Communitygithub.com

影片剪輯

指導 AI 代理人如何規劃、建立或剪輯「影片」,具體產出為一個標誌和一張小型品牌風格表。流程涵蓋影片剪輯、工作流程、1. 在專案中建立作業資料夾。當新任務需要此技能時使用。

影片剪輯 是什麼?

此技能將 AI 代理人(例如 Claude Code、Cursor、Codex)轉變為專業的影片剪輯師,能夠處理原始素材並產出精緻的成品。它提供了一個完整的、逐步的工作流程,從分析素材(透過建立接觸頁和轉錄稿)開始,接著規劃剪輯、撰寫編輯決策表(EDL),然後渲染並審查輸出。代理人可以根據預設值自主做出許多決定,但對於關鍵的創意選擇(如平台、長度或主題)則會尋求使用者意見。該技能支援多種輸出格式(9:16、16:9、1:1),並包含自動字幕、音樂同步、色彩校正和品質檢查(包含音量分析)等功能。最終產出包括剪輯後的影片、字幕檔案 (.srt)、以及一份詳細的剪輯描述,以便順利交接給使用者。

相容平台✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/fujiezee/cutvideo/tree/HEAD/.claude/skills/video-edit

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

影片剪輯 是做什麼的?

你是剪輯師。使用者僅提供素材;你觀看素材(接觸頁 + 轉錄稿)、決定故事與剪輯方式、撰寫 EDL、進行渲染、審查自己的渲染成果,並反覆迭代直到成果良好。只有在選項確實屬於使用者且無法推斷時才提出問題(請參閱「預設值」)。

腳本位於 .claude/skills/video-edit/scripts/(使用 python3 執行)。需求:ffmpeg、含 numpy、opencv-python、Pillow 的 Python 3;以及用於轉錄稿的 faster-whisper(pip3 install --user faster-whisper;模型將於首次使用時下載)。可選:rembg 用於角色介紹中更乾淨的去背。

工作流程

1. 在專案中建立作業資料夾

將所有內容放在目前專案的 edits/<job-name>/ 目錄下(非 /tmp):檔案工具只能讀取專案內的圖片,且你需要查看這些頁面。

J=edits/<job-name>; mkdir -p $J
S=.claude/skills/video-edit/scripts

2. 分析(觀看素材)

python3 $S/analyze.py IN1.mp4 IN2.mov ... --out $J/work [--music song.mp3] [--lang zh] [--model small]
  • --model: base 快速,small(預設)平衡良好,large-v3 用於困難的音訊。
  • 長時間素材(總長 > 20 分鐘)需要數分鐘;請在背景執行。
  • 對於沒有重要語音的素材,添加 --no-transcribe。

然後使用「讀取」工具閱讀 $J/work/summary.md,並打開 $J/work/sheets/ 中的每個接觸頁。每個圖塊標示為 v<n> s<shot> m:ss.xx。據此,為自己撰寫一份簡短的內容記錄:誰/什麼/在哪裡、最佳時刻(附時間戳)、弱鏡頭(模糊、過暗、晃動、重複)、說話內容以及自然的故事順序。如果需要更仔細查看某個時刻,請提取影格:

python3 $S/preview.py IN.mp4 --at 12.5 13.0 13.5 --every 999 --out $J/work/look

analysis.json 包含完整資料:鏡頭列表(含 motion / brightness / sharpness / colorfulness / loudness_db / score)、audio.silences、audio.speech_spans、帶有單字時間軸的轉錄稿段落,以及音樂的 bpm、beats、strong_beats、drops。

在添加字幕前修正 ASR 錯誤:聽錯的詞彙放入 subtitles.replace;缺失或時間軸錯誤的詞彙則直接在 analysis.json 中修正(保留原始檔案的副本)。檢查姓名、數字以及字幕將要強調的任何詞彙。

2b. 當被問及素材可以變成什麼:風格選單

python3 $S/styles.py $J/work/analysis.json [--exclude 588-708 v2:0-5]

寫入 work/styles.md:素材特徵(對話密度、可引用台詞、動作、人臉、特寫、靜態肖像、平靜廣角鏡頭、暗色/霓虹鏡頭、類似音樂的音訊)以及每種風格的評分與理由、支援鏡頭和差距。首先查看頁面並排除片尾、場記板和測試素材(--exclude,以秒為單位)。然後根據你所看到的內容檢查排名最前的風格,憑判斷力刪除或添加風格,並呈現選單:每種風格一行說明「它會是什麼樣」(故事/外觀)、格式和長度,以及缺少什麼。提供剪輯多種版本的選項;每個被選中的風格隨後都會獲得自己的計劃(步驟 3)。

3. 設計剪輯:在任何 EDL 之前撰寫 $J/plan.md

永遠不要直接從素材跳到 EDL。從 reference/editing-playbook.md 中選取一種方法,然後按照以下結構撰寫計劃:

# 編輯計劃:<job>
目標 / 觀眾 / 平台:...            格式:9:16 1080x1920,約 30 秒,適合裁切
Logline:<此影片的故事一句話說完>
## 結構
| # | 章節 | 時間 | 畫面 (v/鏡頭 @ 來源時間) | 聲音 (對話 / 音樂 / 音效) | 文字 |
|---|---|---|---|---|---|
| 1 | 鉤子 | 0-3 s | v1 s12 @ 41.2 最佳反應 | 「台詞...」+ 爆點 | 標題卡 |
## 音樂
曲目、偏移量、BPM、間奏/重拍落點(釘點)、哪些部分與節拍同步
## 外觀
調色、逐鏡頭修正、轉場與特效預算(哪些剪輯點有強調效果)
## 文字
字幕樣式(純文字 / 卡拉 OK / 雙語)、標題、卡片、角色介紹
## 風險 / 待解決問題
弱素材、缺少的覆蓋畫面、授權/出處、使用者應決定的事項

然後向使用者顯示計劃的簡短摘要(logline、簡要結構、長度、格式、音樂)並繼續進行,除非計劃中有某些因素會改變結果且無法推斷(目的、平台/長寬比、長度限制、哪個人是主角):在渲染前提出這些問題,最多 3 個。如果使用者要求先批准計劃,請等待。EDL 實現計劃;當你在剪輯時偏離計劃,請更新 plan.md。

用於初步處理再手動細修的可選快捷方式:

python3 $S/draft_edl.py $J/work/analysis.json --mode jumpcut|montage --out $J/edl.json \
  [--format 9:16|16:9|1:1|4:5|source] [--duration 30] [--music song.mp3] [--title "..."] [--grade cinematic]

jumpcut 保留語音並刪除靜音(使用轉錄稿);montage 選取評分最高的鏡頭並與節拍同步。草稿永遠不是最終剪輯:移除你在轉錄稿中發現的重拍、填充詞和錯誤,為故事重新排序,在語音上添加 B-roll 切出畫面、推近鏡頭、標題。

4. 撰寫 EDL

撰寫 $J/edl.json。完整格式:reference/edl.md。最小形狀:

{
  "analysis": "work/analysis.json",
  "output": {"path": "out/final.mp4", "width": 1080, "height": 1920, "fps": 30, "fit": "blur"},
  "grade": "natural",
  "clips": [
    {"src": "v1", "in": 3.2, "out": 7.9, "effects": [{"type": "zoom_in", "amount": 0.08}]},
    {"src": "v2", "in": 0.0, "out": 2.4, "transition": {"type": "fade", "duration": 0.3}}
  ],
  "texts": [{"text": "Title", "start": 0.2, "end": 2.5, "style": "title"}],
  "subtitles": {"enabled": true, "style": "caption"},
  "music": [{"path": "song.mp3", "volume": 0.3, "duck": true}]
}

EDL 中的路徑相對於 EDL 檔案。src 可以是 v1、v2...(來自分析的 ID)。

5. 渲染,然後審查你自己的剪輯

python3 $S/render.py $J/edl.json --draft   # 半解析度,快速:迭代時使用
python3 $S/render.py $J/edl.json           # 最終版本

已渲染的片段快取於 $J/.render/clips/,因此小幅度修改 EDL 後的重新渲染速度很快。該指令會列印時間軸(輸出時間 ↔ 來源範圍)並將審查頁面寫入 $J/.render/review/。打開審查頁面並檢查:長寬比變更後的構圖(頭部被切掉了嗎?使用 focus 或 fit: "blur")、文字可讀性及與人臉的重疊、字幕準確性(使用 subtitles.replace 修正聽錯的詞彙)、黑畫面/凍結影格、節奏、調色一致性。同時對照轉錄稿重新閱讀 $J/.render/subtitles.json。修正並重新渲染。在報告前至少進行一次審查。

你無法聽到結果,因此最終渲染必須使用 --qa 執行:

python3 $S/render.py $J/edl.json --qa      # 或:python3 $S/qa.py OUT.mp4 --subs $J/.render/subtitles.json

它會測量音量(目標約 -14 LUFS)和真實峰值(≤ -1 dBFS),列出長時間靜音,並重新轉錄輸出,以檢查每個字幕在混音中是否仍然可辨識。低於 60 % 的台詞可能被音樂/音效遮蔽、音量太小、或被剪輯點或凍結影格截斷:提高該片段的 volume、降低或淡化音樂、移動剪輯點,然後重新執行。在做出決定前閱讀 .render/qa.json(它顯示了聽到的內容):不符也可能是 ASR 錯誤或錯誤的字幕。同時根據你目標的音樂重拍檢查 --plan / last_render.json 時間軸。在交接時說明混音已透過測量檢查,並要求使用者聆聽。

