alyshadotmd/视频剪辑

对镜头素材处理

目标：将一段长录制或同一脚本的多个录制文件，自动生成紧凑的粗剪版本，由每一句台词的最佳拍摄片段拼接而成。语音直接衔接，每个单词完整，最终剪辑听起来像一次干净的录制，无需返工。

此技能专为 Claude Code 和 Runneth 构建。需要：

• ffmpeg 用于测量音频、抓取静态帧和剪辑视频。
• 所有语音的时间戳： 提供每个单词时间的语音转文字工具（Whisper, faster-whisper, whisper.cpp）。
• 评估画面的方法： 见下文“如何判断拍摄片段是否为最佳”。
• 检查脚本 位于 scripts/cut_check.py（依赖python3、numpy和ffmpeg）。

以日常平实的语言与剪辑师沟通，每次只提一个想法。

开始之前：工具

在Runneth中，所有工具已安装：跳过此节。

在Claude Code中，此技能需要 video-editing-setup 技能安装的免费视频工具。静默检查 ~/.video-editing-tools/bin/ffmpeg -version 是否可运行。如果可以，则在技能需要 ffmpeg、ffprobe 或 python3 的位置使用 ~/.video-editing-tools/bin 中的工具（ffmpeg、ffprobe、python），然后继续。如果不行，请先执行 video-editing-setup 技能，然后再返回此处。

步骤 0：开始前快速检查两项

1. 文件确实是剪辑师想要的那个。 如果他们说这是一个补拍或新片段，且与之前某个片段的长度或场景相同，请在一行内询问后再开始。

2. 按此格式提出一个问题，包含两个选项：

   “您希望我先展示要保留的拍摄片段，还是直接进行剪辑？”

   • 先展示给我看 → 遵循以下所有步骤，在步骤4处停下等待剪辑师确认。
   • 直接剪辑 → 从头到尾执行所有步骤，不中断。最后一次性提及任何不确定的地方。

   如果剪辑师已说明选择（如“直接剪”、“先展示拍摄片段”），则跳过此问题。如果无人回答，则视为“直接剪辑”。

步骤 1：获取语音信息

1. 检查每个录制文件的长度、方向和帧率（使用 ffprobe）。如有多个录制文件，为每个文件指定一个简单标签（视频A、视频B、视频C），并对所有文件执行以下每个步骤。
2. 从每个录制文件中提取音频：ffmpeg -i IN.mov -vn -ac 1 -ar 16000 audio.wav。
3. 标记每一段语音：ffmpeg -i audio.wav -af silencedetect=n=-35dB:d=0.3 -f null -。静音之间的片段即为语音岛。每个单词都在某个语音岛内，且语音岛比任何转写时间戳更精确。
4. 用单词时间戳进行转写。使用 faster-whisper：模型为 base，word_timestamps=True，condition_on_previous_text=False，并提供一个 initial_prompt，列出视频中可能出现的人名和品牌词。更大的纯英文模型会悄悄清理重述部分，这会掩盖本技能需要看到的虚假开始。
5. 长片段中，转写结果可能漂移或遗漏。每个语音岛都需要有对应的单词。当某个语音岛没有单词，或单词似乎在静音间缺失时，仅对该片段重新转写：窗口从语音岛前约1秒开始，到语音岛后约1秒结束，并关闭任何语音过滤器（vad_filter=False）。
6. 短时重新转写的窗口有时会凭空生成结尾处的单词（如“Thank you very much”、“Thanks for watching”）。只保留位于语音岛内且符合台词的单词；堆叠在同一时间戳的单词是生成的。
7. 修正明显的姓名和品牌词误听。如果有脚本，将其作为台词的基准；如果没有，则以转写文本为基准。

步骤 2：分组拍摄片段

1. 将素材拆分为台词（一个句子或一个想法），并将所有录制文件中每个台词的所有尝试分组。同一脚本的多个录制文件构成一个拍摄片段池：台词1同时比较来自视频A、B、C的每一次尝试，每个尝试标记其来源录制文件（“视频B，第3次”）。通常，尝试以相同的开头几个单词开始。
2. 一个拍摄片段从一次尝试的开始起，到其最后一个单词的结束为止，直到下一次尝试开始。
3. 将每个拍摄片段标记为 完整（说完整个台词）或 虚假开始（中途停止）。
4. 台词内的每个短语算作单独片段。一个台词可以由不同拍摄片段中的最佳短语组合而成（如第一句来自第4次，第二句来自第2次），包括虚假开始中的干净片段。

