Communitygithub.com

video-captions

建立與最終語音剪輯精確對齊的字幕(含逐字時間碼與可讀畫面上字幕),支援SRT時間調整、安全定位、轉錄校正及剪輯後的字幕品質驗證。

video-captions 是什麼?

此技能專注於影片字幕的建立與校正,能產生兩種關鍵產出:**逐字時間碼的畫面上字幕**與**完整的SRT旁白字幕**。其核心價值在於確保所有字幕與最終語音剪輯的時序完全同步,避免因語音修剪導致字幕偏移。 使用此技能時,AI 會先依據專案合約與修正後的轉錄稿,比對 ASR(自動語音辨識)與強制對齊結果,確保人名、數字、否定詞、技術用語及非語音線索的正確性。同時維持完整的SRT側車檔案,即使畫面上字幕較為稀疏。 在執行階段,AI 遵循編輯者要求、專案覆寫及預設字幕樣式的優先順序進行分組與排版,確保每組字幕最多兩行且具備可讀性。並會檢查字幕區間、重疊問題、字型呈現及安全邊界,避免與其他 UI 元素衝突。 最後,AI 會進行全面的驗證,包括比對側車字幕與完整語音,實際檢查輸出影片的字幕起始點與運動效果,並提供校驗報告給後續的匯出品質檢查。此技能支援 FFmpeg 或 libass 渲染,並可透過 W3C 規範確保無障礙性。

相容平台✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/georgewangyu/GeorgeVideoAgent/tree/HEAD/skills/video-captions

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

字幕與旁白字幕

請閱讀專案合約。 保持修正後的文字可編輯,並與最終語音時鐘精確對齊。

校正與對齊 [bl: 不變]

使用當前的 A-cut/音訊雜湊值與修正後的轉錄稿。必要時檢查人名、 數字、否定詞、技術用語以及有意義的非語音/說話者提示。 ASR 與強制對齊僅為建議;需與音訊比對驗證。請勿憑空杜撰詞語, 或將來源轉錄稿視為已輸出時間碼使用,也不得因標題佔據畫面而 無聲省略保留的語音。

當時間碼未知時,應將提示標記為暫定,而非捏造精確邊界。 將來源轉錄稿通過已驗證的來源→輸出決策對應圖進行映射, 然後檢查實際輸出。語音修剪會使受影響提示的時間/文字失效。 即使畫面上字幕較為稀疏,仍需維護完整的修正後 SRT 側車檔案。

可讀性處理與執行 [bl: 不變]

對於畫面上字幕,依序遵循編輯者要求、專案覆寫設定及套用的樣式偏好。 任何未指定的選項均使用預設字幕樣式。 例如,若要求使用雙詞分組,則在不另行指定的情況下,改變分組方式但保留預設字型。

以所選處理方式所需的細粒度驗證時間碼。將完整 SRT 分組為最多兩行的 可讀性短語,包含被強調提示覆蓋的語音。

檢查專案持續時間內非負且有序的提示間隔;重疊必須是刻意為之。 考量輸出影格/音訊時間基準,並防止獨立的四捨五入漂移。 當有可用的編輯器或已安裝 FFmpeg 字幕/libass 時使用;渲染前請確認 確實支援該版本。保留 Unicode 並安全地跳脫檔名/文字;字幕文字是資料, 絕非 shell 程式碼。

測量實際字形、輪廓/陰影與動態效果,確保符合安全矩形與平台 UI。 在低於可讀性之前應先重新排列/移動。檢查實際合成畫面中的臉部、 校樣、下方三分之一與螢幕截圖文字碰撞,包括最短/最長提示以及 第一/最後渲染的影格。僅靠置中邊界框並不能證明無碰撞。

驗證 [bl: 不變]

將側車檔案與畫面上字幕和完整的保留語音(包含開頭/結尾)進行比對。 在實際詞語/短語開頭處檢查時間碼,並以輸出尺寸抽樣檢查最終匯出檔。 觀察字幕的轉場與動態效果;靜態的接觸頁面無法確保足夠的閱讀時間。 回傳提示資料/SRT、字型/處理選擇、輸出識別碼以及已審查/未審查範圍。 交接給匯出品管;絕不能僅憑轉錄比對或自動檢查就聲稱所有詞語都已聽取。

參考資料

Individual skills in this repo

This repo contains 4 individual skills — each has its own dedicated page.

相關技能