Future Captions
一個引導式、逐步進行的字幕工作室。Claude 執行所有動作;使用者僅需上傳、審查和選擇。
基本規則
- 始終與使用者說英文,無論影片或使用者的訊息是何種語言。逐字稿應保留在影片的原始口語語言中——除非使用者要求,否則絕不翻譯。
- 依序遵循步驟,並在每個標記為 ⏸ 的檢查點停止,直到使用者回應。
- 訊息保持簡短友善。絕不顯示使用者不需要的命令、回溯追蹤或檔案路徑;用一句簡單的話總結問題。
- 工作目錄:
/home/claude/fc_work。最終渲染輸出至/home/claude/fc_work/out/;使用者將其下載為 一個以原始影片命名的 ZIP 檔案(例如Interview 01.mp4→Interview 01.zip),置於/mnt/user-data/outputs/並透過present_files傳送。 - 腳本位於此技能的
scripts/資料夾中(下文簡稱$S)。請先解析實際路徑,例如S=$(dirname "$(find /mnt/skills -path '*future-captions/SKILL.md' | head -1)")/scripts。
步驟 0 — 歡迎與上傳
如果尚未附加任何影片,請回覆以下格式的訊息並停止:
🎬 歡迎使用 Future Captions。 請上傳您想要添加字幕的影片(MP4、MOV 或 WebM),我將為您處理後續。
⏸ 等待上傳。上傳的檔案位於 /mnt/user-data/uploads/。如果同時上傳了多個影片,請詢問使用者要先為哪個影片添加字幕。
步驟 1 — 轉錄
- 每次工作階段安裝一次引擎(靜默):
pip install -q sherpa-onnx soundfile --break-system-packages - 用一行話告訴使用者您正在轉錄(工作階段的第一次執行也會從 GitHub 下載語音模型,約 600 MB,這需要一分鐘),然後執行:
python "$S/transcribe.py" "<video>" --out-dir /home/claude/fc_work- 所有操作都在沙盒中離線執行,使用 sherpa-onnx。語言會自動偵測(Whisper tiny),透過 Silero VAD 找到語音,並自動選擇引擎:
- Parakeet TDT 0.6B v3 適用於 25 種歐洲語言(英語、葡萄牙語、西班牙語、法語、德語、義大利語、荷蘭語、波蘭語、俄語、烏克蘭語等)——具有精確的逐字時間。
- Whisper small 適用於任何其他語言(日語、中文、韓語、阿拉伯語、印地語等)——逐字時間是在每個短語內估算的。如果
transcript.json中的word_timing為"estimated",請用一行話告訴使用者卡拉 OK/逐字同步將是近似值,並且預設 03(電影)最適合此語言。
- 如果偵測結果錯誤,請使用
--language <code>(例如--language pt)重新執行。 - 如果模型下載失敗,請告訴使用者:"我無法下載語音模型。請確保程式碼執行具有對 github.com 的網路存取權限,然後傳送訊息給我以便重試。" ⏸
- 如果報告沒有音訊或沒有語音,請說明情況並停止。
- 所有操作都在沙盒中離線執行,使用 sherpa-onnx。語言會自動偵測(Whisper tiny),透過 Silero VAD 找到語音,並自動選擇引擎:
- 使用兩個選擇按鈕:「核准逐字稿」和「編輯逐字稿」 來顯示逐字稿供審查:
- 如果有可用的工具能渲染內嵌 HTML 小工具(例如 Visualizer 的
show_widget),請建置審查面板並完全按原樣渲染所生成檔案的內容:python "$S/make_review_widget.py" /home/claude/fc_work/transcript.json /home/claude/fc_work/review.html面板會列出每個編號的片段及其時間戳記,並包含兩個按鈕。編輯逐字稿會將每個片段就地轉換為可編輯的文字方塊(附有儲存變更 / 取消);清除文字方塊則會刪除該片段。在其前面寫一行簡短的文字,例如 "這是您的逐字稿。請核准它或直接在面板中編輯。" 並且不要以文字形式重複逐字稿內容。 - 否則,在程式碼區塊中完整顯示
/home/claude/fc_work/transcript_review.txt,然後如果有可用的可點擊選項工具(選項:核准逐字稿,編輯逐字稿),則使用該工具呈現兩個選擇,或者以文字形式提問。
- 如果有可用的工具能渲染內嵌 HTML 小工具(例如 Visualizer 的
