Communitygithub.com

影片轉Shorts

將長篇談話影片轉換為YouTube Shorts、Reels或TikTok短影音。自動選取最精彩的一兩句作為開場,確保剪輯在完整句尾結束、直式構圖1080x1920、嵌入字幕,並從頭到尾檢查結果,全程使用免費工具(faster-whisper 和 ffmpeg)。

影片轉Shorts 是什麼?

這個技能專為將長篇人物談話影片(如訪談、演講、網路研討會)自動轉換成短影音而設計。它使用 faster-whisper 進行逐字時間戳記的語音轉文字,找出影片中最有力的一兩句話作為「鉤子」,並以整句為單位進行剪輯,確保短影音開頭就是精彩內容,不會有無聲或標誌開場。接著用 ffmpeg 將剪輯片段拼接、裁切為 1080x1920 直式畫面(自動對焦說話者臉部),並生成字幕檔(.srt)嵌入影片。最後透過一系列自動化檢查(如確認前兩秒無靜音、無單字被切斷、長度在20-60秒內)確保輸出品質。支援所有包含 ffmpeg 與 Python 的環境,適合製作 YouTube Shorts、Instagram Reels 或 TikTok 內容。

相容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/coding-island-js/keepaisharp-skills/tree/main/skills/video-to-shorts

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

將長篇影片轉為 Shorts

你有一段人物談話的長篇影片。這個技能會將其剪輯成20到60秒的直式短片, 以最佳台詞開場,絕不在句子中間停頓,並且附有字幕。它使用兩個免費工具: faster-whisper(將語音轉為文字,並附上每個詞的時間戳記)和 ffmpeg(剪輯、裁切和加入字幕)。 以下每個指令都是範例。請根據實際影片調整檔案名稱、時間和尺寸。

步驟 1. 取得具有逐字時間戳記的文字稿

安裝一次:pip install faster-whisper,並從 ffmpeg.org 安裝 ffmpeg。

範例(Python):

from faster_whisper import WhisperModel
model = WhisperModel("large-v3", device="auto")   # 若筆電沒有 GPU 則改用 "small"
segments, _ = model.transcribe("talk.mp4", word_timestamps=True, condition_on_previous_text=False,
                              initial_prompt="Hello. Welcome, everyone.")
with open("words.txt", "w", encoding="utf-8") as f:
    for seg in segments:
        f.write(f"[{seg.start:.2f}-{seg.end:.2f}] {seg.text.strip()}\n")
        f.write("    " + " ".join(f"{w.word.strip()}@{w.start:.2f}" for w in seg.words) + "\n")

words.txt 的每一行都是一段語音及其起始和結束時間。下方則是每個詞以及它開始的秒數(例如 [email protected])。 根據詞的時間戳記來剪輯:一段語音時常在句子中間結束。

condition_on_previous_text=False 可防止模型在長檔案中重複同一行。 在某些檔案中,它也會讓 large-v3 模型丟失所有標點符號和大寫。簡短的 initial_prompt (使用正常標點符號)可以恢復它們,而你需要句號來判斷句子的結束點。

步驟 2. 挑選片段,並以鉤子開頭

閱讀文字稿。尋找一段包含觀點、舉例和回報的段落。然後:

  1. 鉤子。 最有力的一兩句話,不需要前情提要就能理解(例如「大多數人按小時計價,這就是他們一直沒錢的原因」)。Shorts 從這些詞開始,即使它們在段落後半段。短片的第一秒必須是說話聲,而不是靜音或標誌。
  2. 中間。 支持鉤子的例子或故事。
  3. 結尾。 回報或技巧。如果片段中沒有,則從同一影片的其他地方取得答案句。

將片段記錄為起始和結束時間的清單。每個片段從句子的第一個詞開始,在句子的最後一個詞之後結束。 可以自由移動完整的句子。切勿將半個句子與另一個半句拼接,讓說話者說出他們沒說的話。 總長度:20 到 60 秒。

步驟 3. 剪輯片段並拼接

在第一個詞前留約 0.1 秒,最後一個詞後留約 0.2 秒,確保沒有詞被截斷。

範例(每個片段一個指令;-t 是長度,單位秒):

ffmpeg -ss 312.30 -i talk.mp4 -t 7.40 -c:v libx264 -crf 18 -c:a aac -ar 48000 piece1.mp4
ffmpeg -ss 95.10 -i talk.mp4 -t 21.60 -c:v libx264 -crf 18 -c:a aac -ar 48000 piece2.mp4
printf "file 'piece1.mp4'\nfile 'piece2.mp4'\n" > list.txt
ffmpeg -f concat -safe 0 -i list.txt -c copy joined.mp4

步驟 4. 製作直式畫面,1080x1920

對於 1920x1080 的影片,在說話者周圍裁切一個 608x1080 的視窗並放大。crop 中的最後一個數字是視窗距左邊緣的距離。 在靜止幀中找到說話者的位置,設定此值使臉部位於中間。

