Communitygithub.com

video-vip-pro

一鍵式高級影片編輯器,適用於任何行業(商店、房地產、SPA、餐飲、教育、科技、金融、健身房、旅遊、新聞、Vlog)的對鏡頭講話與銷售影片,並可選用使用者指定的品牌色。一次處理原始影片,完成後續以純文字提示或本機 VIP 編輯器(零 token)微調。

video-vip-pro 是什麼?

Video VIP Pro 是一個強大的 AI 技能,專為一鍵生成高級影片編輯而設計,特別適合對鏡頭講話(talking-head)與銷售影片。它支援多種行業,並能根據使用者提供的品牌色或行業預設值自動選擇主題配色。技能運作流程包含自動分析影片、轉錄(支援越南語等多種語言)、智慧剪輯(去除NG片段、保持唇音同步),並加入豐富的 VIP 特效,如動態縮放、雙層字幕、磨砂玻璃場景、文字繞頭、人像模糊、人物破框、計數價格、印章、撕裂、裂紋、衝擊波、軌道環、膠片/VHS 風格、UI 模型等,同時搭配音效與背景音樂,最終輸出 9:16 或 16:9 的 MP4 檔案。 使用者只需提供原始影片並說「edit video VIP」或類似指令,技能就會一次性完成完整編輯。之後使用者可以透過簡短的提示(如「câu 3 đổi hiệu ứng」、「màu cam」)或啟動零 token 的本機 VIP 編輯器來手動調整。技能透過 Python 腳本運作,並依賴 FFmpeg、Whisper、rembg 等工具,支援 GPU 加速。它遵循嚴格的品質規則,例如保持畫面乾淨、避免遮蓋人臉、使用授權媒體等。此技能特別適合需要快速產出專業級影片的內容創作者、行銷人員與企業。

相容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/leminhhieu0707/video-vip-pro/tree/HEAD

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

Video VIP Pro

原始影片輸入,你一次回傳完成的高級剪輯版本。之後使用者透過簡短提示(「câu 3 đổi hiệu ứng」、「màu cam」、「bỏ VHS」、「chữ to hơn」)進行調整,因此每次編輯都從一個小型建構腳本重新產生。

腳本位於此檔案旁的 scripts/ 目錄中。使用 python -X utf8 <skill>/scripts/<name>.py 執行它們。首次設定請執行 setup.ps1(Windows)或 setup.sh;它也會執行 scripts/get_sfx.py,將潮流音效包(約 130 個 Mixkit 音效,分屬 19 個家族)下載到本機。如果某個指令因缺少模組或字型而失敗,請執行設定。

要讀取的檔案

時機讀取內容
總是,在規劃之前references/edit_brain.md(創意手法、7 種編輯風格、多樣性規則、潮流聲音設計)+ references/style.md(每個效果、道具、運鏡、主題)
為該行業挑選效果/顏色時references/industries.md 的對應行
不確定計劃欄位時grep references/plan.md(完整結構)
非對鏡頭講話類型(混剪、幻燈片、教學、播客)references/recipes.md 的對應章節
開始建構腳本時複製 templates/build_vip.py

一次性工作流程(全部執行,無須詢問,除非某個選擇會顯著改變結果)

  1. 摘要。 推斷以下資訊:

    • 行業,從說話內容或畫面中判斷。
    • 主題:
      • 使用者指定的顏色(如果有的話);
      • 否則使用品牌的顏色(商標、招牌、制服);
      • 再否則使用該行業的預設值。
    • 比例: 除非來源是橫向且旨在用於 YouTube,否則使用 9:16。
    • 長度: 保留所有好的句子。

    僅在使用者給出多個不相關檔案且沒有提示時才詢問。

  2. 觀看。 執行 analyze.py SRC --every 2 並閱讀分析報告。注意:

    • 臉部位置:這將成為 FACE;
    • 空白區域位置;
    • 任何燒錄文字;
    • 襯衫顏色,因為胸前的文字必須保持可讀。
  3. 轉錄。 執行 transcribe.py SRC --prompt "<品牌、產品、人名>"。然後校對 .transcript.json:

