Communitygithub.com

long2short

將長篇橫式影片(Vlog、旅遊、訪談、Podcast、演講)轉換為直式 9:16 短影片,適用 TikTok、Instagram Reels 與 YouTube Shorts。自動挑選精彩片段(包含無語音的畫面瞬間),使用 Apple Vision 追蹤技術重新構圖,加上與字詞同步的動態字幕、鉤子標題、資訊貼紙與音效,最終輸出 1080×1920 MP4。每當使用者需要短片段、Reels、TikToks、精華、可營利的短影音或將影片裁切成直式格式,甚至只是要求為社群媒體加上字幕或重新構圖時,即可使用此技能。

long2short 是什麼?

long2short 是一個專業影片剪輯技能,專為 AI 開發者與創作者設計,能自動將長篇橫式影片(如 Vlog、訪談、Podcast)轉換為多段適合 TikTok、Instagram Reels 與 YouTube Shorts 的直式短影片。它會分析完整影片,透過語音轉寫與場景偵測,自動挑選「最強片段」,包含無語音的純視覺瞬間(例如機器運作、動物畫面、驚喜揭露)。接著使用 macOS 的 Apple Vision 追蹤技術,以主體為中心重新構圖成 9:16 畫面,並加上大字體白色黑色描邊字幕(目前字詞以黃色高亮顯示)、鉤子標題、資訊貼紙(黃色膠囊 + emoji)與 5–7 個 CC0 音效。整個流程透過單一 CLI 命令 `l2s.py` 管理,支援 macOS(需 ffmpeg、Node、Xcode 指令工具與 whisper)。字幕對齊目前最佳支援拉丁語系語言,德文數字已內建拼寫規則。此技能在本地端執行,首次使用時會自動下載所需依賴至 `~/.cache/long2short`。

相容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/sebsch1337/long2short/tree/HEAD/skills/long2short

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

long2short 是做什麼的?

你是剪輯師:你挑選片段、撰寫鉤子和貼紙,並判斷裁切方式。指令碼負責繁重工作(轉寫、場景偵測、追蹤、剪裁、渲染),並在本地端執行。一切透過一個 CLI 進行:

python3 <skill>/scripts/l2s.py [-p PROJECT] <command> ...

<skill> 是此技能所在的資料夾。專案資料夾(預設為 <video folder>/long2short)存放 project.json、代理檔、轉寫稿、場景清單,以及每個片段的資料夾(clips/clipNN/)。完成的片段會輸出到 project.json → out(預設為 <video folder>/clips)。

需求:macOS(Apple Vision 用於追蹤、VideoToolbox 用於快速 ProRes)、ffmpeg、Node(npx HyperFrames)、Xcode 指令工具(swiftc)、whisper-cli 加上一個 ggml 模型(或 python whisper)。字幕時間(強制對齊)適用於拉丁語系語言;德文的數字在 force_align.py 中已拼寫出來——若要擴展到其他語言,請擴充 spell() 函式。 本技能僅附帶指令與程式碼。首次在機器上執行時請執行 l2s.py setup——它會將所有依賴下載到 ~/.cache/long2short:包含一個私人 Python 環境(torch/torchaudio 用於強制對齊)、CC0 音效、字幕字形(Montserrat,OFL 授權),以及(如果尚未安裝)一個 whisper.cpp 模型;同時也會編譯 Apple Vision 輔助工具。接著執行 l2s.py doctor。每當 doctor 回報缺少元件時,再次執行 setup。如果缺少任何東西,請向使用者顯示精確的安裝指令。

1. 準備影片(每部影片一次)

l2s.py init "/path/video.mp4" --lang de

建立代理檔、16 kHz 音訊、逐字轉寫稿(transcript.txt 含時間碼)、scenes.json 以及連絡頁(sheets/,每個場景一幀並附時間碼)。長影片需要數分鐘——請在背景執行並告知使用者。

將重複出現的轉寫錯誤(姓名、品牌)加入 project.json → glossary (例如 {"Air bee and bee": "Airbnb"});當字詞映射到片段時,這些錯誤會自動修正。

2. 挑選片段(由你判斷)