⏸ 等待使用者的選擇。
步驟 2 — 套用編輯(重複直到核准)
- 「逐字稿已核准」(或「核准逐字稿」)→ 前往步驟 3。
- 「在面板外部選擇了編輯逐字稿」(備用路徑)→ 回覆:"好的。請將您想變更的行數傳送為
[N] new text(每行一個),或傳送[N] (delete)來移除一個。您也可以描述時間修正,例如「字幕感覺晚了」。" ⏸ - 「套用這些逐字稿編輯:」 後面接著
[N] text/[N] (delete)行數(由面板的「儲存變更」按鈕傳送,或由使用者輸入)→ 將每行轉換為一個操作,並在一個命令中全部執行。
將編輯內容(以及任何自由形式的請求)轉換為 edit_transcript.py 的操作。數字始終指向使用者看到的審查內容,即使多個刪除動作連續執行時也是如此:
| 使用者說 | 操作 |
|---|---|
[3] new text /「第 3 段應該說…」 | --set 3 "new text" |
[7] (delete) /「移除第 7 段」 | --delete 7 |
| 「將所有 Jon 替換為 John」 | --replace-all "Jon" "John" |
| 「第 2 段從 00:12.4 開始,到 00:15 結束」 | --timing 2 00:00:12.400 00:00:15.000 |
| 「字幕出現得太晚 / 太早」 | --shift -0.2(提前)/ --shift 0.2(延後) |
| 「合併 4 和 5」(單獨執行,會重新編號) | --merge 4 |
| 「在 'today' 這個詞之後分割第 6 段」(單獨執行,會重新編號) | --split 6 K(K 為該詞在片段中的位置) |
命令:python "$S/edit_transcript.py" /home/claude/fc_work/transcript.json <operations>
然後用一行話說明哪些片段已變更,並再次顯示審查內容,如同步驟 1.3 所述(使用 make_review_widget.py 重建面板,或顯示程式碼區塊 + 兩個選擇)。⏸
步驟 3 — 選擇文字樣式,然後選擇預設樣式
使用者依序選擇:文字樣式(標點符號、大小寫)、佈局(單行或雙行),然後選擇預設樣式。
- 如果有可用的工具能渲染內嵌 HTML 小工具,請完全按原樣渲染
assets/preset_preview.html(讀取檔案並傳遞其內容),並在其前面加上一行簡短的文字,例如 "請先選擇您的文字樣式,然後選擇預設樣式。" 面板包含:- 1 · 文字樣式:標點符號(保留 / 隱藏)和大小寫(照口語 / 小寫 / 大寫);佈局(單行 / 雙行)。每個預覽都會即時更新。
- 2 · 選擇預設樣式:六個關於「The Future is Now!」的動畫預覽。每個選擇按鈕會一次性傳送所有選擇,例如
使用預設 05 · 雙行 · 標點符號: 隱藏 · 大小寫: 大寫。
- 否則(沒有小工具工具):
a. 首先,如果有可用的可點擊選項工具(否則以文字形式),詢問文字樣式:標點符號 →
保留標點符號/隱藏標點符號;大小寫 →照口語/小寫/大寫。⏸ b. 然後使用這些選擇渲染預覽片段並呈現:for p in 01 02 03 04 05 06; do python "$S/render.py" --demo --preset $p --lines 1 --punct <keep|hide> --case <original|lower|upper> --out-dir /mnt/user-data/outputs/previews; donec. 詢問預設樣式(01–06)和佈局(單行/雙行)。⏸ - 預設樣式,用於需要描述時:
- 01 · 卡拉 OK — 粗體現代無襯線字體;一個圓角彩色方塊在朗讀詞彙時滑過。
- 02 · 優雅 — 現代襯線字體;每個詞從模糊中浮現,然後整行向上淡出。
- 03 · 電影 — 經典電影字幕:乾淨、清晰的文字;每個字幕以硬切方式取代前一個,無動畫。
- 04 · 逐字 — 一次一個粗體單詞,無動畫(佈局不適用)。
- 05 · 動態卡拉 OK — Bricolage Grotesque 字體;單詞扭轉跳入,一個黃色方塊在滑向朗讀詞時伸展並傾斜,朗讀詞跳起並變暗;高亮的詞使方塊變成粉紅色並放大;每個字幕以上升並縮小方式退出。
- 06 · 卡通 — 漫畫字體(Bangers),帶有粗輪廓和實心陰影;單詞以彈性伸縮和俏皮傾斜的方式彈入,朗讀詞變成黃色並抖動,然後單詞一個一個彈出。其字母形狀看起來始終是大寫的。
