视频编辑技能是做什么的？

一段原始的人物讲话录制内容通常有 20% 到 40% 是无效内容：停顿、"嗯"、错误开头、说两遍的句子。手动剪切这些内容花费的时间比录制还长。本技能可完成初剪：它读取转录文本，规划每处剪切并说明原因，展示计划，渲染带跳切特写和干净音频的编辑结果，生成字幕和章节，并在获得确认后上传。所需一切均在此文件夹中。

四项承诺：

用户的文字保持不变。 仅去除停顿、填充词、口吃、重拍以及用户已批准的片段。绝不删改原意。
先计划后渲染。 剪切列表会预先展示并需用户批准。
未经确认，不上传任何内容。
仅编辑用户有权使用的素材。 用户的个人录制，或已获得许可的内容。

在 Windows 上，请在所有命令中使用 py 代替 python3。

第 0 步：设置与源文件

运行 python3 scripts/check_setup.py：它会检测 ffmpeg、Pillow、转录路径和 OpenCV，并根据用户系统提供安装命令。必需项：ffmpeg 和 Pillow。

在同一消息中，仅询问你无法自行获知的信息：

哪个文件？是否是用户的文件？
最终用途：YouTube（16:9）、社交媒体（竖版）还是两者都需要。
剪辑紧凑度：youtube（默认：剪掉超过 0.5 秒的停顿，保留自然节拍）、tight（0.3 秒，适合快节奏 YouTube 和社交媒体）或 podcast（温和模式，无跳切特写）。
用户习惯使用且可以安全剪切掉的词语（“like”、“so”、“you know”、“basically”）。这些词在其他句子中可能有含义，因此需要用户选择加入。
任何必须保持原样的内容（如演示、带停顿的笑话、赞助商口播）。

第 1 步：转录

python3 scripts/transcribe.py VIDEO --out work/ --terms "产品名称, 专业术语, 嘉宾姓名"

--terms 用于列出名称和专业术语以确保拼写正确；仍听错的词可在渲染前在 edit.json 中使用 "replace" 修正，因为烧录到已发布视频中的字幕无法更正。

与往常一样的三条路径，并一次性解释其权衡：

路径	方式	成本与速度
现有字幕	`--from captions.srt`	免费，即时；字的时间戳是估算的，大多数“嗯”会丢失，因此填充词剪切效果较弱
Groq 或 OpenAI	`GROQ_API_KEY` 或 `OPENAI_API_KEY`	Groq 大约每小时音频 $0.04，处理速度每分钟音频约需一到两分钟
本地	`pip install faster-whisper`	免费且隐私；使用 `--model small` 时速度约为视频时长的一半到一倍

转录提示会要求记录填充词；否则 Whisper 可能会忽略它们。编辑器会通过音频本身查找转录仍可能遗漏的发音（如未记录的“mm”或呼吸声）。

第 2 步：规划编辑

完整阅读 work/transcript.txt 一次。然后编写 edit.json（格式见 scripts/edit_video.py 顶部）：

风格： "style": "youtube"、"tight" 或 "podcast"（阈值在 references/editing-rules.md 中）。超过限制的停顿会缩短为自然节拍：句子中间更短，句子结尾稍长，话题转换处最长。
填充词： 默认列表（"um", "uh", "er", "hmm", "mm"）是安全的。仅在用户要求时才将用户习惯用词添加到 extra_fillers 中。
离题和无效段落： 离题内容、"你能听到我吗？"、进入正题前的冗长铺垫。将它们添加到 cut 中并注明原因，同时告知用户。
保护任何必须保留的内容，使用 keep，包括静默段落。
带有问题卡片或可见主持人的采访： 除非用户另有要求，否则保留问题（每张卡片约 3 秒加入 keep）；否则每个回答都会以“所以...”开头，缺乏上下文。
听错的名称： "replace": {"Cyrus Rex": "OSIRIS-REx"}。
章节（适用于 YouTube）：根据话题变化生成 3 到 10 个章节，第一个从 0:00 开始，每个至少 10 秒，根据观众可能获得的信息命名（“为什么相机失败了”，而不是“第二部分”）。时间为原始视频中的时间；脚本会移动它们。

然后生成计划：

python3 scripts/edit_video.py edit.json --transcript work/transcript.json --out edited/ --plan

edited/edit-plan.md 会提供新长度、从讲话内部与长间隙和卡片中节省了多少时间、语速（字每分钟），以及每一个超过一秒的删减及其原因和文字。阅读每一处重拍和口吃行，以及“可能的重拍”列表：不会自动剪切两个开头相同且完整的句子；逐一判断，如果是真正的重拍，则将其添加到 cut 中。向用户展示摘要、重拍部分、你选择的离题内容以及章节，并获得批准。