步骤 3：评估每个拍摄片段

每个台词（包括只说一次的台词）的每个拍摄片段都要进行评估。每个短语的最佳版本胜出，无论它来自哪个拍摄片段或顺序。当段落之间的连接干净时（见规则7），从这些最佳片段构建台词。使用“如何判断拍摄片段是否为最佳”，并在拍摄片段文件（模板：templates/takes.md）中为每个拍摄片段写一行：台词、拍摄次数、时间、观察结果、保留与否以及简短理由。

如何判断拍摄片段是否为最佳

判断的内容在两种情况下一致，但观察方式取决于工具：

• 在Runneth中（或任何可将视频发送给可观看视频的模型如Gemini的设置），让该模型观看每个录制文件，并依据“如何判断拍摄片段是否为最佳”评估每个重复的台词，同时考虑语气、重音、笑话时机和犹豫。将您自己的选择从发送给它的内容中分离出来，以保持两个判断独立。当模型选择与您不同的拍摄片段时，采用模型的选择。始终从转写文本和语音岛获取时间，而不是从视频模型获取：其时间戳会漂移，有时会跳过台词。
• 在Claude中（无法观看视频），从它可以自行检查的三方面判断：
  1. 文字（转写文本）：完整的台词，无磕绊、无填充词、中间无重启。
  2. 声音（每个片段的 astats）：音量平稳，无削波，无爆音或噪音突发。
  3. 画面（静态帧）：每个重复台词一张图，包含每个片段的堆叠，每秒2帧：ffmpeg -nostdin -ss START -t LENGTH -i IN.mov -vf fps=2,scale=160:-2,tile=10xN take.jpg，每个片段一个，堆叠成一张图。查看这些图中与“如何判断拍摄片段是否为最佳”相关的所有内容。
• 带声音的屏幕录制： 评估措辞、声音，以及指示或点击是否与所说的内容匹配。

步骤 4：展示选择结果（仅当剪辑师要求先查看时）

1. 展示剪辑清单：每个保留片段一行，包含 start-end 和精确保留的文字。密切接近的选择标上“（接近选择：第2次同样干净）”，以便剪辑师知道注意哪些地方；明确选择无需注释。仅在需要解决的阻塞问题时添加一行简短说明（如无法辨识的单词）。
2. 剪辑师确认、替换拍摄片段（“将台词4改用第2次”）或删除某句台词。他们的更改生效，即使后续视频模型反对。当替换时，如果未说明原因，用一个简短问题询问原因。他们的原因即是技能学习的方式（步骤7）。

步骤 5：构建剪辑

剪辑非常紧凑：语音各处直接衔接，包括保留的拍摄片段内部。短语之间的思考停顿和呼吸被剪掉。唯一的保持时间是结尾帧约0.5秒。

1. 边界来自语音岛，而非转写文本。每个保留片段从其语音岛的第一个声音开始，到最后一个声音结束。第一个单词前的呼吸、唇音和处理噪音可能超过-30dB并被缝合到语音岛中，因此片段应在其第一个单词的开始处开始（电平跳升到语音水平，通常-25dB或更高），而不是在第一个细微的杂音处。片段开始或结束时的任何呼吸或噪音片段都要剪掉。结束方向相反：台词常常轻声结束（如“asleep at night”说得轻柔），因此即使最后一个单词比其他部分安静，片段也应在最后一个单词之后结束。检查剪辑的转写文本中是否包含每句台词的最后一个单词。
2. 保留拍摄片段内的停顿 使用更敏感的检测 silencedetect=n=-30dB:d=0.2，并剪掉所有0.25秒或更长的停顿。拍摄片段内的重启和重复单词也需剪掉，只保留干净的最终措辞。
3. 每个片段两侧各留约0.05秒的缓冲。 更多会留下停顿；更少会截断单词。然后将每个边界对齐到完整帧（起始时间向下取整到前一个帧，结束时间向上取整到后一个帧）。帧之间的边界会导致连接处重复或丢失帧，这会使每个后续剪切点移动一两帧，并在放置B-roll时让多余的帧通过。
4. 短于约0.3秒的片段几乎总是残留（多余的一个音节）。除非它们包含一个完整单词，否则丢弃它们。
5. 在每个连接处添加20毫秒的音频淡入淡出，并从工作副本开始一次重新编码以合并所有内容。原始文件保持不变。
6. 将片段列表（[[start, end], ...]，以秒为单位）保存为 clips.json；检查脚本会读取它。