    • 修正聽錯的字詞,盡可能保持字數不變;
    • 價格請以越南文格式書寫:「8.190.000đ」或「8,19 triệu」。
  4. 選擇句子。 編寫 edited/cuts.json,按順序為每個保留的句子建立一個條目:

    • 刪除重拍(保留後續更清晰的版本)、錯誤開頭、「cắt nhé」以及空白片段;
    • in = 第一個字詞 −0.08 秒,out = 最後一個字詞 +0.15 秒;加上 transcripts(來源的 .transcript.json 檔案),以便 aroll.py 也能產生 aroll.transcript.json 供字幕和聲音大腦使用。

    然後執行 aroll.py edited/cuts.json -o edited/aroll.mp4 --speed 1.1。它會產生一個單一、唇音同步安全的 A-roll,以及包含每個句子開始時間的 aroll.json。

  5. 建構。 先進行 references/edit_brain.md 中的創意手法。選擇一種編輯風格、3 個主題動機和一個節奏圖,然後撰寫分鏡表。切勿重複使用前一個影片的序列。將 templates/build_vip.py 複製到 edited/ 並填入內容:

    • 設定 THEME、FACE、CAP_Y;
    • 為每個句子指定 cap(i, top, text);
    • 為每個句子指定一個運鏡動作(cam),在第 0 句使用 HOOK,在 2–3 個最重要的關鍵字上使用 SNAP 或 EMPH,其餘使用交替的 PUSH / PUNCH / PULL;
    • 每 3–5 秒添加一個 VIP 效果,從行業對應行中選擇,並放置在其命名的字詞上(價格觸發 CountUp,「3 điều」觸發 NumberList,「đau đầu」觸發 Cracks);
    • 保持聲音大腦開啟("sound_design": {"style": "trend", "brain": {...}},詳見 edit_brain.md §4a):效果音跟隨畫面,故事音跟隨文字。然後閱讀 sound_brain.py 的建議,刪除任何不增加意義的效果;
    • 先前 "sound_design": "trend" 表示:每個效果都會自動從潮流音效包中獲得分層聲音,因此僅在音效承載故事意義時才手動添加(例如揭示前的漸強音、爆點前的靜默);
    • 每分鐘添加 2–4 個磨砂玻璃場景;
    • 以 CTA 結尾。
  6. 渲染。 執行 build_vip.py,然後執行 render.py plan_vip.json --draft。超過 2 分鐘的渲染會在背景執行。每個動態項目的首次渲染需要 3–5 秒;人物去背大約每個效果每秒需要 1 秒。

  7. 檢查自己的輸出。 執行 analyze.py <草稿> --every 1 並閱讀每個分析表。檢查:

    • 文字是否被裁切或遮蓋人臉;
    • 效果是否落在錯誤的字詞上;
    • 此主題下難以閱讀的顏色;
    • 黑色或凍結的畫面;
    • 音量是否偏離 −14 LUFS。

    修正建構腳本並重新渲染;片段和動態快取使這個過程很快。每個問題最多允許 3 次嘗試。

  8. 最終。 執行 render.py plan_vip.json(不加 --draft)。

  9. 交付。 傳送 MP4 檔案(如果可用,使用 SendUserFile)。然後:

    • 提供 3–5 行的摘要:長度、主題、使用的效果及其所在的句子,以及你猜測的任何內容;
    • 在背景啟動 VIP 編輯器:python -X utf8 <skill>/editor/server.py edited/plan_vip.json,讓使用者可以手動拖曳、重新調整時間、重新輸入文字和重新著色,消耗零 token。

混合聲音。 如果影片混合了鏡頭前的說話聲與畫外音,請執行 scripts/voice_match.py 使兩者聽起來像同一種聲音(詳見 references/edit_brain.md §5)。在決定只使用畫外音之前,掃描每個片段以找出好的鏡頭前對白(一次性全部轉錄)。