範例(居中視窗):

ffmpeg -i joined.mp4 -vf "crop=608:1080:656:0,scale=1080:1920" -c:v libx264 -crf 18 -c:a copy vertical.mp4

步驟 5. 加入字幕

再次對拼接後的片段進行轉錄(步驟 1,作用於 vertical.mp4),使字幕時間與新片段匹配。 將簡短字幕(每個字幕三到五個詞)寫入 .srt 檔案:

segments, _ = model.transcribe("vertical.mp4", word_timestamps=True, condition_on_previous_text=False,
                              initial_prompt="Hello. Welcome, everyone.")
words = [w for s in segments for w in s.words]
t = lambda x: f"{int(x//3600):02}:{int(x%3600//60):02}:{int(x%60):02},{int(x*1000%1000):03}"
chunks, chunk = [], []
for w in words:                      # 最多4個詞,且在每個句號後開始新字幕
    chunk.append(w)
    if len(chunk) == 4 or w.word.strip().endswith((".", "?", "!")):
        chunks.append(chunk)
        chunk = []
if chunk:
    chunks.append(chunk)
with open("captions.srt", "w", encoding="utf-8") as f:
    for n, c in enumerate(chunks, 1):
        text = "".join(w.word for w in c).strip()
        f.write(f"{n}\n{t(c[0].start)} --> {t(c[-1].end)}\n{text}\n\n")

手動修正 captions.srt 中任何聽錯的名稱或詞語。然後嵌入字幕,並將音量調整到應用程式預期的水平(約 -14 LUFS):

ffmpeg -i vertical.mp4 -vf "subtitles=captions.srt:force_style='FontSize=16,Bold=1,Outline=2,Alignment=2,MarginV=70'" -af "loudnorm=I=-14:TP=-1.5" -c:v libx264 -crf 18 -c:a aac short.mp4

請在包含 captions.srt 的資料夾中執行此指令,並使用純檔案名稱。在 Windows 上,使用完整路徑如 C:\clips\captions.srt 會導致 subtitles 濾鏡失效,因為 ffmpeg 會將冒號解讀為選項的開頭。

將字幕保持在下中位置,遠離臉部和應用程式在右邊緣的按鈕。

步驟 6. 從頭到尾檢查

像觀眾一樣,連同聲音完整觀看一次整部 Shorts。然後檢查每一項:

  • 第一秒是說話聲。 範例:ffmpeg -i short.mp4 -t 2 -af silencedetect=noise=-35dB:d=0.3 -f null - 應回報從 0 開始沒有靜音。
  • 任何片段的開頭或結尾都沒有詞被截斷。
  • 字幕與音訊完全匹配,且沒有任何字幕遮住臉部。
  • 沒有重要內容被裁切掉:臉部、手指向某處、幻燈片上的文字。
  • 長度在 20 到 60 秒之間。 範例:ffprobe -v error -show_entries format=duration -of csv=p=0 short.mp4
  • 製作聯絡表以快速查看構圖。範例: ffmpeg -i short.mp4 -vf "fps=1/5,scale=270:-1,tile=4x2" -frames:v 1 sheet.png

如果任何一項失敗,修正該步驟並重新建構。

步驟 7. 發佈前選定標題和封面

  • 標題: 用幾個詞濃縮鉤子,以觀眾會搜尋的方式呈現。少於 60 個字元。
  • 封面: 選擇一張說話者臉部清晰且嘴巴閉合的畫面,並加上鉤子的大字。 也檢查它在正方形和 3:4 比例下的顯示效果,因為有些應用程式在個人資料格子中會以這些比例顯示。
  • 向使用者展示 Shorts、標題和封面。未經使用者同意,絕不發佈任何內容。

規則

  • 切勿讓說話者說出他們沒說過的話。只能重新排列完整的句子。
  • 如果說話者說錯了什麼,請保留原樣並告知使用者。不要在字幕中偷偷修正。
  • 如果說話者稱某個例子是虛構的,Shorts 應保留此說明,或在畫面上加上「虛構範例」。

範例

使用者分享 webinar.mp4,一個由簿記員 Jo Park 主講的 50 分鐘訪談。(Jo 和以下台詞均為虛構。)

在 18:42,Jo 說:「大多數小企業是從銀行而不是從帳本中發現他們沒錢了。」這就是鉤子。 在 17:55 到 18:20,她講述了一個麵包店錯過發薪的故事。在 19:05,她給出解決方案:「每週一檢查一個數字:銀行現金減去未來 30 天到期的帳單。」

代理依序剪下三段:18:42 鉤子(6 秒)、17:55 故事(25 秒)、19:05 解決方案(9 秒)。總計 40 秒。 它將 Jo 的臉裁切到 1080x1920 畫面的中央,加入字幕,並檢查步驟 6 中的每一項。 標題:「你的銀行比你早知道你沒錢了。」封面:Jo 看著鏡頭,上面寫著「每週一檢查這個數字」。

相關技能