或做出选择。
- 同时更新转录和定时渲染数据，然后从原始源文件渲染。检查所有修正的时间段和过渡。在实际最终卡片/字幕数据中搜索
[UNCLEAR]、问号占位符、TODO以及未解决的ID；验证每个用户更正是否在其预期位置恰好出现一次。不要将审查文档中的不确定性注释误认为屏幕上的遗留内容。 - 当被问到视频是否准备好发送时，分别报告：占位符数量、剩余的疑似措辞、时间轴注意事项以及导出验证。零占位符并不证明转录已完全验证。给出简短结论而不暴露私人推理；当存在未解决问题时，将其称为可用的审查剪辑。
时间轴与导出
本地MLX Whisper带单词时间戳是Apple Silicon上的一种转录途径。如果 Whisper.cpp DTW 返回 t_dtw = -1，可能需要禁用flash attention；拒绝缺失时间戳。参考歌词必须与此特定表演对齐，包括暂停和即兴发挥。
从源文件渲染，而不是压缩的草稿。除非用户要求更改，否则保留源帧、真实分辨率、帧率、色彩解释和音频。为获得最高质量，提供无损RGB合成母版和兼容的高质量MP4。仅靠放大无法恢复细节。在选择导出设置前检查平台/编解码器限制。
验证时长/帧数、音频存在与保持、开头/结尾覆盖、文本适配、部分和完全显示的短语、修正覆盖率以及选择的视觉效果。在支持的情况下提供直接的工件链接和内联预览。保持审查状态和编码质量清晰区分。