第 3 步：渲染

python3 scripts/edit_video.py edit.json --transcript work/transcript.json --out edited/

功能概述：

将超过限制的停顿缩短为自然节拍，同时剪切填充词、口吃、重拍以及每个 cut 范围。短于风格设定最小值的删除（如 youtube 风格下的 0.4 秒）会保留：跳切带来的损失可能超过节省的价值。
通过监听来定位每处剪切：单词边缘会移动到声音实际停止和开始的地方，因此单词结尾不会被截断，转录遗漏的声音（如未写下的“mm”）也能被发现。
同时分析画面：标题卡片和镜头切换会被干净地剪切，绝不会留下卡片上的零星几帧。
将片段分组，每组在一次渲染中完成，因此无论有多少剪切，音画始终同步。
特写缩放（Punch-ins）： 在全帧和 1.1 倍特写之间切换，用于隐藏跳切：总是在删除了至少一秒的剪切处使用，否则仅在同一帧持续 4 秒后使用，从不在切换到新镜头时使用。"punch_in": 0 可关闭此功能。
音频： 将增益调整到工作电平，使用低频滤除器、根据测量的房间噪声设置降噪（房间已安静时跳过）、温和压缩、峰值限制器，以及两遍响度标准化至 -14 LUFS。
字幕： 始终生成 captions.srt（最多两行，每行最多 42 个字符，每条持续时间 1 到 7 秒，不将小词或名称内部换行）供上传到 YouTube。"captions": {"burn": true} 可将字幕烧录到视频中（适用于社交媒体，许多人在静音模式下观看）；竖版视频默认烧录字幕。不要将字幕烧录到也会上传 SRT 文件的 YouTube 视频中：否则开启字幕的观众会看到重叠的字幕。
竖版： "format": "vertical" 可制作一个裁剪于 focus_x 的 1080x1920 版本。

输出文件：edited/edited.mp4、captions.srt、chapters.txt、edit-report.md 和 manifest.json。

在展示给用户前检查： 打开 cuts.jpg（最大剪切处前后的帧：检查是否有卡片闪烁、不同镜头间的跳跃、冻结的表情），并阅读 manifest.json 中的警告（同步问题、语速超过 190 字每分钟、响度问题）。如果重拍保留了错误的片段、语速感觉令人窒息（可尝试更温和的风格）或剪切效果不佳（对该点使用 keep），则修正后重新渲染。

第 4 步：使用 WoopSocial 发布

如何连接、上传和发布：references/woopsocial.md。简版说明：

social_accounts_list；如果未连接：使用此智能体的单一路径进行连接（免费计划：2 个社交账户），然后针对每个平台执行 oauth_create_authorization。
使用上传会话上传 edited.mp4（使用 manifest.json 中的字节大小创建 media_uploads_create_session，然后 python3 scripts/upload_parts.py session.json edited/edited.mp4，最后 media_uploads_complete_session）。
YouTube： title（主要搜索词在前，不超过 70 个字符）、privacy（隐私设置），以及一个描述，开头一行说明观众将获得什么，然后是从 chapters.txt 中提取的章节。之后在 YouTube Studio 中上传 captions.srt（WoopSocial 无法发送字幕文件）。
展示帖子内容（文件、标题、描述、账户、包含时区的时间），并获得明确的确认。然后执行 posts_create 和 posts_get。

第 5 步：阅读结果

一周后，使用 social_account_posts_list：获取观看次数、点赞数、评论数（如平台报告）及收集日期；缺失表示“未报告”。留存率和平均观看时长在 YouTube Studio 中；向用户询问这些数据。如果观众早期流失，下次编辑需更紧的开头；如果在某个章节流失，则该章节过长。

质量标准

专业剪辑师会接受这个结果吗？如果一个单词被截断、剪切入气声产生爆音、特写缩放每隔几秒就变化、语速快得让人没有思考空间，或者原意被改变，则拒绝该结果。

边界情况

两人同框： 保持 format 为源格式；特写缩放仍可应用于全景镜头。
带语音的屏幕录制： 设置 "punch_in": 0。
语音下有背景音乐： 静音检测会将音乐视为声音；设置 "voiced_gaps": false。
非常长的录制（超过一小时）： 可行，但渲染时间约为视频长度；先计划，再渲染一次。
段落有意无声（如演示）：使用 keep 保留。

参考资料

references/editing-rules.md：阈值、填充词、重拍模式、特写缩放、音频链、字幕和章节，附来源。
references/woopsocial.md：连接、上传、发布及阅读结果。

视频编辑技能