制作视频 是做什么的?
将用户提供的录制转化为成品视频。录制是主轴并驱动时间线;该技能进行剪辑(静音 + 选定的错误/节奏)和增强(覆盖层),然后渲染并生成发布内容。它不会创作合成视频——对于 PR 驱动的合成推广视频,请使用 hyperframes-video。
质量原则(不可妥协):所有视频处理步骤必须保持原始质量。 绝不能让工具以低质量重新编码视频。静音消除和剪切使用原始视频的近无损 CRF 12(auto-editor 仅用于检测静音,从不用于编码——其默认设置会将视频压缩至约 0.6 Mbps),渲染也使用 CRF 12。CRF 能为静态屏幕录制生成小文件,这是全质量,并非有损。
与其他技能的关系(委派任务,不重复劳动)
/transcribe-video— 所有转录功能(返回单词级transcript.words.json)。调用它;不要手动转录。hyperframes— 合成创作规则(视觉标识门、布局优先于动画、时间线契约、视频/覆盖层层级)。在编写/挂载任何合成 HTML 之前必须调用。hyperframes-cli— 所有npx hyperframes命令(init、lint、inspect、preview、render)。gsap— 覆盖层的 GSAP 时间线/缓动模式。youtube-copy— YouTube 标题/描述/标签/章节(P6)。blog-post— 博客文章(P6)。social-copy— X/Bluesky/LinkedIn/Reddit 文案(P6)。
捆绑资源
scripts/desilence.mjs—auto-editor静音消除 + 前后时长。scripts/extract-frame.mjs— 单帧抓取(画面检测 + 屏幕高亮)。scripts/bake-cuts.mjs— ffmpeg 修剪/拼接切割器(密集关键帧),用于 P2。templates/overlays/*.html— 9 个覆盖层子合成模板(按实例填充;子合成是安装的 CLI 中的独立 HTML 文档——请阅读每个文件的头部注释)。templates/project/{DESIGN.md,styles.css}— 视觉标识门 + 覆盖层使用的品牌var(--brand-*)标记。references/—mistake-detection.md、overlay-triggers.md、framing-safe-zones.md、frame-analysis.md。- P6 内容生成已委派给
youtube-copy、blog-post和social-copy技能(无供应商 LLM 脚本)。
门控(不可妥协)
- P2 错误审查必须是可视化的,绝不能是终端操作——每当存在 ≥1 个标记时,代理必须始终构建 hyperframes 标记预览(视频上标记每个被标记的区间),并启动它,以便用户通过观看来决定。不要在终端中以表格/问题的形式向用户展示标记以让其决定,也不要让预览成为可选项或询问“要我展示给你看吗?”——只需构建并打开它。一个简短的终端标记摘要可以接受,但决策面是预览。切勿自动应用剪切/变速。
- P4 覆盖层计划必须获得批准——呈现带时间戳的覆盖层表格;在获得批准之前不得构建。
- 预览始终由代理启动——对于 P2 审查和 P5 审查,代理负责启动
npx hyperframes preview并自行打开浏览器选项卡。切勿要求用户运行预览或打开 URL,也切勿用仅终端的摘要替代实时预览。 - 显式渲染硬门控——渲染仅在用户明确发出渲染命令(“render”、“ship it”)后运行。渲染后,编辑请求返回预览循环,并且在用户再次明确要求之前不会重新渲染。每次渲染都需要自己全新的命令。这会覆盖任何“使用合理默认值/非交互/直接发版”的措辞。
“使用合理默认值”/“不要提问”会跳过配置问题(P0)和迭代提示——它绝不会跳过审批门控、代理启动的预览或显式渲染门控。
流程
预检——检查依赖项和技能(首先运行,在 P0 之前)
在执行任何工作之前验证环境;向用户警告缺少的内容及如何修复。
- auto-editor(P1 静音消除所需):运行
auto-editor --version。如果未安装,暂停并告知用户:“auto-editor 未安装——用pipx install auto-editor(或pip install auto-editor)安装,然后重新运行。” 没有它不要尝试 P1。 - ffmpeg / ffprobe(必须——P2 剪切、P4 帧分析、P5 渲染、音频):运行
ffmpeg -version。如果缺失,暂停并告知用户安装 ffmpeg 并将其添加到 PATH。没有它流水线无法运行。 - Docker(用于
/transcribe-video):docker info。如果守护进程关闭则发出警告(启动 Docker Desktop)。 - Node >= 22:
node --version。如果版本过低则发出警告。 - 所需技能——确认这些技能可用(尝试调用/检查技能列表);为任何缺失的技能及其阻塞的阶段发出警告:
transcribe-video(P2/P3 转录)、hyperframes+hyperframes-cli+gsap(P2/P4/P5 合成和渲染)、youtube-copy+social-copy(P6)。blog-post仅在用户选择博客时使用(P6,可选)。
- 在一个简短的区块中总结预检结果(哪些存在,哪些缺失)。仅当用户明确表示要跳过缺少的必需依赖项/技能时,才继续执行(并说明降级的结果)。
P0 — 输入和配置
- 输入:原始录制的路径(必需)。
- 可选:用于真实代码基础的项目/文件;视觉风格/品牌(否则运行
hyperframes视觉标识门——从项目中检测,否则询问 3 个风格问题;将templates/project/DESIGN.md+ 品牌值写入styles.css);覆盖层密度(稀疏/平衡/丰富)。 - 单一输出文件夹(
<OUT>): 该技能产生的所有内容都放在一个文件夹下,默认为<recording-dir>/<video-slug>-produced/(可用用户提供的路径覆盖)。现在创建它。最终结构:
所有后续阶段都写入<OUT>/ final.mp4 # 渲染的视频 (P5) hyperframes/ # HyperFrames 项目:index.html、styles.css、DESIGN.md、compositions/、renders/ (P4–P5) transcript.txt # 最终编辑后的转录 (P3 / P6) transcript.srt transcript.words.json youtube.md # P6 socials.md # P6 blog.md # P6 .work/ # 中间文件:01_desilenced.mp4、02_edit_N.mp4、frames/ (P7 可清理)<OUT>内——不要将输出散布到其他位置。下面的<work>=<OUT>/.work。
P1 — 静音消除(无损)
node scripts/desilence.mjs <input> --out <work>/01_desilenced.mp4 --margin 0.3s
desilence.mjs 仅使用 auto-editor 检测静音区间(--export v3),然后使用 ffmpeg 以近无损 CRF 12 剪切原始文件,保留原始音频。不要让 auto-editor 对输出进行编码——其默认重新编码会将视频压缩至约 0.6 Mbps,并永久模糊画面(尤其是人脸);任何下游码率都无法恢复。报告前后时长和移除的秒数。这成为工作副本。
P2 — 错误和节奏审查循环(审批门)
- 转录工作副本:在工作副本
<work>/01_desilenced.mp4上调用/transcribe-video,使用--out <work>→ 工作转录(中间文件;在 P3 最终转录后被覆盖)。 - 根据
references/mistake-detection.md检测标记(剪切 + 变速),对齐到单词边界。 - 始终(每当存在 ≥1 个标记时)构建视觉审查。 搭建一个轻量级的 hyperframes 项目,以消除静音后的视频作为基础轨道;在视频上放置视觉上不同的临时标记,每个标记的区间(剪切 = 红色斜线,变速 = 琥珀色快进,每个都标记有摘录及其索引)。代理启动
npx hyperframes preview并自行打开浏览器(根据references/framing-safe-zones.md)。这是决策面——切勿用终端表格代替。终端中最多可以有一个一行的备注(“在预览中标记了 3 个错误——查看并告诉我哪些要剪切/变速/保留”)。 - 用户观看标记的预览,并对每个区间选择:剪切/变速(因子,默认约 1.5–2×)/保留/添加自己的区间。
- 烘焙选择 →
<work>/02_edit_N.mp4,然后重新预览:- 剪切: 使用
node scripts/bake-cuts.mjs <input> --out <work>/02_edit_N.mp4 --cut s,e --cut s,e …(ffmpeg 修剪/拼接,默认近无损 CRF 12——一次性相同地修剪视频和音频)。不要使用auto-editor --cut-out进行错误剪切——其可变参数错误地将最后一个区间分配为位置输入,它会有损地重新编码,并且选择过滤器方法会导致音频不同步。 - 变速:
auto-editor --set-speed-for-range speed,s,e(保留音调);每次调用传递一个区间,或--set-speed-for-range放在命令行末尾,以避免同样的可变参数陷阱。 - 所有剪切/变速时间戳基于消除静音后的时间线(标记来源的转录)。在同一轮中针对该时间线应用剪切和变速。