透過提示進行修改(在首次編輯之後)

  • 始終編輯 build_vip.py,絕不編輯產生的計劃。 如果使用者說他們在 VIP 編輯器中做了更改,請先重新讀取 plan_vip.json 並直接編輯計劃,因為重新建構會丟棄他們的手動編輯。告訴使用者你採用了哪種方法。

  • 將請求對應到編輯:

    請求編輯
    "đổi màu …"THEME
    "câu N …"句子 N 的區塊
    "bỏ / thêm hiệu ứng X"刪除或添加該 motion(...) / layer(...) 行
    "chữ to / nhỏ"size
    "chữ thấp / cao"CAP_Y 或 y
    "zoom nhiều / ít"cam / cycle 動作
    "nhạc khác"MUSIC
    "nhanh hơn"aroll.py --speed(然後重新建構)
  • 在完整渲染前檢查: 僅對變更的範圍執行 render.py plan_vip.json --preview A-B,檢查後再進行一次完整渲染。

品質規則

  • 字幕。 每個短語使用一個 BlueText,取代純文字字幕。每行最多一個 **關鍵字**。在原始素材上使用 tone: "video";在淺色磨砂玻璃上使用 tone: "light"。
  • 乾淨畫面。 除了字幕外,螢幕上最多保留一個其他元素。切勿遮蓋人臉。在 9:16 比例中,文字應避免放置在頂部 10% 和底部 20% 的區域。
  • 運鏡。 每 3–6 秒一個運鏡事件。大幅動作(SNAP、EMPH)每 10 秒最多一次。
  • 跳出裁切。 popout 裁切必須從下巴以下開始,否則頭部無法破框而出。
  • 誠實。 僅使用出現在影片或使用者訊息中的價格、規格、名稱和引述。
  • 僅限授權媒體。 使用內建的合成音效、使用者自己的檔案或免版稅音樂。切勿使用受版權保護的歌曲或重新上傳的片段。

環境注意事項

  • Python 和 Node。 Python 3.10+ 搭配 requirements.txt(faster-whisper、rembg、onnxruntime、opencv、numpy、fonttools、Pillow、edge-tts)以及 Node 18+ 用於 motion/。在 motion/ 目錄內執行 npm ci(設定腳本會做這件事)。
  • FFmpeg。 必須是包含 libass 的完整版本。
  • GPU。
    • NVIDIA GPU 可加速 Whisper 和 NVENC 編碼。
    • 如果沒有,Whisper 將在 CPU 上執行;使用 --model small 以加快速度。
    • rembg 在可用時會使用 DirectML 或 CUDA。
  • 字型。 Be Vietnam Pro 和 Playfair Display 已包含在 assets/fonts 和 motion/public/fonts 目錄中。
  • Windows 列印。 在臨時腳本中列印越南文字之前,設定 PYTHONIOENCODING=utf-8。
  • 快取。 快取存放在 <plan>_work/ 目錄中。僅在快取損壞時才刪除該資料夾。

疑難排解

  • 動態元件渲染為空白: 使用 motion/render_motion.py COMP '<props>' --duration 2 --still 1 -o x.png 渲染一個靜態畫面來檢查。
  • 遮罩中出現錯誤人物(牆上的商標或海報): 使用 popout 的 "head": [x, w] 限制可能破框的範圍,或選擇一個更平靜的時刻。
  • 剪輯後聲音偏移: 切勿逐段拼接多個說話片段。始終經由 aroll.py 處理。
  • 「找不到音效」: 配方名稱對應到內建音效(請參閱 render.py 中的 SFX_ALIASES)。將自己的 name.mp3 放入 assets/sfx/ 以覆蓋預設音效。
  • 腳本無法完成的效果: 使用直接的 ffmpeg 指令渲染它,或在 motion/src/blue/ 中撰寫一個新的元件,並將顏色包裹在 T('…') 中,然後在計劃中使用它。

相關技能