短影片規則手冊
此文件一次性給出決策及其理由，無需在每支影片中重新思考規則。請閱讀此手冊，並根據使用者評論進行更新。數據來自近12個月內發佈的52支爆紅短影片（土耳其語和英語，以 talking head 為主）以及12部剪輯教學影片的測量結果。標示「實測值」的規則為實際測量結果；標示「來自教學」的規則為至少3位講師的共同主張。
使用者即創意總監。 在進行初次剪輯前，請以簡潔的語言提供策略建議（包含哪些鏡頭、鉤子、強調點、風格），並等待使用者確認。你自己給出的評分並不代表「完成」；請詢問使用者的評分。
工作流程 (talking head)
- 閱讀素材： 產出帶有時間戳的字幕逐字稿（例如使用 whisper.cpp
-ojf或 WhisperX）。準備一份顯示句子和停頓的壓縮文字視圖。 - 僅查看難以判斷的部分： 針對重拍鏡頭、長時間停頓或剪輯點，只查看該區段的幾個幀和文字時間戳，無需從頭到尾觀看整支影片。
- 撰寫簡報： 說明使用哪些鏡頭、哪些台詞具有衝擊力、哪些詞需要強調。其餘為機械性工作。
- 進行剪輯： 使用你的工具（NLE、ffmpeg、Remotion、HyperFrames、CapCut 等）。切勿修改原始檔案，將輸出放置於獨立資料夾。
- 測量與修正： 將渲染結果與同類參考影片進行比較（剪輯頻率、字幕高度、音量）。優先修正差異最大的項目，最多進行三輪修正；之後清楚說明剩餘差異。
鏡頭選擇 (導演的工作；程式碼僅負責確認)
- 根據逐字稿選擇鏡頭，而非在影片中來回拖動。每個句子的最佳鏡頭 = 流暢的鏡頭，通常是後續的試拍。去除「嗯」、不完整的開頭和重複的詞語。
- 剪輯點對齊字詞：在首個單詞前約 0.12 秒處切入，在最後一個單詞後約 0.25 秒處切出；切勿切入相鄰單詞的內部。從同一連續鏡頭剪下的兩段素材應在停頓的中間點匯合。
- 將表達核心觀點的台詞標記為衝擊點（使用最緊湊的構圖，若有則加上音效衝擊）。
- 影片長度由素材決定：talking head 參考影片長度為 20–150 秒，中位數為 67 秒（實測值）。
鉤子 (前3秒)
- 對話和字幕從第一幀開始；無靜音開場。首次剪輯約 1–3 秒。
- 在訪談片段中，前幾秒鐘使用固定的問題/標題框效果良好。在出現其他內容之前應使其消失。
- 實測值：最常見的鉤子工具是此標題框。在 14 支 talking head 影片中，有 6 支使用（持續 6–12 秒，形式為白色大寫紅框、句子格式文字、白色膠囊形狀或貫穿全片的標題）。
- 實測值：土耳其語影片首次剪輯的中位數為 3.6 秒，鉤子內無剪輯。土耳其語的鉤子並非由剪輯驅動，而是由標題框驅動。
- 來自教學：在前 3 秒內，觀眾同時接收到動作（推拉、元素入位、物理動作）、聲音和螢幕上的鉤子句子。鉤子句子應對觀眾說話、提供具體主張/數字並暗示結果。鉤子之後應保持節奏平穩，不應出現剪輯突然變稀疏的段落。
字幕與強調
- 每個單元格 1–3 個單詞。在標點符號和 ≥ 0.3 秒的停頓處分割；切勿跨越一個剪輯點。不要創建短於 0.35 秒的單元格（應將下一個單詞包含在內）。在 ≤ 0.25 秒的停頓處，文字應保留在螢幕上（避免閃爍）。
- 字幕即逐字稿：切勿寫出未被說出的詞語。僅修正語音辨識錯誤。
- 強調是根據理解來選擇的（數字、收益、名稱），而非根據節奏。強調的是一個完整短語，而非單一單詞。上限：每 6–8 秒約 1 個強調。
- 實測值：優秀創作者會在滾動字幕內部以相同大小但不同顏色（黃色/綠色）重新著色關鍵詞。只有金額數字會放大，約 1.2–1.4 倍。獨立且大於 1.5 倍的強調單元格在所有參考影片中顯得過大：應少用，僅保留給數字。
- 外觀：粗體、簡潔的無襯線字體；白色文字、黑色輪廓 + 柔和陰影、硬邊切換。強調：更粗、暖黃色、單次彈回「彈出」效果。無彩色發光效果。選擇開放授權 (OFL) 字體：如 Montserrat、Inter、Poppins、Figtree。
- 高度（從畫面頂部算起，0 = 頂部，1 = 底部）：臉部中心 + 0.26，限制在 0.45–0.70 之間。實測值：Hormozi 為 0.50；土耳其創作者約 0.67，英語 talking head 為 0.56，B-roll 解說影片為 0.72–0.78。
- 字幕風格應與影片風格相符。沈穩專家：句子格式，2 行 4–6 個單詞，柔和陰影或白色膠囊形狀。高能量：1–4 個粗體單詞。解說影片：較小、窄字體、位置更低。參考影片中，行高約為畫面高度的 0.023–0.04。
- 來自教學：最多 3 個單詞，位於畫面中下方（眼睛在上三分之一處），每個字幕無音效，無填充詞。根據理解為關鍵詞上色（多數剪輯師：綠色 = 正面，紅色 = 負面，黃色 = 其他）。
構圖
- 在剪輯點重新構圖是一種風格選擇，而非規則。實測值：8 支土耳其語 talking head 影片和單機位沈穩專家影片中，0% 的剪輯會重新構圖；英語/高能量剪輯中則有 71–75%（Hormozi 為 0.90）。
