Calypso 播客片段
請從儲存庫根目錄執行 ./scripts/calypso.py。CLI 語法與 JSON 範例請參閱 README。請保留原始檔案,並將中間檔案存放在 work/ 目錄下。
若為引導式執行,請一次提供一個可操作步驟,並說明如何驗證結果。當使用者希望自行執行步驟時,請使用其實際路徑提供指令。當使用者要求 Codex 執行時,請在授權範圍內執行 CLI 步驟。從該原始檔案最新驗證過的產出物繼續進行。
在實作前先確認選擇
當一個步驟存在多個可行方案時,請在將其納入編輯計劃、指令碼、CLI 指令或匯出操作前,先請使用者選擇。列出選項、推薦一個,並解釋實務上的取捨。建議的預設值為第一個呈現的選項。對於該片段已確認的選擇,請繼續沿用;僅暫停那些依賴未決選擇的工作。在等待期間,可繼續檢查原始檔案或收集證據。如果原始檔案或工具限制僅餘一條可行路徑,請先說明該限制再繼續。
此原則適用於:逐字稿與脈絡方法、故事結構與剪輯點、音訊與轉場、如何識別或處理不明確的說話者輪次、圖解放置時機,以及是否重複使用 Calypso CLI 或撰寫自訂編輯指令碼。請從原始檔案驗證剪輯點與裁剪範圍。針對任何需要假設才能進行的遺漏輸入或未決決策,請提出詢問。
尋找錄音檔並進行逐字稿
請使用提供的原始檔案路徑,若錄音檔案不明確則請使用者提供。探查可用的音訊串流,選擇對話音軌。當模型可用時,推薦使用 Yogurt-inspired 流程 (參考 references/yogurt-context.md) 中的在地化 Whisper large-v3-turbo 與 Silero 工作流程。標準的 transcribe 指令可使用已設定的 Whisper 模型,或當檔案存在時使用 --model models/ggml-base.bin。對於同一原始檔案,如其現有逐字稿品質足夠,請重複使用已驗證的版本。確認 JSON 檔案包含可用的對話內容與相對於原始檔案的時間戳記。
若 Whisper 的 Metal 後端或 Excalidraw 的 Chrome 啟動在 Codex 沙盒中失敗,請以適當權限重試,或提供指令讓使用者在一般終端機中執行。若失敗的逐字稿已建立了一個工作目錄,請使用一個全新的工作目錄。
建立單集脈絡
使用 Yogurt-inspired 流程 (參考 references/yogurt-context.md) 中的在地化筆記步驟。在提出編輯建議前,先繪製出整集節目地圖。將主題與回顧連結到帶有時間戳記的逐字稿行。記錄哪些內容曾被提出、爭論或被視為假設。將筆記與逐字稿交叉比對,當音訊混雜時,對於說話者的歸屬保持不確定性。當意義取決於畫面內容時,請檢查前後文與樣本畫面。
提出完整的故事
從觀眾應帶走的訊息開始。找出鉤子或問題、理解它所需的最少背景脈絡、解釋與回報。即使故事弧跨越數分鐘或答案在很後面才出現,也要標記出有潛力的故事弧。除非使用者要求不同的結構且產出的編輯仍能保留原意,否則請保留原始順序。
對於多部分故事,請另外儲存一個 story-arcs.json 檔案,包含:穩定 ID、標題、重點、完整的原始檔案區間、有序且不重疊的保留範圍、包含原因的刪減範圍、預估編輯後長度,以及任何需要短暫視覺橋接的接合點。使用相對於原始檔案的秒數,並為每個保留範圍記錄逐字稿行 ID。刪除重複、離題與靜默,同時保留附帶條件與必要的鋪陳。比較每個建議接合點兩側的對話內容,並標記不明確的接合點以供音訊預覽。呈現原始檔案區間與預估編輯後長度,讓使用者能判斷差異。