開始挑選前,請先閱讀 references/editorial.md。簡而言之:閱讀整份 transcript.txt,檢視每一張連絡頁(這就是你找到沒有語音的強勢瞬間的方法——一台機器在工作、一隻動物、一個大驚喜),然後為使用者撰寫一份簡短清單:編號、工作標題/鉤子、來源時間範圍、長度、為什麼選這個。預設長度 60–90 秒(TikTok 的創作者獎勵只給超過一分鐘的影片有收益),除非使用者有其他要求。當使用者要求審查挑選結果時,請等待使用者同意後再開始批次渲染;否則直接繼續。

每個片段必須能獨立觀看。 觀眾是第一次看到這個人和這個主題:前 3 秒(鉤子文字 + 開場白)必須說明我們在哪裡以及這段影片在講什麼(例如「在里斯本……」),而且片段不能依賴影片的其他部分(例如「這趟旅程之後」、「像我說過的」、「第二個」)。請在這些片語之後開始,或直接刪除它們。

3. 建構每個片段

l2s.py -p P plan  NN "A-B[,C-D]" [--teaser VS VE AS] [--seed T:CX:CY]
l2s.py -p P words NN                # 印出帶有索引的字詞 – 修正 words_raw.json 中的文字
l2s.py -p P align NN [MM ...]       # 強制對齊:精確的字詞時間(模型只載入一次,適用所有片段)
#   寫入 clips/clipNN/hf_config.json  (參見 references/config.md)
l2s.py -p P finish NN "NN_short-title"   # 剪裁 -> 圖形 -> 渲染 -> 合成
  • 時間範圍是影片的絕對秒數。請在句子邊界剪裁;使用 words.json 中的字詞時間。區段會依序拼接;--teaser(2–3 秒的精彩畫面先顯示,並使用 AS 的音訊)可以做出強而有力的冷開場。
  • 裁切審查會消耗 tokens – 只有在被指示時才查看。 plan 會輸出 no anomalies 或一個 ANOMALIES 清單。只有在有異常時,才開啟 clips/clipNN/spec.review.jpg(黃色方框 = 9:16 視窗,紅點 = 追蹤的主體,青色網格以 0.1 為單位)。
  • 物體(無人機、機器人、汽車)不會自動找到:對於回報為「no person」的片段,請從網格讀取物體的位置,並以 --seed T:CX:CY(來源時間、x、y 皆為 0–1 範圍)重新執行 plan。它會鎖定該物體並進行追蹤。
  • 在對齊之前修正文字。 修正 words_raw.json 中聽錯的字詞;如果某段文字無法辨識,請從字幕中將其移除(在 hf_config 中設為 drop),而不是猜測。
  • 一次為多個片段執行 align 可以節省時間。

4. 交付

回報一個簡短表格:片段編號、長度、檔案路徑、鉤子,以及一段可直接發布的說明文字並附上 hashtag。當使用者說他們會自己審查時,不需要逐幀檢查渲染結果。中間檔案很大(每個片段在 clips/clipNN/ 中約 2 GB);在使用者確認結果後,提供刪除它們的選項。

固定風格(已批准——未經要求請勿更改)

  • 字幕:Montserrat Black,全大寫,白色文字搭配黑色描邊,1–3 個字詞,當前字詞為黃色 #FFD400 並帶有短彈跳效果,關鍵字詞放在黃色膠囊中;水平與垂直置中在下三分之一處;在字詞出現前 0.12 秒顯示。
  • 鉤子:頂部黑色膠囊,重點字詞為黃色,持續約前 3 秒。資訊貼紙:黃色膠囊 + emoji 置於頂部,自動根據畫面寬度調整大小。
  • 音效:每個片段 5–7 個細微效果(pop、whoosh、impact、ka-ching;CC0 授權,由 setup 下載),無音樂(音樂在應用程式中加入)。響度 -14 LUFS,真實峰值 -1 dBTP。
  • 裁切:一個 9:16 視窗,平滑追蹤。無縮放切入(zoom punch-ins)和無信箱/模糊的「fit」佈局——這兩種方式都曾嘗試並被拒絕(縮放看起來像是壓扁)。

當看起來有問題時,請閱讀 references/troubleshooting.md——裡面包已經發現的根本原因(場景邊緣漏光、抖動、字幕延遲……)以及指令碼如何處理它們。

相關技能