- 高能量套件：每次剪輯都伴隨可見的構圖變化：交替使用廣角 1.0 / 緊湊 1.28，衝擊點台詞使用 1.38。小於 1.1 的變化不易察覺。縮放中心 = 臉部。在最長的 4–5 個鏡頭中使用慢速推近（×1.08）。
- 沈穩專家套件：固定構圖，無重新構圖的跳接（或雙機位廣角/緊湊切換），長鏡頭中最多使用一次慢速推近（×1.03–1.05）。
- 說話者背後文字（使用人物遮罩/分割）：在影片中使用 1–2 次，僅用於填入牆面空白區域的大型強調單詞。保持遮罩視窗簡短（≤ 12 秒）。
- 來自教學：沒有任何元素會突然出現。每個元素都應伴隨動作進入：快進/慢出，輕微上移 + 淡入 + 模糊到清晰。照片或螢幕截圖應融入構圖。對固定鏡頭施加 3–10% 的慢速推近。
- 來自教學（視線追蹤）：在整個剪輯中，焦點（臉部、最新卡片、關鍵詞）應保持在舊位置約 10% 的範圍內，尤其是在鉤子中。僅在有意識地破壞規則時才偏離。
音效
- 音效優先（對話）。效果僅與可見事物相關（一次剪輯、一個入位的強調效果）。
- 剪輯點的效果取決於風格。實測值（透過音軌分離）：14 支優質 talking head 影片中，有 8 支完全沒有在剪輯點添加效果（Hormozi：12%，隨機機率為 21%）。B-roll 和無臉解說影片在 20–80% 的視覺變化處添加 whoosh / 打擊音效（遠高於隨機機率）。高能量創作者將音效與圖形事件（計數器、入位元素）關聯，而非剪輯點。 注意：在混音中，語音本身每秒約有 4 次突然的音量上升；計算效果時應使用分離後的音軌，而非混音。
- 強調處的打擊音效僅用於高能量套件。
- 音量等級（相對於對話的 p95 峰值）：UI/彈出音 −14 dB，whoosh −12 dB，打擊音 −8 dB，迷因音 −3 dB。 上升音效的峰值應對齊剪輯點，打擊音效的起始點應對齊剪輯點。 每 10 秒最多 4.5 個效果，效果間隔 ≥ 0.25 秒。
- 迷因音絕不能覆蓋在任何單詞之上。
- 輸出：−14 LUFS，真實峰值 ≤ −1 dBTP（請測量，不要猜測）。
- 音樂。實測值：14 支優質 talking head 影片中，有 7 支沒有背景音樂。有音樂的影片中，音樂音量約比對話低 16 LU（中位數，整合值）；高能量背景音樂更「暖」（低 10–12 LU），解說影片則低 16–22 LU。應將無音樂版本視為一個真實選項，而非備用方案。
- 來自教學：在大型動作（縮放、滑動、甩鏡、場景轉換）中，效果的峰值應對齊動作的峰值。輕微的點擊/UI 音效對齊文字和圖標彈出。Riser 僅在確實迎來某種開場（例如進入結論）時使用，緊接在關鍵台詞之後用一個打擊音。少用才能保持意義。音樂有其功能：比對話低 15–25 dB，在轉折點（問題 → 解決方案）處升高，在結尾前降低以預告結束。
結尾與轉場 (實務反饋)
- 在對話持續時結束（「所以」、「因為」、「下一個詞在 0.7 秒內」）：延長至想法結束。最後一個片段在影像與音效上於 0.6 秒內淡出至黑。
- 轉場音效為柔和的 whoosh：低頻、無銳利攻擊、比對話低 −18 dB。
- 將長鏡頭在單詞間隙處分割成跳接-縮放片段（≤ 4.2 秒，鉤子中 ≤ 2.6 秒）；切勿在一個強調短語內部進行分割。這些剪輯點不添加 whoosh。
- 來自教學：大型轉場僅用於重大時刻（章節或場景變化）。其他所有地方使用硬切 + J/L 剪輯。
密度
- 剪輯應服務內容，而非成為主角。平靜或個人化的對話需要較少的剪輯和效果；不要為了剪輯而剪輯。有趣的鏡頭可以保留較長時間。
- 剪輯頻率依類型而異：密集圖形的單鏡頭短影片（MrBeast、Zach King）幾乎不經剪輯即可成功。僅與同類型影片進行比較。
- AI 代理應少做剪輯，少做過度宣稱：清楚說明哪些未經驗證。
禁止事項
- 在單詞內部進行剪輯；字幕覆蓋在臉部或主題上；字幕跨越剪輯點。
- 每次剪輯都使用 whoosh；音效音量高於對話（有意識的迷因音除外）。
- 保留在範本中的佔位文字（「在此輸入您的文字」）：務必填寫並重新閱讀。
- 文字使用彩色發光效果；下一場景出現時，文字仍停留在螢幕上。
- 將參考影片的影像或音效放入剪輯中（參考影片僅用於測量）。
風格套件 (摘要)
| 套件 | 剪輯構圖 | 剪輯音效 | 字幕 | 音樂 |
|---|---|---|---|---|
| 沈穩專家 | 無（或雙機位） | 無 | 句子格式，2 行，4–6 個單詞 | 無或約低 16 LU |
| 高能量 | 每次剪輯 1.0 / 1.28，衝擊點 1.38 | 與圖形事件相關，強調處有打擊音 | 1–4 個粗體單詞，數字放大 | 低 10–12 LU |
| B-roll 解說 | — | 20–80% 的視覺變化處 | 小、窄、位置更低 (0.72–0.78) | 低 16–22 LU |
| 土耳其語 talking head | 無 | 無 | 高度約 0.67，標題框鉤子 | 多數情況無 |