Communitygithub.com

Tabcom 视频剪辑 — 竖版视频自动流水线

为 Tabcom 从说话人视频源 + 插图素材自动剪辑竖版视频(9:16),使用 ffmpeg + Pillow 流水线。支持语音时间戳提取、AI 人像抠图、动画字幕场景、连续插图、真实 Logo、缩放/转场/音效等。

Tabcom 视频剪辑 — 竖版视频自动流水线 是什么?

此技能实现了一个完全基于代码的竖版视频(1080×1920,25fps)自动剪辑流水线,专为 Tabcom 品牌设计。它能够自动处理说话人视频源:首先通过 faster-whisper(越南语模型)提取语音时间戳,然后利用 AI(birefnet-portrait)逐帧抠出人像,再组合 Pillow 动态渲染的文本动画、插图(从本地资产或 Unsplash/Pixabay 抓取)、平台界面截图,并加入真实 Logo、缩放转场、闪光过渡及音效。流水线严格控制视觉效果:文本动画的幅度(如弹入从 74% 开始)、过场节奏、以及安全边距(避免 Logo 被遮挡)。它还有一套完整的资产收集与交接规范,要求为每个视频场景连续放置插图(约 25–30 张),并生成附带预览图的 README。最后输出 H.264 编码的视频文件,并在片尾自动拼接 OUTRO 片段。该技能适用于 Cursor、Claude Code 等 AI 编码工具,通过环境变量配置输入/输出路径。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/Annie-246/tabcom-skills/tree/HEAD/plugins/tabcom-video-edit/skills/tabcom-video-edit

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

Tabcom 视频编辑 — 竖版视频剪辑流水线

使用**代码(ffmpeg + Pillow 逐帧渲染)**制作视频,不使用 CapCut 剪辑。用户收到文件后仅在 CapCut 中添加背景音乐 — 字幕由流水线直接生成(2026 年 8 月 18 日确认)。

标准参数:1080×1920,25fps,H.264 crf 19,保留说话人源完整语音。在结尾拼接 OUTRO TABCOM(30fps→25fps 转换后 concat)。

步骤 0 — 开始前阅读

  1. tai-lieu/Phan-tich-video-mau.md(本技能内)— 视频样本分析,5 种标准场景类型。
  2. tai-lieu/quy-tac-video-tabcom.md(本技能内)— 品牌 Logo 约定、文件输出命名规则、插图收集规则。收集素材前必须阅读。

法律/政策内容:素材必须源自原文或官方来源,并在图片下方注明文档名称。

环境准备(每台机器只需一次)

固定素材(字体、背景、渐变卡片、OUTRO、平台 Logo、示例贴纸)已存放在本技能的 assets/ 目录下 — 无需额外下载。检查方法:

python scripts/tabcom_paths.py     # 打印每个素材的 OK/MISSING 表格

需要环境:参见包内 cai-dat/README-cai-dat.md(需要 ffmpeg、python + rembg、faster-whisper、Playwright)。缺少库时告知用户先安装,不要自行创建变通方案。

输入

每个视频是一个文件夹 yy.mm.dd - Ten video/,内含说话人源文件。通过环境变量指定路径,切勿在脚本中硬编码路径:

# PowerShell
$env:TABCOM_SRC    = "D:\Video\26.08.20 - Ten video\source.mp4"     # 说话人源文件
$env:TABCOM_OUT    = "D:\Video\26.08.20 - Ten video\26.08.20 - Ten video (draft v1).mp4"
$env:TABCOM_ASSETS = "D:\Video\26.08.20 - Ten video\assets"          # 该视频专属的插图

所有脚本从 scripts/tabcom_paths.py 读取路径:

变量指向备注
P.FIXassets/co-dinh/背景、分割场景渐变卡片、OUTRO、亮色背景 Logo
P.LOGOassets/logo/已抠图的 Shopee、TikTok、Facebook、Zalo Logo — 新增的保存至此
P.FONTSassets/fonts/ps-display/PS Anton - Regular V1.0.otf(大字),Big Shoulders ExtraBold Viet Hoa.otf(副标题)。字号乘以 1.22 因为字体是 condensed
P.STICKERSassets/stickers/贴纸、平台徽章、示例 PNG 闪光
P.src() / P.out_file()TABCOM_SRC / TABCOM_OUT若未设置则报出明确错误
P.assets()TABCOM_ASSETS当前剪辑视频的专属插图
P.work()./build 或 TABCOM_WORK存放中间帧、片段、遮罩的位置

步骤 1 — 提取语音时间戳(必须执行)

ffmpeg -i "source....mp4" -ac 1 -ar 16000 audio.wav

使用 faster-whisper 模型 small,设置 language='vi',word_timestamps=True,vad_filter=True。

Whisper 可能识别错专有名词("shop"→"SOAP","Tabcom"→"TAPCOM","Shopee"→"Soppy")— 忽略,只需时间戳。制作表格:时间戳 → 正在讲述的内容 → 计划场景类型。

步骤 2 — 收集图片(必须执行,决定视频质量)

用户硬性要求:图片必须连续,每个画面都有图,不允许只有纯文字的画面。一个约 115 秒的视频需要 25–30 张图。

图片来源优先级:

  1. 已预先收集在该视频 TABCOM_ASSETS 文件夹中的会话素材(P.assets())— 先用完它们,不要浪费。
  2. 平台/应用界面截图:scripts/17_collect_platform_images.py — 参见下方 SOP。
  3. 免费素材图片:运行 scripts/16_get_stock_photos.mjs(Playwright + Chrome)。
    • Pexels 被 Cloudflare 拦截("Just a moment...")— 不要浪费时间。
    • Unsplash 和 Pixabay 可以爬取。Wikimedia 仅适合获取 Logo,不适合作为素材图片。
  4. 卖家插画 / AI 生成图(可选):放置在 <VIDEO_ROOT>/tai-nguyen/carousel-hook-video-ban-hang/ 和 <VIDEO_ROOT>/tai-nguyen/generated-carousel/,通过 P.extra("...") 调用。没有也能制作。

使用前检查图片 — 用户会抓这个错误: 打开查看图片实际内容。例如已出现过的错误:股票蜡烛图被用于 "dashboard ads"(错误),手机充电口图片用于 CTA 评论(不相关)。不相关的图片则丢弃,不要为了凑数强行插入。

平台界面截图搜索 SOP(Shopee、TikTok Shop、Zalo、Facebook)

内容中提及某个平台的某功能时,必须提供该功能的真实界面截图。四个来源,通过 scripts/17_collect_platform_images.py 运行:

需要什么命令备注
应用界面(买家和卖家端)play <package>官方来源,越南语,自动裁剪为手机框
无法用机器人打开的应用界面(Shopee Live、TikTok LIVE)page <url-bai-huong-dan> <slug>先通过 WebSearch 搜索相关文章
公开网站(粉丝专页、群组、Zalo OA、Academy、网站)shot <url> <ten>使用 Playwright + Chrome 系统
通用插图bing "<query>" <slug>查询必须具体

已测试可用的 Play 包:com.shopee.vn · com.shopee.shopeeseller(有 销售效果 页面,含 7/30 天筛选 — 适用于所有 "打开分析部分,查看 30 天" 的表述) · com.tiktokshop.seller · com.zing.zalo · com.facebook.katana。

已尝试但被屏蔽,不要浪费时间:shopee.vn(返回 "页面不可用")、tiktok.com/shop 以及 TikTok 个人页面(验证码)、API banhang.shopee.vn 和 Shopee Uni/TikTok Academy 的 SPA 页面(WebFetch/curl 只返回空壳,API 需要登录 Token)、Google Images(HTML 不再包含原始图片 URL — 使用 Bing)。

