自主 AI 短片剪輯與格式感知式病毒式影片製作 (clip-short v2.4)
一個代理式影片工程技能，可消化長時間的原始素材，理解來源格式與故事內容，選擇合適的視覺處理方式，渲染出行動裝置優先的垂直影片，然後根據輸出的 MP4 證明結果是正確的。
v2.4 保留了三軸路由器，並縮小了宣稱品質與可視品質之間的差距：失敗閉鎖的 QA、真正的多模態語意審查、敘述到視覺的時間戳、鏡頭級的講者檢查、真實物體識別、圖表邊界驗證、字幕/物體碰撞測試、縮圖 OCR、可再現的溯源資料以及行銷活動成效學習。
v2.0 將固定的「一個配方適用所有來源」模型替換為三個獨立決策：
- 來源是什麼？ (視覺典型)
- 故事是什麼？ (敘事典型)
- 哪種處理方式最能服務這個故事？ (編輯處理方式)
54/46 分割畫面是該系統中的一個強大預設值，而非通用法則。沒有任何剪輯片段會被標記為準備就緒，直到它通過針對實際渲染檔案的製作品質關卡。
使用時機
- 消化與篩選原始直播、會議演講、Podcast 以及數小時的 VOD，以找出高留存率的短片候選
- 使用最高期望值 (
EV) 公式選擇候選，並以行銷活動資格為門檻 - 沿三條獨立軸線 (
visual_archetype,narrative_archetype,editing_treatment) 分類原始素材 - 透過自適應佈局引擎路由佈局（全螢幕裁剪、講者切換、自適應分割畫面、子母畫面、漸進式圖表追蹤、逐場景敘事、極簡紀錄片）
- 執行行銷活動感知的語言邊界對齊：完整句子的開場白、零填充詞、結尾標點符號、以及遵循行銷活動規則但不會截斷高潮的執行時間
- 在打包前驗證逐字稿與領域術語
- 渲染人臉感知的動態字體排版，並確保安全區域
- 分離五個不同的文字圖層：HUD 標題、字幕、YouTube 標題、縮圖標題、行銷活動說明
- 對輸出的 MP4 進行全畫格渲染後檢查，並在失敗時閉鎖至
REJECTED_RENDER - 使用通過/失敗的製作關卡加上編輯效能潛力評分進行評分
- 記錄實際的行銷活動指標，並將其回饋至未來的篩選
- 準備一個經過驗證的提交套件，用於人工核准的分階段發布
架構與子技能索引
[ 原始 4K / 1440p 主來源 ]
|
v
+-----------------------------------+
| 1. 行銷活動前置檢查 | ---> [subskills/campaign-preflight.md]
| - 持續時間 / 聲音 / 內容 | 失敗閉鎖至 HUMAN_REVIEW
| - 權利與核准來源 | 當規則缺失時
+-----------------------------------+
|
v
+-----------------------------------+
| 2. 三軸分類 | ---> [subskills/format-router-templates.md]
| A. 視覺來源典型 | [references/clipper-format-archetypes.md]
| B. 敘事典型 |
| C. 編輯處理方式 |
+-----------------------------------+
|
+-----------------------+-----------------------+
| |
v v
+-----------------------------+ +-----------------------------+
| 3. 逐字稿驗證 | | 4. 語言邊界對齊 |
| - ASR 信心度 | | - 完整句子開頭 |
| - 領域術語 | | - 0 填充詞 |
| - 實體 / 縮寫檢查 | | - 結尾標點符號 |
| - 原始字幕比對 | | - 行銷活動感知執行時間 |
| [subskills/transcript- | | [subskills/linguistic- |
| verification.md] | | boundary-snapping.md] |
+-----------------------------+ +-----------------------------+
| |