步骤 6：在剪辑师看到之前检查剪辑

剪辑师看到的每个版本都已通过对该文件的所有检查。未运行的检查视为失败。

1. 运行检查脚本： python3 scripts/cut_check.py --voice audio.wav --clips clips.json --out CUT.mp4。它检查三项，并打印 RESULT PASS 或 FAIL：
   • 结尾： 每个片段的最后50毫秒低于语音水平（-30dB）。如果不是，则单词被截断：将该结束时间向后移动到电平下降处。
   • 开始： 每个片段开始前的30毫秒内无声音，确保片段不会在单词中间开始。
   • 间隙： 剪辑中任何位置（除结尾保持外）无0.25秒或更长的停顿。 如果有多个录制文件，对每个录制文件单独运行一次：使用该录制文件的音频作为 --voice，只包含该录制文件的片段在 clips.json 中，每次都使用相同的剪辑作为 --out。 如果声音来自与画面不同的文件（独立麦克风），则使用相同的剪辑位置同时处理摄像机的自带音频，并将其作为 --camlock 传入，以便脚本检查同步（每3秒偏差不超过40ms）。
2. 每个单词完整出现一次： 用单词时间戳转写剪辑，并与剪辑清单逐词比较。连接处的半词意味着边界太紧。连接处的重复单词或短语意味着残留的重启。 单词之间无空音： 在该转写中，一个单词结束到下一个单词开始之间的间隙不得超过约0.3秒（除结尾保持外）。脚本中的间隙检查只发现安静停顿；充满呼吸的停顿足够响亮可以通过，因此单词间隙检查能捕捉到这一点。将片段修剪到其第一个单词处，并重新运行所有检查。
3. 每个连接逐一检查： 对于每个剪切点，说出它之前的最后一个单词和它之后的第一个单词，并确认两者都被完全说出。转写每个连接点周围2秒的窗口进行检查（泛泛的“有问题吗？”会让截断的单词漏网）。在Runneth中，也让视频模型以挑剔的首次观众身份观看剪辑，并列出有问题的位置及时刻：截断或遗漏的单词、故障、冻结帧、突兀的跳跃。
4. 长度： 剪辑的长度应与剪辑清单总长度一致。

修复所有失败项，重新剪辑，然后重新运行所有检查。

步骤 7：从剪辑师处学习

每次剪辑师替换拍摄片段、修改边界或说明某个拍摄片段更优的原因时，将该原因转化为通用规则，并合并到下面的“如何判断拍摄片段是否为最佳”中（如果涉及剪辑紧凑度，则合并到步骤5中）。保持列表简短：重写和合并规则，而不是堆叠新规则。只有剪辑师的原因能改变规则。

如何判断拍摄片段是否为最佳

这些规则来自一位剪辑师在她自己的对镜头视频中的真实选择。按顺序应用，然后随着剪辑师的原因逐步替换为属于您自己的规则。

1. 完整清晰地说出整句台词。 磕绊或漏词的拍摄片段无论如何都不如干净的，即使画面再好。
2. 脸上不能有遮挡物。 手或麦克风遮住嘴巴的拍摄片段被排除。
3. 活力。 手势、动作和生动的表达优于静止、平淡的朗读。
4. 最开心的表情。 在两个同样干净的拍摄片段中，真正的微笑和明亮的眼睛胜出。
5. 表情与台词匹配。 在笑料上睁大双眼，在愉快的台词上展露真笑。
6. 自然平稳的节奏。 不要急促，不要长时间停顿。
7. 最佳片段、干净拼接。 最佳拍摄片段无论来自哪个录制文件都胜出，当每个部分都是更好的版本时，由两个拍摄片段组成的台词优于一个完整的拍摄片段。当说话者的头部和手部在两侧大致位于相同位置时（检查前后帧），或者当拼接点稍后被B-roll覆盖时，拼接是干净的。录制文件之间的切换还需要两侧具有相同的视觉外观（头发、灯光、构图、手中的产品）；当外观变化时，切换应发生在台词之间，并会被B-roll或变焦变化覆盖。
8. 简短有力。 当台词的其余部分重复已说过的内容或拖慢视频节奏时，只保留最强的部分（例如“直到我筋疲力尽”代替“我直到用完才知道它有多大帮助”）。
9. 接近选择保持为接近选择。 当两个拍摄片段同样干净且画面无实质差异时，选择一个并标记为接近选择。静态帧无法体现语气，因此不要假装其中一个明显更好。

每次剪辑的规则

• 剪辑中的每个单词都来自音频。无法辨认的单词标记为不明，从不猜测。
• 时间来源于原始录制文件的时间线，剪辑清单中的每个片段都指明其录制文件。
• AI时间接近，但不精确。每个边界根据语音岛设置，并在音频中检查。