- 剪切: 使用
- 循环直到用户说“完成”。漂移防护:大约 10 轮后,提供重置到更早的中间文件。最终产物:
<work>/final_cut.mp4。
剪切和变速在此处(P3 之前)烘焙到视频中,以便最终转录的单词时间戳与编辑后的时间线匹配。
P3 — 最终转录
在 <work>/final_cut.mp4 上调用 /transcribe-video,使用 --out <OUT>,以便 transcript.txt / transcript.srt / transcript.words.json 位于输出文件夹的顶层。这个带有单词时间戳的转录是所有覆盖层(P4)的同步源,也是内容生成(P6)的输入。
P4 — 覆盖层设计与构建(审批门)
- 画面检测(
references/framing-safe-zones.md):使用extract-frame.mjs采样帧,分类阶段,与用户确认阶段和安全区域。 - 覆盖层触发检测(
references/overlay-triggers.md):扫描带有单词时间戳的转录 → 覆盖层计划行{start, est_duration, type, content, safe_zone, why}。对于屏幕上的代码,使用references/frame-analysis.md(提取帧 → 定位 → 归一化框 → 稳定性防护)。对于代码卡片,如有可用项目则使用,否则合成(标记为合成)。 - 自我改进循环(≥2 次迭代):遵循密度,强制执行间隙和停留最小值,根据活动阶段的 safe_zone 验证每个覆盖层。
- 审批门: 呈现带时间戳的表格;用户编辑/删除/重新计时/添加。合成的代码要显示供验证。在获得批准之前不得构建。
- 构建(首先调用
hyperframes+gsap):npx hyperframes init <OUT>/hyperframes --video <OUT>/.work/final_cut.mp4(项目位于<OUT>/hyperframes;基础:视频轨道 0muted playsinline;音频在单独的轨道上,音量为 1,以便语音播放)。阅读生成的index.html以了解此 CLI 版本的子合成包含语法。- 将
templates/project/styles.css(包含已确认的品牌值)复制到<OUT>/hyperframes。 - 对于每个已批准的行:实例化匹配的
templates/overlays/*.html,为其分配一个唯一的合成 id +data-composition-id,填充其{{tokens}},设置data-start= 转录时间戳,data-duration= 停留时间,挂载到视频上方。放大效果缩放视频的包装器 div(而不是<video>)。 - 输出尺寸继承源录制。
- 可读性(不可妥协):所有覆盖层文本在任何视频背景上都必须清晰可辨。 每个文本组都放在一个近乎不透明的深色面板上(
rgba(8,10,14,0.92),圆角,微妙的边框/阴影);标题/正文为白色(var(--brand-text)),次要/说明/元数据为浅石板色(#CBD5E1)。切勿将var(--brand-accent)/var(--brand-primary)用于正文/副标题/说明文本——强调色仅用于条形、边框、标记扫描、图标和大号显示词(并且仅当它们在面板上通过约 4.5:1 对比度时)。如果不确定,使文本为白色。npx hyperframes validate(WCAG 对比度)必须通过,零对比度警告。
P5 — 预览和渲染(强制由代理启动预览 + 显式渲染门)
npx hyperframes lint+npx hyperframes inspect(溢出 + 安全区域)+npx hyperframes validate(对比度)。修复直到干净。- 代理启动
npx hyperframes preview并打开浏览器。 自由迭代循环调整覆盖层。 - 渲染前审计:每个覆盖层在其所处阶段的安全区域内;停留时间最小值;没有两个覆盖层同时争夺同一区域;lint/inspect/validate 干净。
- 仅在用户明确发出渲染命令时: 以近无损 CRF 12 渲染。默认
standard质量编码约 1.4 Mbps,会明显压碎视频;始终传递低 CRF:
(从npx hyperframes render --output <OUT>/final.mp4 --crf 12<OUT>/hyperframes运行。CRF 12 是近无损的;不要使用--video-bitrate期望大文件——对于静态屏幕录制,CRF 以小文件提供全质量,这是正确的,不是低质量。)最终的 mp4 保留原始音频。渲染后,进一步的编辑将返回循环,并需要一个新的明确渲染命令。 - 质量说明: Chrome 捕获是无损的 1:1 屏幕截图(已验证:渲染输入 == 文本和人脸的输出),因此低 CRF 渲染会保留提供给它的视频。唯一会破坏质量的是有损的上游步骤——这就是为什么 P1 静音消除和 P2 剪切都使用原始视频的近无损 CRF 12。不要添加额外的重新编码传递。对于绝对零代差的视频,一个高级路径是仅将覆盖层渲染为透明的