+-----------------------+-----------------------+
|
v
+-----------------------------------+
| 5. 自適應佈局與語意節拍編輯 | ---> [subskills/pip-split-screen-geometry.md]
| - 格式驅動的裁剪路由 |
| - 主題變化的視覺焦點 |
| - 漸進式圖表追蹤 |
+-----------------------------------+
|
v
+-----------------------------------+
| 6. 字體排版與後設資料 | ---> [subskills/kinetic-typography-safe-zones.md]
| - 人臉感知安全區域 | [subskills/faithful-metadata-packaging.md]
| - 5 個分離的文字圖層 |
| - 專用縮圖建置 |
+-----------------------------------+
|
v
+-----------------------------------+
| 7. 製作關卡與評分 | ---> [subskills/pre-render-quality-gates.md]
| - 渲染前技術關卡 | [references/viral-scoring-rubric.md]
| - 全畫格渲染後 QA | [subskills/regression-fixtures.md]
| - 通過/失敗關卡 + 編輯 |
+-----------------------------------+
|
v
+-----------------------------------+
| 8. 人工核准發布 | ---> [subskills/fleet-staged-publishing.md]
| - 提交套件 | [subskills/autonomous-10m-cadence-daemon.md]
| - 需要人工核准 | [subskills/performance-feedback.md]
| - 指標回饋迴圈 |
+-----------------------------------+
核心製作標準 (強制性)
1. 三軸分類是強制性的
切勿將來源直接映射到固定的編輯模板。獨立分類：
- 軸 A — 視覺來源典型：影像的實際物理形式（單人談話頭、多機位 Podcast、角落臉部攝影機 + 螢幕分享、全螢幕螢幕錄影、白板/圖表、投影片、遊戲 + 臉部攝影機、全螢幕遊戲、旁白插畫/動畫、旁白紀錄片/B-roll、運動/動作、現場表演、產品展示、雙人辯論）。
- 軸 B — 敘事典型：故事的類型（好奇心/謎團、異議觀點、解釋/教育、辯論/分歧、個人故事、示範/結果、喜劇/笑點、反應、列表/步驟、情感揭露）。
- 軸 C — 編輯處理方式：應如何呈現這個特定故事（全螢幕裁剪、動態講者切換、自適應分割畫面、子母畫面、漸進式圖表縮放、逐場景敘事、動畫字幕、情境式 B-roll、極簡紀錄片處理）。
六個舊有的 FORMAT_* 模板仍然有效，作為處理預設值（三個軸的命名組合）。它們不是分類器。
2. 自適應佈局引擎 (黃金 54/46 是預設值，非定律)
佈局是根據來源內容選擇的，而非預設套用：
| 來源內容 | 佈局 |
|---|---|
| 直式講者 / 談話頭 | 全螢幕直式裁剪 |
| 橫式 Podcast | 人臉感知垂直裁剪 |
| 兩位講者 | 動態講者切換，附最小停留時間 |
| 角落臉部攝影機 + 螢幕分享 | 自適應 54/46 或子母畫面 |
| 寬幅架構圖 | 漸進式水平追蹤與組件縮放 |
| 螢幕錄影 | 活動視窗裁剪與縮放 |
| 插畫動畫 | 全螢幕場景追蹤 |
| 旁白 B-roll / 紀錄片 | 全螢幕情境視覺 |
| 投影片簡報 | 僅在有用時隔離投影片並插入講者 |
| 遊戲 / 運動 | 動作安全裁剪，附臉部攝影機插圖 |
| 現場表演 | 全舞台構圖，附節拍匹配剪輯 |
| 產品展示 | 物件聚焦裁剪，附手部/結果可見度 |
黃金 54/46 行動分割仍然是角落子母畫面直播素材的預設預設值：