包含較短的連續片段,當它們能傳達完整觀點時。將這些儲存在 clips.json 中,並使用 list 指令呈現。目前的 render 指令每個 ID 只接受一個連續區間。對於選定的多部分編輯,請使用一個單獨的粗剪步驟,並在將編輯視為最終版本前預覽接合點。詢問片段 ID 及任何遺漏的佈局選擇。渲染使用者核准的選取。
請求主講人錄製旁白
口語音訊請使用原始對話與主講人錄製的補錄音軌。除非使用者明確更改此偏好,否則請避免在粗剪與最終匯出中使用合成或模擬人聲。
當開場、轉場或事實更正需要新的語音時,請為主講人提供每個補錄的精確稿子、其放置位置、預估長度,以及明確的檔案名稱或拍攝標籤。接受簡短的單獨錄音,或一次錄音但在各次拍攝之間有明顯停頓。在主講人錄音期間,準備好編輯與視覺素材。對於任何需要但尚未取得補錄的中間預覽版本,請使用靜態文字卡片。
當錄音檔案送達時,將每個拍攝對應到其提示點,移除多餘的靜默,使其音量與播客對話相符,並調整卡片時間以配合錄製好的語速。檢查接合點,並確認最終匯出內容僅包含原始對話與主講人錄製的補錄。
準備取景與圖解
對於需要圖解的直式片段,首先推薦已確認的佈局:將主講人畫面裁切至活動說話者,將該裁切放在畫面上方,並保留下方區域放置大型圖解。當左方主講人說話時顯示之,當右方主講人發言時切換。從此錄影的畫面與對話中判斷左右。當兩種安排皆可行時,提供圖解在主講人上方或下方的選項,並確認放置方式。若片段並非全程使用圖解,詢問當圖解不在畫面上時應在圖解區域顯示什麼。
- 主講人上方圖解:當使用單一區間與靜態圖解時,使用
render --layout combined --framing <turns.json> --diagram <diagram.png>。請在手機尺寸下檢查文字。 - 定時圖解或多部分編輯:若 CLI 無法表達已確認的時機或佈局,可使用專用的渲染指令碼。在獲得核准的情況下,保持主講人上方圖解的取景方式。在編輯計劃中記錄所選的裁切、佈局與圖解提示點。在考慮了剪輯與卡片之後,將相對於原始檔案的時間轉換為編輯後的時間軸。
- 其他佈局:使用
speaker搭配--framing進行僅主講人的裁切,使用original進行全景拍攝,或使用diagram搭配--diagram進行僅有圖解的影片並帶有原始音訊。透過combined但不使用--framing可獲得全景拍攝在上、圖解在下的畫面。
對於固定的雙人鏡頭,請檢查全解析度畫面,並為每個座位進行裁切,使其包含主講人的臉部與肩膀。使用已核准的方法(例如手動審查、獨立麥克風音軌,或在模型設置後使用在地化 pyannote.audio Community-1)來建立排序且不重疊的說話者輪次,時間單位為相對於原始檔案的秒數。為每個說話者標籤確認其所對應的座位。當這些選擇重要時,詢問如何處理不確定的輪次、重疊以及簡短的插話。在可行時,為不確定的輪次提供全景拍攝。像 TalkNet 這樣的動態鏡頭偵測器需要單獨的整合與在該影片素材上進行驗證。
對於多步驟的解釋,從選定的片段中推導出節點與箭頭,或使用使用者的 Excalidraw 場景。執行 diagram 指令以產生 PNG 檔案,並保留可編輯的場景。請在手機尺寸下預覽主講人切換與圖解提示的同步效果。
驗證匯出
對每個選定的 ID 與佈局,執行或提供一個 render 指令,並使用不同的輸出路徑。使用 ffprobe 檢查輸出長度、尺寸、編解碼器與音訊。預覽開頭、結尾以及裁切轉場,確認同步、字詞完整及取景可讀。回報輸出路徑與候選片段 ID。在引導式執行中,若使用者想要修改,請展示如何以調整的邊界或不同的佈局重新渲染片段。