6. 交付

從同一個剪輯製作其他平台的版本:

python3 $S/render.py $J/edl.json --formats 16:9,9:16,1:1 --qa

每種格式都有自己的輸出檔案(name_9x16.mp4、...):較窄的目標會切換為臉部追蹤裁切,字幕會重新放置和換行,介紹框會重新偵測。在 EDL 中將每種格式的調整放在 "formats": {"9:16": {...}} 下,並審查每一種格式。

提供給使用者:輸出路徑、長度/格式、3-6 行的剪輯描述(故事、使用的關鍵時刻、特效、音樂)、如果有製作字幕則提供 .srt 檔案路徑,以及 plan.md 中任何已更改或無法完成的事項。用一句話提供值得嘗試的替代方案(其他長度、其他格式、不同的音樂)。保留 edl.json:後續的變更請求只需編輯它並重新渲染。

預設值(當使用者未指定時)

  • 格式:與大部分素材相同的方向。「短視頻 / 抖音 / Reels / Shorts / 小紅書」⇒ 9:16 1080x1920;「B站 / YouTube」⇒ 16:9 1920x1080。
  • 長度:談話性頭部 ⇒ 所有有意義的內容,經緊湊剪輯。蒙太奇 / 精華 ⇒ 15-45 秒。社群短片 ⇒ 60 秒以下。
  • 字幕:當有語音時開啟(燒錄在影片中,外加 .srt)。
  • 音樂:僅在使用者提供、或素材沒有音樂且使用者要求音樂時添加。絕不憑空發明音樂來源;如果音樂顯然有幫助但未提供,請在交接時說明。原始語音始終保持可理解(duck: true,音量 0.15-0.35)。
  • 調色:人物/談話使用 natural;旅遊/蒙太奇使用 cinematic 或 teal_orange;除非變更是故意的特效,否則每支影片保持一種調色。
  • 音量:-14 LUFS(自動設定)。
  • 螢幕文字的語言:素材中所使用的語言 / 使用者使用的語言。

須知

  • in/out 是來源秒數;螢幕上的長度為 (out-in)/speed(+ freeze)。
  • xfade 轉場會因其持續時間重疊兩個片段,從而縮短總長度。保持轉場 ≤ 0.5 秒,且短於相鄰的兩個片段。
  • 字幕來自轉錄稿,並自動跟隨剪輯點和速度變更;靜音或倒轉的片段不會產生字幕。手動字幕:subtitles.items。
  • 音樂驅動的剪輯:設定背景音樂的 offset,使其間奏落在你想要的位置,使用 beat_sync 處理動作範圍,使用 start_at_music 標記關鍵時刻,並使用 --plan 檢查。請參閱手冊中的預告片配方。
  • 合成音效(帶有 sfx 的 sounds)不需要樣本檔案;除了在重拍和標題處,應將其保持低於音樂。
  • 角色介紹({"type": "intro"} 效果)會將片段凍結在 at 時刻;片段因 hold 而變長,字幕在凍結期間暫停。box 使用輸出幀座標(裁切/填補後);省略它以從人臉找到人物。極端特寫會自動獲得無去背的外觀。選擇人物靜止且與背景清晰分離的幀(中景,人臉可見)。
  • 卡拉 OK 字幕(subtitles.karaoke)需要準確的單字時間軸:先修正轉錄稿;沒有單字時間軸的字幕會將其單字均勻分佈。
  • 3D:標題使用 text3d 樣式(擠出、漸層表面、flip_in / swing、rotate_x/y);text_behind 片段效果可將大文字放在背景和人物之間(每個影格進行 rembg,約 0.7 秒/影格:在靜態鏡頭上限制使用 3-5 秒);overlays 添加由 headless Chrome 渲染並按亮度鍵控的 three.js 光效(particles、hologram、streaks、grid),因此它們像螢幕混合模式一樣添加光線。將它們用作強調效果,而非每個鏡頭都使用。
  • 建議將文字和手動字幕錨定到片段(使用帶有 start/end 的 "clip": i,或使用來源秒數的 src_start/src_end),而不是使用絕對輸出時間:當片段被修剪、重新排序或轉場變更時,它們仍能保持正確。
  • beat_sync 會重寫片段的 out 點,使剪輯點落在節拍上;設定 every: 2 或 4 以獲得較慢的節奏。
  • 此 ffmpeg 建置可能缺少 drawtext/libass;所有文字均由 Pillow 繪製,因此 Pillow 能打開的任何字體都可以使用(output.font 或逐文字 font)。
  • 從橫向素材產生垂直輸出:fit: "crop" 搭配 focus: "track"(裁切會平移以跟隨主要人臉,或在較寬的鏡頭中跟隨身體;track_hint: "left"|"right"|x 在雙人鏡頭中選擇人物)、"auto"(一個靜態的臉部居中位置)、或 [x, y];或者使用 fit: "blur" 以保留整個畫面。當在少於 30 % 的樣本中找到人物時,追蹤會回退到靜態裁切(非常寬的鏡頭):在那裡手動設定 focus。
  • 凍結幀介紹會自動從語音中移出(音訊在凍結期間暫停);日誌會說明情況。

相關技能