- 頂部窗格：$1080 \times 1040$ ($54.17%$)，頭肩裁剪。
- 底部窗格：$1080 \times 880$ ($45.83%$)，顯著性隔離的輔助卡片。
- 接縫：4px
#1E293B在 $y = 1038$ 處。
不得將其強制用於全景圖表、旁白插畫、全螢幕紀錄片，或任何因分割而導致標籤在行動裝置上無法閱讀的來源。當整個圖表只能透過縮小來容納時，應將圖表分割成語意節拍，然後分別縮放每個組件。
3. 語意節拍編輯取代固定時間階段
視覺焦點應在主題或論點改變時改變，而非在達到任意時間戳時：
- Lex 風格 Podcast：提問時顯示提問者，解釋時顯示回答者，矛盾時顯示相關講者，結論時則停留在發表結論的講者。
- Veritasium 風格謎團：引人入勝的開場插畫，背景介紹時顯示調查者與農夫，漸進式揭露蒼蠅，高潮時停留在鐮刀與自白。
- Theo 風格技術解釋者：類比時顯示講者，機制說明時顯示介面/線束圖，特殊語法時進行目標縮放，工具執行時顯示最終節點。
只有在節拍偵測不可用時，才能將 5 階段時間戳進度作為備用方案。固定階段絕不能覆蓋語意焦點。
4. 敘事優先的執行時間與行銷活動合規
持續時間的解決順序：
- 行銷活動規則（明確的
min_seconds/max_seconds）— 最高優先級。 - 敘事完整性 — 絕不為了達到預設數字而剪掉最終高潮。應壓縮鋪陳部分。
- 預設目標 $18.0\text{s} - 22.5\text{s}$；必要時彈性上限為 $23.5\text{s}$ 以完成一個想法。
行銷活動要求會覆蓋關於持續時間、聲音、內容、主題標籤、提及、帳戶、受眾與揭露的預設值。缺失或模糊的行銷活動規則會失敗閉鎖至 HUMAN_REVIEW。
5. 打包前的逐字稿驗證
不要盲目相信 Whisper 或任何 ASR 模型。在評分或打包之前：
- 根據字典驗證領域術語、縮寫與命名實體。
- 在可能的情況下，與原始來源字幕進行比對。
- 檢查 ASR 信心度，並標記不尋常的替代詞。
- 對於低信心度術語，需要人工審查。
- 切勿發布建立在未經驗證實體上的標題或說明。
6. 人臉感知字體排版與五個分離的文字圖層
保持這些圖層在語意上一致，但在文字上有所區別：
- 影片 HUD 標題 — 頂部的吸引力徽章，3–6 個單詞，最多 38 個字元，無結尾標點符號，在鉤子後淡出。
- 口語字幕 — 逐字對齊的標題。
- YouTube 標題 — 可搜尋且忠於原意，可使用忠實的改寫。
- 縮圖標題 — 一個主要標題，在專用縮圖階段建置。
- 行銷活動說明與主題標籤 — 行銷活動特定要求。
人臉感知放置：根據檢測到的臉部特徵點來定位標題和字幕，而非使用單一固定座標。切勿遮蓋眼睛、嘴巴或講者的關鍵表情。在 54/46 預設值中，字幕保持 MarginV = 920 (基準線 $y = 1000$)；自適應佈局會計算出一個等價的安全區域，以避開主體的臉部與任何來源文字。
縮圖規則：僅一個標題，無字幕片段，無重複的標題卡片，臉部與眼睛無遮擋，輔助圖像立即傳達主題，且在行動裝置尺寸下可讀。
7. 全畫格渲染後 QA 與製作關卡
所有品質決策都應針對實際輸出的 MP4 進行，而非渲染設定。在任何重大失敗時拒絕 (REJECTED_RENDER)：
- 偵錯疊加層：在任何影格中可見的代碼、濾鏡表達式或內部變數。
- 游標：滑鼠游標意外可見。
- 裁剪完整性：重要的圖表、文字或主體被切掉。
- 圖形可讀性：輔助視覺在行動裝置尺寸下無法閱讀。
- 臉部遮擋：標題或字幕遮擋重要的臉部特徵。
- 文字碰撞：字幕與現有來源文字重疊。
- 縮圖完整性：重複標題或過多文字。
- 字幕準確性：口語詞彙與顯示字幕不同。
- 視覺連續性：黑影格、凍結或意外的轉場。
- 行銷活動合規：持續時間、聲音、內容或帳戶要求被違反。
在 0.25 秒、1.0 秒、每個主要場景轉換處、每個主要字幕/圖形轉換處、中點以及最後 2 秒處生成聯絡表。在標記為準備就緒之前，進行完整的播放審查。
8. 兩個獨立評分
- 製作品質關卡 — 通過/失敗。 行銷活動合規、渲染完整性、字幕準確性、音訊、視覺可讀性與權利。一個重大失敗即拒絕…
[為翻譯而截斷]