包含真实截图的越南语文章可重复使用:shopee.vn/blog(官方,优先使用)、misaeshop.vn、cellphones.com.vn/sforum、ghn.vn。不要使用竞争对手的图片(tukigroup.vn)。

收集完成后:运行 sheet out/<slug>,然后阅读联系表进行选择 — 不要仅根据文件名选择。

附带 README 的资产交接(必须执行)

在视频的资产文件夹(TABCOM_ASSETS)中必须包含 README.md 文件,内容包括:每张图片对应脚本的哪一段 · 图片 URL + 页面 URL + 采集日期 · 未能获取的内容 · 编辑注意事项。同时包含 _preview-all.png(联系表),方便用户快速浏览。

三条必须记录并执行的原则:

  • 应用截图中的数据是发行商的示例数据 — 不要当作实际数据解读,不要用作成果证据。
  • 图片中含有账户名、店铺名、评论者姓名 → 在放入视频前裁剪掉或打码。
  • 店铺数据下滑/流量来源图表:不要去寻找 Dashboard 截图来冒充真实数据,也不要在画面上添加 "仅供示意" 标签(参见 "不使用示意标签" 部分)。

步骤 3 — 为分割场景进行人像抠图

重要经验总结: 门控方案(对样本帧使用 birefnet + 对每帧使用 isnet)不够干净 — 跨越多个帧的联合遮罩仍会吞掉头部附近的背景物体(奖杯星星、树叶、椅子边缘),而 "压暗亮区域" 步骤只会把它们变成更丑的黑色块。

正确做法:

  • 保持分割窗口短(≤ 4 秒)。更长的段落应转为全屏素材画面(图片更大,更易看清)。
  • 运行 scripts/15_cutout_birefnet.py:对每一帧使用 birefnet-portrait(约 17 秒/帧;90 帧 ≈ 25 分钟)。这是唯一能获得绝对干净的发丝边缘的方法。
  • 裁切帧:crop=940:1040:70:340(对每个源文件使用 drawgrid 再次确认)。

已确认的分割场景布局:

  • 渐变卡片 800×690,位于 (140, 1226) — 居中于画面。
  • 人物 scale=760:842,overlay=160:1074 — 居中,脚触及底部边缘。
  • 画面上半部分留空给字幕。仅在左下角放置小标签 + 1 张图片 + 1 个胶囊按钮。
  • 在视频中多次使用此布局,不仅限于最后的 CTA — 用户要求多样化(2026 年 8 月 18 日)。规划时必须提前计算抠图成本:birefnet-portrait 在此机器上运行约 50 秒/帧,意味着每秒分割需要约 21 分钟。3–4 个窗口 × 2.5–3 秒合计约 4 小时 — 在后台运行并处理其他工作,不要等到最后一刻。

步骤 4 — 构建场景

scripts/10_scene_helpers.py(图层、胶囊、文本图像、图标、渲染)+ 11_scenes_images.py(每个画面中的图片)+ 12_layout_archetypes.py(多种布局)。

文字动画效果 — 必须多样化,贴合说话节奏

pop(ease-out-back 弹出)、slide(滑动)、wipe(擦除)、slideL/slideR(交替产生锯齿节奏)、blurin(用于图片的模糊淡入)、flip(横向缩放)、shakein(警告胶囊按钮的震动)、none(直接显示,无动画)、float(轻微浮动摇晃)、fly(从 A 点飞至 B 点)、TypeLayer(打字效果用于 Hook/CTA)、CountLayer(数字计数,例如 0→50%,数字停止时带爆发效果)、MarkerLayer(高亮笔在文字后方扫过背景)。

动画幅度 — 用户曾指出 "眼花缭乱、头晕" 的问题(2026 年 8 月 9 日)

生动不等于剧烈弹跳。已确认的参数:pop 从 74% 缩放开始(不是 60%),flip 横向压缩至 48%(不是 15%),shakein 缩放至 84% + 震动 ≤4px,频率 7 次/秒,时长 ≤0.45 秒。整体时间延长约 18%。

