Communitygithub.com

制作视频

将用户的原始人像或屏幕录制转化为带有注释的完整视频,并生成配套的博客、社交媒体和 YouTube 发布内容。自动消除静音、标记错误、添加与转录文字同步的覆盖层(代码高亮、单词高亮、列表、对比图、示意图、章节标签、放大效果等),并提供可预览的审阅流程。

制作视频 是什么?

该技能旨在将用户的原始录制(人像或屏幕录制)转化为高质量、带注释的成品视频。它通过一个严谨的流水线完成:P1 阶段使用 `auto-editor` 仅检测静音段,然后用 ffmpeg 无损切割;P2 阶段根据 `mistake-detection.md` 检测错误并让用户通过可视化预览(而非终端表格)决定剪切或变速;P3 阶段调用专业的 `/transcribe-video` 技能生成带有单词时间戳的最终转录文件;P4 阶段根据 `overlay-triggers.md` 自动策划覆盖层方案,包括代码高亮、单词高亮、列表、对比图、图表和区域标签,并强制要求用户批准后才构建(使用 `hyperframes` 和 `gsap` 实现);P5 阶段提供实时预览循环,仅在用户明确下令后才以近无损 CRF 12 渲染;P6 阶段将最终转录内容委托给 `youtube-copy`、`blog-post` 和 `social-copy` 等专门技能,生成 YouTube 元数据、博客文章和各平台社交媒体文案。该技能支持 Claude Code、Cursor 和 Codex 等 AI 代理平台,并内置了非功能性的质量约束:所有操作必须保持原始视频质量,不得低质量重编码。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/AlemTuzlak/skills/tree/HEAD/skills/produce-video

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

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)

  1. 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。
  2. 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。
  3. 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。
  4. 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:
    <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)
    
    所有后续阶段都写入 <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)

  1. 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)。
  2. 根据 references/mistake-detection.md 检测标记(剪切 + 变速),对齐到单词边界。
  3. 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”)。
  4. 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。
  5. 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。
  6. 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)

  1. 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。
  2. 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)。
  3. 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。
  4. 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。
  5. 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 0 muted 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:
    npx hyperframes render --output <OUT>/final.mp4 --crf 12
    
    (从 <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:

  1. 使用 extract-frame.mjs 提取帧(单个帧)。
  2. 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 hyperframes CLI)。
  3. 输出:UI 边界框 + 归一化坐标。
  4. 使用稳定防护来确保检测到的 UI 是稳定的(不是动画/过渡)。
  5. 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。

Individual skills in this repo

This repo contains 14 individual skills — each has its own dedicated page.

AlemTuzlak/skills

Use when the user wants to write a blog post about a feature, product change, PR, git diff, or any technical topic - accepts marketing briefs, PRs, git refs, codebase paths, or freeform descriptions as input

AlemTuzlak/skills

Use when the user wants to generate a changelog, release notes, or document what changed between versions, tags, or PRs

AlemTuzlak/skills

Use when writing, editing, or organizing documentation, when planning what docs a feature needs, and whenever planning or implementing a new feature or change in a repo (docs ship with the code). Also use when tempted to write docs without showing the discovered readers to the user, without asking for tone, or without loading simple-english and i-have-adhd. Triggers on "write docs for X", "document this feature", "add a guide", "update the docs", "reorganize the docs", "plan feature X", "implement X", or /docs.

AlemTuzlak/skills

Use when a bug is in play: a test fails, CI is red, an API returns the wrong result, a stack trace appears, or the user says it is broken or fix this. Don't use for a new feature with no failure, for types-only work, or for docs.

AlemTuzlak/skills

Use when the user invokes /i-have-adhd, says they have ADHD, or asks for ADHD-friendly output. Also used as a required writing filter by the docs skill. Don't use for marketing copy or after the user says "stop adhd mode" or "normal mode".

AlemTuzlak/skills

Use when a settled change must be turned into an ordered stack of small blocks before anyone implements. Don't use for unsettled intent, typos, comments, formatting, docs-only work, or writing the implementation itself.

AlemTuzlak/skills

Use when the user wants to write a product update email, feature announcement newsletter, or digest email for users or subscribers

AlemTuzlak/skills

Use when the user runs /prove-it or says prove it, prove the changes, show me in the browser, or asks to prove a UI or API change. Don't use only because the agent is about to say done, for types-only work, or for docs with no behavior to prove.

AlemTuzlak/skills

Use when the user wants to write, draft, or author an RFC (Request for Comments) / technical design doc for a feature, change, or architectural decision. Interactively interviews the user, grounds the proposal in the actual codebase, presents 2-3 concrete API/code-snippet approaches to choose from, then writes a review-ready RFC. Triggers on "write an RFC", "draft an RFC", "RFC for X", "design doc for X", or /rfc.

AlemTuzlak/skills

Use when the user wants to deeply learn a new topic from scratch. Runs a pre-interview (current knowledge, end-goal proficiency, depth, practice load, background, scope), researches online (articles, niche-influencer blogs, canonical docs, subtopic landscape), then produces a structured markdown course with mandatory visual diagrams, evidence-based learning-science features (retrieval practice, spaced callbacks, worked-example fading, concept ledger, jargon gate, analogy hygiene), and a self-contained interactive HTML mini-course. Triggers on /teach-me, "teach me about X", "I want to learn X", "deep dive on X", "create a course on X", "study X with me".

AlemTuzlak/skills

Use when the change intent is already settled and the agent must map what a behavior change touches before an implementation plan or any code. Use for new features, bug fixes, and refactors that move a boundary. Don't use for typos, comments, formatting, lockfile-only diffs, docs with no code, or while the user is still deciding what they want.

AlemTuzlak/skills

Use when the user wants to transcribe a video or audio file to text with word-level timestamps — spins up a self-contained local Whisper (whisper.cpp) Docker service bundled in this skill and returns transcript.txt, transcript.srt, and word-level transcript.words.json. Also used as a building block by /produce-video. Triggers on "transcribe this video", "get a transcript", "transcribe-video".

AlemTuzlak/skills

Use when the user wants to write a video script for a product demo, feature walkthrough, launch video, or social media video about a feature or product change

AlemTuzlak/skills

Use when the user wants YouTube metadata for a video — a click-worthy title, an SEO/above-the-fold description, tags, and timestamped chapters. Accepts a transcript (ideally timestamped SRT), a topic, a PR, or a freeform description. Used standalone and by /produce-video. Triggers on "youtube title", "youtube description", "youtube chapters", "youtube tags", "youtube metadata", "youtube-copy".

相关技能