--format webm/mov,然后用 ffmpeg 将它们合成到剪切后的视频上(放大效果随后通过 ffmpeg 应用)——很少需要。
P6 —— 内容生成(委派给专门技能)
通过调用专门技能来生成发布内容,每个技能都基于最终编辑后的转录(P3——传递带时间戳的 transcript.srt,以便 YouTube 章节获得准确时间),将每个输出写入 <OUT>:
youtube-copy→<OUT>/youtube.md(引人注目的标题、清晰的描述、高转化率的标签、带时间戳的章节)。social-copy→<OUT>/socials.md(各平台独立的帖子和线程:X/Bluesky/LinkedIn/Reddit)。blog-post→ 仅当用户选择时<OUT>/blog.md(SEO 优化的博客文章)。youtube-copy、blog-post和social-copy技能也使用transcript.srt,以便 YouTube 章节时间戳自动匹配。- 此阶段不生成文案——所有文案都由委派的技能生成。
P7 — 清理(可选)
询问用户是否要删除 <OUT>/.work/(由于自动编辑器日志和帧提取,可能很大)。
参考文档
(这些文件在 references/ 目录中,但在使用此技能时应仔细阅读。)
mistake-detection.md — 错误检测和区分
定义错误检测标准。每个错误标记必须分类为:
cut— 明显失误(长度超过 N 秒的沉默/填充词/重复/口误),需要在转录中进行剪切。界定的最佳视觉表示:时间轴上红色斜线标记。ramp— 次要的不熟练/节奏问题(短暂思考、细小的填充词),值得变速(1.5–2×)。时间轴上琥珀色快进标记。none— 其他问题,无需操作。
使用转录和/或转录的单词级 JSON 检测点。
overlay-triggers.md — 覆盖层触发器
定义如何扫描转录以确定放置哪种类型的覆盖层。覆盖层类型:
code/code_highlight:提及函数、算法、代码段。word_highlight:关键术语/定义/概念(第一次或强调出现)。list:枚举(“第一... 第二...”、“三个原因”)。comparison:对比(“相比于”,“一方面... 另一方面...”)。diagram:解释性图表/流程图有利的抽象概念。section_label:主题变化(“现在让我们讨论...”、“接下来我们要...”)。punch_in:演示细节/代码的实际操作部分,或简短的视觉细节。
密度指南:
sparse:仅章节标签 + 每个代码块首次的重要代码高亮。balanced:章节标签 + 每次重要代码高亮 + 关键单词/关键列表的单词高亮。rich:上述所有 + 对比图 + 用于关系的图表 + 用于图示的重点细节的放大效果。如果处于说明/演示模式,这包括密集的放大效果序列。
framing-safe-zones.md — 安全区域
对于内容类型:
talking_head:安全区域 = 中心(避免覆盖面部)。中心 = 整个视频画幅的中心 75%。覆盖层不能与说话者重叠。screen_share任何区域都不安全——覆盖层必须放在不遮挡重要 UI 的地方。检测关键 UI 或使用帧分析。
帧分析(extract-frame.mjs → frame-analysis.md)用于精确定位屏幕分享中的 UI 元素。
frame-analysis.md — 屏幕分享的帧分析
使用 extract-frame.mjs 提取单个帧并进行图像分析。目标:定位屏幕分享视频中的 UI 元素,以避免覆盖层遮挡它们。
过程:
- 使用
extract-frame.mjs提取帧(单个帧)。 - 分析帧以识别 UI 元素的位置(工具栏、标题、代码行、文本框、按钮、终端区域)。使用任何可用的图像分析工具(通过
hyperframesCLI)。 - 输出:UI 边界框 + 归一化坐标。
- 使用稳定防护来确保检测到的 UI 是稳定的(不是动画/过渡)。
- 为每个已识别的 UI 区域产生安全区域覆盖。
framing-safe-zones.md(为 talking_head 和 screen_share 扩大)
对于 talking_head,为了防止覆盖层与说话者面部重叠,始终检测说话者面部(如果可能是面部则使用帧提取或分析)。如果无法检测,则使用基于中心的区域:中心 = 整个视频画幅的 75%。覆盖层在放置于中心区域之前不应与说话者重叠。
对于 screen_share,不适用的安全区域——改为使用 frame-analysis.md 来避免 UI 元素。