演示视频:录制、剪辑、旁白、字幕、GIF
将屏幕上的真实工作流程(终端、浏览器、应用程序)转化为:
- YouTube 剪辑:带 TTS 旁白的 MP4,无烧录字幕,外加一个
.en.srt文件; - 高光 GIF:仅包含关键步骤,无声,无字幕,文件足够小,适合放在 README 中;
- 可选的带字幕 MP4(烧录字幕),用于不支持字幕功能的平台。
scripts/ 中的脚本是模板:请将它们复制到一个视频项目文件夹(该文件夹应在任何仓库之外,因为录制文件可能达数百 MB),然后编辑其配置块。需要 ffmpeg(在 PATH 中,或设置 FFMPEG/FFPROBE 环境变量)、Python 3,以及用于语音的 pip install edge-tts。
1. 与用户一起规划
- 将故事商定为步骤,并确定哪些步骤是用户的(点击、输入)以及哪些是等待步骤。编写步骤列表,包含需要按下的按键,以便用户在录制时操作。
- 选择一个能展示可见成果的主题(例如一个问题、一个待办事项)。
- 清理舞台:删除演示中会创建的重复内容,关闭个人标签页(打开一个仅包含目标网站的全新浏览器窗口),隐藏通知。提及任何可能造成干扰的内容(如更新横幅)。
- 告知用户:在录制过程中,他们在 Claude 中键入的任何内容都会出现在屏幕上,因此只需输入“下一步”或“完成”。
2. 将两个窗口框定在一个捕获区域内
将演示中使用的所有窗口放置在完全相同的矩形区域内(1920×1080 是一个不错的默认值),然后录制该区域:前置的窗口即为镜头画面,因此切换窗口即是剪辑。
scripts/rec.ps1 place -X <px> -Y <px> 可以在 Windows 上完成此操作。需要注意的问题:
- DPI 缩放:来自非 DPI 感知进程的坐标会被缩放(125% 缩放时,一个“1920”宽度的窗口其物理尺寸是 1536 像素)。
place会设置每个监视器的 DPI 感知(SetThreadDpiAwarenessContext(-4)),因此所有坐标都是物理像素。使用rec.ps1 monitors列出监视器。 - 隐形边框:Windows 10/11 的窗口有大约 7 像素的隐形边框。应使用 DWM 可见边界(
DWMWA_EXTENDED_FRAME_BOUNDS)来确定窗口大小,而不是GetWindowRect;place会测量并修正。 - 在录制前抓取一帧并查看一下(读取生成的 PNG 文件)。
3. 录制
scripts/rec.ps1 start <名称> / stop / mark <文本>。注意事项:
- gdigrab 不感知 DPI,它会在缩放的显示器上捕获缩小的桌面(并且
__COMPAT_LAYER=HighDpiAware也无法修复)。请使用桌面复制(ddagrab),它能按每个监视器获取原生像素。其offset_x/y是相对于该监视器的。 - 位于第二张 GPU(如笔记本电脑 + 外接显示器)上的监视器并不在适配器 0 上:需要使用
-init_hw_device d3d11va=dx:<adapter> -filter_hw_device dx以及在-filter_complex中的ddagrab=output_idx=<n>。rec.ps1 start接受-Adapter和-Output参数;如果遇到“Failed to enumerate DXGI output”错误,请尝试 0/1。 - 写入 MPEG-TS(
-f mpegts)格式:录制会通过终止进程来停止,而 MP4/MKV 会在这种情况下丢失文件头。 - 在自然的断点处分割成片段(例如设置阶段 / 用户输入 / 一次较长的等待过程)。一个长时间的缓慢过程片段没问题,因为剪辑时会加速等待部分。
- 当用户操作时,简要地转述每个后台步骤报告的内容以及下一步需要按什么键。
4. 查找关键瞬间
不要逐帧拖拽视频。制作带时间戳的联系表并阅读它们:
python scripts/sheets.py <clip.ts> --every 10(查看整个片段),然后使用 --from 170 --to 236 --every 2 --crop 900:560:1020:0 在每个点击附近进行更精细的查找,以确定提案出现、按钮按下、页面加载的精确秒数。
记下每个步骤的(片段,开始时间,结束时间)以及哪些时间段是等待时间。
5. 旁白
lines.txt:每行对应一个场景(故事的一个步骤),写为字幕文本。使用简短的英语口语,说明“为什么”而不仅仅是“做了什么”。voice.py 中有一个 SAY 映射表,定义了符号的朗读方式(例如 #92 → “ninety-two”, /goal-new → “goal new”, CI → “C I”);字幕保留原始内容。默认语音为 en-US-AndrewNeural,语速加快 4%;使用 python -m edge_tts --list-voices 列出可用语音。使用 --only N 重新为某一行配音。
6. 构建
scripts/build.py:SCENES 是一个场景列表,每个场景是一个由 (clip, start, end, speed) 组成的片段列表:
- 用户的点击操作使用 1–2 倍速;浏览器页面使用 2–4 倍速;机器工作使用 6–40 倍速,并添加一个
▶▶ N×徽章(当速度 ≥ 3 时绘制); - 如果一个场景的时长小于
LEAD + 其对应的台词时长 + TAIL,则会保持其最后一帧(tpad),以确保旁白不会提前结束; - 输出
youtube/<名称>-youtube.mp4(视频 + 语音,使用-c copy),youtube/<名称>-youtube.en.srt(每行按字符比例分割成约 70 个字符的提示),以及一个缩略图。 --burn参数还会写入<名称>-captioned.mp4,其中包含烧录的字幕。
目标时长为 1.5–3.5 分钟。如果旁白留下长时间静音,应加快场景速度,而不是填充废话。
7. GIF
GIF 不是视频的简单加速版:它只包含关键步骤。scripts/gif.py:HIGHLIGHTS = (clip, start, end, speed, crop),每个片段时长 3–7 秒,进行裁剪(1280×720 的帧内窗口:例如某个面板、网页、菜单),然后缩放至 960×540,帧率 8 fps,使用一个调色板(palettegen stats_mode=diff,paletteuse dither=none diff_mode=rectangle)。无字幕,无徽章。将 GIF 文件大小控制在 10 MB 以下(GitHub 的图像限制),总时长保持在约 60 秒以内。通过平铺每个高光片段的最后一帧并查看图像来检查效果。
8. 交付
在视频文件夹中创建一个 README.md 文件:包含视频内容说明、输出文件表格、每个源文件和脚本的用途、录制者的帧率设置及任何捕获过程中的异常情况,以及如何重新构建(重新配音 → 构建 → 制作 GIF)。主动提出记住该文件夹的位置。