开场部分必须比正文更有节奏感:各项间隔 ≥0.4 秒,TypeLayer 的打字速度 ≤16 字符/秒。

在上一场景已经出现的图片,在下一场景应默认直接显示(anim="none",t0=0),不要再次出现动画 — 否则该场景的文字动画会被堆叠,观众会感觉节奏仓促。

不使用 "示意" 标签(2026 年 8 月 20 日最终确认)

禁止在任何位置叠加 "示意" 字样 — 包括图形道具(钱币、图标),也包括自行构建的图表,并且不要在应用截图下方添加 "界面示意图…" 标签。 用户认为这种标签显得杂乱且妨碍观看。以下是在无需标签的情况下保持声明范围的方法:

  • 自行构建的柱状图/图表则保持简洁,不附加任何数字 — 仅进行视觉高低比较(例如 "TREO LIVE" 柱状图低 · "LIVE AI" 柱状图高)。没有数字就不构成结果承诺。
  • 应用/平台截图:在收集素材阶段就选择不显示数据的图片(裁剪掉收入条、店铺名、评论者姓名),而不是保留原样然后添加标签。

叠加在说话人上的覆盖层 — 一种必须使用的剪辑手法,贯穿整个视频(2026 年 8 月 20 日)

不是切换到全屏图形画面,而是将 PNG 序列(RGBA)叠加到说话人图像上:文字以 float 效果轻微漂浮摇晃,放在头部上方的空白区域(避开面部区域,使用 drawgrid 预先测量),插图则排列成说话人下方的横向条带,与桌面齐平。合成方式与分割场景相同:-framerate 25 -start_number 1 -i seq_XXX/%04d.png 然后 overlay=0:0:enable='between(...)'。

不要只在开场部分使用。 用户要求(2026 年 8 月 20 日)将覆盖层视为与全屏图形画面和分割场景并列的一种剪辑手法,并在整个视频中循环使用这三种手法:

类型使用时机成本
全屏图形画面需要列举多个要点、数字、网格、清单的语句低,Pillow 渲染
说话人上的覆盖层只有 1–2 个要点的语句;希望保持说话人画面,保持说话节奏低,Pillow 渲染
分割场景(抠出背景的人像)强调点、总结、CTA高,约 50 秒/帧抠图

节奏目标:每 2–3 个全屏画面插入一段覆盖层,每个视频至少 3–4 个覆盖层窗口,每个窗口持续 2.5–5 秒。覆盖层是实现 "图片连续" 最经济的方式,且无需切断说话人画面。

覆盖层构建规则:

  • 首先使用 drawgrid 测量该窗口实际帧的空白区域。说话人位置和手臂动作在不同段落会变化 — 不检查就复用上一窗口的坐标。
  • 不要遮挡脸部或正在活动的手臂。 文字放在头部上方的空白区域或空闲的肩膀一侧;插图排列在与桌面齐平的横向条带中,或空闲肩膀一侧的竖向列中。
  • 覆盖层背景必须是半透明,不能是实体色块:白色面板透明度 alpha 200–225,圆角 28;或海军蓝渐变遮罩 alpha 0→150 分布在上下边缘。100% 不透明就变成了全屏画面,失去了覆盖层的意义。
  • 文字必须有粗重的描边/阴影,因为背景是真实拍摄画面,亮度和颜色会不断变化。
  • 优先使用 float、blurin、slideL/slideR 等小幅度效果 — 覆盖层位于动态画面上,强烈的效果会显得杂乱。不要在覆盖层上使用 shakein。
  • 仍需保持 Reels 安全区域:文字 y 约 1500 以上,避免右侧列 x > 900。
  • 语音字幕仍保持开启(该框架比较宽敞),除非覆盖层本身就是一个多行清单。