將答案對應到標誌:標點符號保留/隱藏 → --punct keep|hide;大小寫照口語/小寫/大寫 → --case original|lower|upper;行數 → --lines 1|2。隱藏標點符號會保留屬於單詞或數字的標點符號(I'm, bye-bye, $120,877.50, 50%)。
步驟 4 — 渲染與交付
- 僅限預設樣式 05 和 06 — 選擇高亮單詞。 讀取已核准的逐字稿,並選擇最有影響力的單詞或短語(數字和金錢、名稱、強烈情緒、妙語、令人驚訝的詞)——大約每兩三個字幕選一個,每個字幕不超過一個。將它們作為
--emphasis "grand prize,congratulations,really"傳遞。交付後,用一行話告訴使用者您高亮了哪些詞,以及他們可以更改這些詞。 - 告訴使用者渲染已開始(大約需要影片長度的 1–3 倍時間)。
- 執行(技能產生的每個 MOV 都必須保持 QuickTime Animation 格式並帶有 Alpha 通道,以便 After Effects 讀取透明度——切勿更改
render.py中的編碼器設定):python "$S/render.py" --video "<video>" --transcript /home/claude/fc_work/transcript.json --preset <01-06> --lines <1|2> --punct <keep|hide> --case <original|lower|upper> [--emphasis "..."] --out-dir /home/claude/fc_work/out --zip-to /mnt/user-data/outputs輸出名稱來自上傳影片的檔案名稱,因此 ZIP 檔案為/mnt/user-data/outputs/<video name>.zip。切勿重新命名。 當使用者要求時的選用標誌:--scale 1.2(更大的文字)、--accent "#FF4D6D"(方塊/作用中單詞顏色)、--emph-color "#34D1BF"(05/06 的高亮顏色)、--text-color "#FFE14D"、--position middle|top、--webm(額外的網頁友好 Alpha 檔案)。 腳本結尾會顯示After Effects alpha check: OK。如果改為列印 WARNING,請勿交付 MOV:重新執行一次;如果再次失敗,用一行話告訴使用者透明檔案未通過檢查,並僅交付 MP4 和 SRT。 - 使用
present_files交付,先傳遞 ZIP 檔案,然後傳遞/home/claude/fc_work/out/<name>_captioned.mp4,以便使用者可以在聊天中觀看結果。不要單獨呈現其他檔案。告訴使用者 ZIP 檔案<name>.zip包含一個資料夾<name>/,其中有:<name>_captioned.mp4— 已內嵌字幕的影片。<name>_captions_alpha.mov— 僅有字幕的透明背景影片,採用 QuickTime Animation 格式(32 位元 ARGB,「數百萬種以上顏色+」),After Effects 可原生匯入其 Alpha 通道。尺寸、影格率和持續時間與原始影片相同:將其放置在時間軸 0:00 處影片上方的圖層,它會自動對齊。同樣適用於 Premiere Pro、DaVinci Resolve 和 Final Cut Pro。如果邊緣看起來有光暈,請右鍵點擊素材 → 解讀素材 → 主要 → Alpha:Straight – Unmatted。<name>.srt— 一個標準字幕檔案(用於 YouTube 或播放器,作為額外功能),採用相同的文字樣式。<name>_captions_alpha.webm— 僅在使用--webm時產生。
- 用一行話結尾,提供調整選項:大小、顏色、位置、高亮單詞、文字樣式、不同的預設樣式,或單行/雙行。調整僅需重新執行步驟 4——除非使用者上傳新影片,否則無需重新轉錄。
疑難排解
- 上傳的檔案太大:建議導出較短或解析度較低的副本(1080p 已足夠),或在 Claude Code / Claude 桌面版中執行此技能,因為它可以從磁碟讀取檔案。
- 字幕時間在某處偏移:使用
--timing修正該片段;如需全域偏移,請使用--shift。 - 螢幕上文字過多:使用
--scale 1.15重新渲染(每行容納更少的單詞)或選擇單行。 - 直向影片(9:16)會被自動偵測,字幕會放置得較高,避開社交應用程式的按鈕。