布局 — 不要连续两个画面雷同

已确认的布局类型:全屏图片 + 叠加文字(使用亮色遮罩以确保海军蓝文字可读) · 2×2 网格带标签 · 左侧图片列 + 右侧清单列 · 上半部分图片 + 下方浮动白色面板 · 3 张图片横向排列 · 彩色边框圆形裁剪图片 · 左侧图片 + 右侧滑动胶囊 · 内含图片的双列块 · 大数字 + 辅助图片 · 竖向箭头流程图。

术语必须正确使用

"treo live" — 不是 "chèo live"。这是卖家对回放预先录制视频作为直播回放的称呼。Whisper 总是将其误听为 "chèo live"/"TeoLive";需要在字幕和屏幕文字中手动修正。

上方和下方的安全边距(2026 年 8 月 20 日最终确认)

Tabcom 背景在 y 48–122 处有 Logo,在 y 1829–1872 处有热线/网站。用户曾指出 "文字紧挨 Logo,图片贴着底部边缘" 的问题:

  • 全屏画面的标题胶囊居中放置于 y ≥ 240(顶部边缘距 Logo ≥ 90px)。
  • 所有图片的底部边缘 ≤ 1820。覆盖层的横向图片条带居中放置于 y ≈ 1670(高度约 300),而不是 1770。
  • 文字的上限保持原样:文字和数字终止于 y ≈ 1500 以上。

Shopee 橙色作为第三强调色

ORANGE = (238, 77, 45) — Shopee 橙色 #EE4D2D,与青色和海军蓝交替使用,用于与 Shopee 相关的强调胶囊、箭头、大数字边框,以及字幕中 "SHOPEE"/"SHOP" 关键字的背景色(caption(..., hi_col=ORANGE) — 橙色背景上的文字为白色,青色背景上的文字为海军蓝。使用量:一个约 100 秒的视频中大约 8–12 个橙色元素,不取代青色/海军蓝作为主色。

Tabcom 的 Live AI 图片必须全尺寸显示,不得裁剪(2026 年 8 月 20 日最终确认)

TABCOM_ASSETS/avatar-ai/ 中的 avatar-* 图片为 941×1672 = 9:16 比例(0.563) — 这些是服务产品的图片,裁剪会丢失拍摄设置和两侧产品。用户要求看到完整画面:

  • 所有包含此图片的单元格必须设置为 精确的 0.563 比例:170×302 · 200×355 · 240×426 · 300×533。
  • 不要将此图片放入 circle_photo()(圆形裁剪)或横向单元格 — 使用其他可复用的图片用于圆形框架。
  • 多张 Live AI 图片网格则排列成横向(4 张 230×408)或 3×2 布局,不要使用 2×2 布局,因为窄图片会留下两个大的空白区域。

安全边距(用户曾指出被裁剪的问题)

右侧列:cx ≤ 806 且 maxw ≤ 490(安全框约 1000 × 1920 内)。

步骤 5 — 渲染

python scripts/20_render_pipeline.py   # 渲染全屏图形 + 分割帧

在 P.work() 中生成帧序列。

ffmpeg -framerate 25 -i seq_full/%04d.png -c:v libx264 -crf 19 -pix_fmt yuv420p full.mp4
ffmpeg -framerate 25 -i seq_split/%04d.png -c:v libx264 -crf 19 -pix_fmt yuv420p split.mp4

最后使用 concat 过滤器合成所有片段。

步骤 6 — 输出文件

输出为 TABCOM_OUT 指定的 .mp4 文件。添加字幕和背景音乐在 CapCut 中进行。

故障排除

  • Whisper 识别错误:手动修正专有名词。
  • 抠像不干净:确认使用 birefnet-portrait 逐帧模式。
  • 图片不相关:回退至步骤 2,从官方来源重新收集。
  • 动画过于剧烈:调整动画参数至已确认的数值。
  • 覆盖层遮挡面部:使用 drawgrid 测量并调整坐标。

Individual skills in this repo

This repo contains 2 individual skills — each has its own dedicated page.

相关技能