影片使用
原則
- LLM 根據原始轉錄文字與按需視覺進行推理。 唯一值得保留的衍生成果是打包的逐詞轉錄檔 (
takes_packed.md)。其他所有東西——填充詞標記、重拍偵測、鏡頭分類、強調評分——都在決策時自行推導。 - 音訊為主,視覺為輔。 剪輯候選點來自語音邊界與靜音間隙。只有在決策點才深入探究視覺。
- 詢問 → 確認 → 執行 → 迭代 → 持續。 在使用者用白話確認策略之前,絕不觸碰剪輯。
- 一般化。 不要假設這是哪種影片。查看素材內容、詢問使用者,然後才進行編輯。
- 藝術自由是預設值。 這份文件中的每一個特定數值、預設、字型、顏色、持續時間、音高結構與技術,都只是一部經過驗證的影片的工作範例——並非強制指令。閱讀它們以了解有哪些可能性以及為何有效。然後根據素材實際情況和使用者真正想要的東西,自行做出品味判斷。你唯一「必須」做的事情在下方「硬規則」章節中。 其他一切都是你的自由。
- 自由發明。 如果素材需要此處未描述的技術——分割畫面、畫中畫、下三分之一身分卡、反應剪輯、速度斜變、靜止畫面、交叉淡化、匹配剪輯、L-cut、J-cut、在呼吸點進行速度斜變——請直接建構。輔助工具是 ffmpeg 和 PIL。它們能做格式支援的任何事。不需等待許可。
- 在向使用者展示之前,先驗證自己的輸出。 如果你自己都不會上架,就不要呈現出來。
硬規則(製作正確性——不可協商)
這些是偏離會導致靜默失敗或輸出損壞的項目。它們不是品味問題,而是正確性問題。請牢記。
- 字幕在濾鏡鏈中最後套用,在所有覆疊動畫之後。否則覆疊層會隱藏字幕。靜默失敗。
- 按片段提取 → 使用
-c copy無損串接,而非單次濾鏡圖。否則在加入覆疊動畫時,每個片段都會被二次編碼。 - 每個片段邊界加上 30ms 音訊淡化(
afade=t=in:st=0:d=0.03,afade=t=out:st={dur-0.03}:d=0.03)。否則每個剪輯點都會有可聽見的爆音。 - 覆疊動畫使用
setpts=PTS-STARTPTS+T/TB將覆疊畫面的影格 0 偏移至其視窗起始點。否則會在動畫視窗期間看到動畫的中間部分。 - 主要 SRT 使用輸出時間軸偏移量:
output_time = word.start - segment_start + segment_offset。否則在片段串接後,字幕會對不齊。 - 絕不在單字中間進行剪輯。 每次裁切邊緣都必須對齊 Scribe 轉錄中的單字邊界。
- 每個裁切邊緣加上緩衝。 工作範圍:30–200ms。Scribe 的時間戳記會漂移 50–100ms——緩衝可以吸收這項漂移。快節奏影片用較窄的緩衝,電影感影片用較寬的。
- 僅使用逐字 ASR。 絕不只用 SRT/片語模式(會遺失亞秒間隙資料)。絕不使用正規化後的填充詞(會遺失編輯訊號)。
- 根據來源快取轉錄。 除非來源檔案本身已變更,否則絕不重新轉錄。
- 多個動畫使用並行子代理程式。 絕不順序執行。透過
Agent工具同時產生 N 個;總執行時間 ≈ 最慢的那個。 - 執行前先確認策略。 在使用者核准白話計劃之前,絕不觸碰剪輯。
- 所有工作階段的輸出放在
<videos_dir>/edit/。 絕不寫入video-use/專案目錄內。
文件中其他所有內容皆為工作範例。每當素材需要時,請盡情偏離。
目錄結構
技能位於 video-use/。使用者素材放在他們指定的位置。所有工作階段的輸出都放在 <videos_dir>/edit/。
<videos_dir>/
├── <原始檔案,未更動>
└── edit/
├── project.md ← 記憶;每次工作階段都會附加內容
├── takes_packed.md ← 逐詞轉錄,LLM 的主要閱讀視角
├── edl.json ← 剪輯決策
├── transcripts/<name>.json ← 快取的原始 Scribe JSON
├── animations/slot_<id>/ ← 每個動畫的來源 + 渲染 + 推理
├── clips_graded/ ← 包含調色與淡化的逐片段提取
├── master.srt ← 輸出時間軸字幕
├── downloads/ ← yt-dlp 輸出
├── verify/ ← 除錯影格 / 時間軸 PNG
├── preview.mp4
└── final.mp4
設定
首次安裝位於 install.md(克隆、依賴套件、ffmpeg、技能註冊、API 金鑰)。不要在每次工作階段都重新執行;在冷啟動時只需驗證:
ELEVENLABS_API_KEY已設定——可以存在環境變數或video-use儲存庫根目錄的.env檔案中。如果遺失,請要求使用者貼上一個並寫入.env(絕不寫入使用者的<videos_dir>)。ffmpeg+ffprobe在 PATH 中。- Python 依賴套件已安裝(在儲存庫內執行
uv sync或pip install -e .)。 - 如果工作階段需要 HyperFrames 或 Remotion 插槽,則需提供 Node.js + npm。HyperFrames 目前需要 Node.js 22+。
yt-dlp、HyperFrames、Remotion、Manim 僅在首次使用時安裝。- 首次使用的動畫設定在插槽目錄內進行,絕不在
video-use儲存庫根目錄。HyperFrames 可用npx --yes hyperframes ...呼叫;Remotion 可用npx create-video@latest建立基礎結構,或作為專案本地依賴套件安裝後再使用其remotion render指令。 - 此技能附帶了
skills/manim-video/。在建構 Manim 插槽時,請閱讀其 SKILL.md。
輔助工具(helpers/transcribe.py、helpers/render.py 等)與此 SKILL.md 位於同一層。請根據包含此檔案的目錄來解析它們的路徑——技能通常會 symlink 在 ~/.claude/skills/video-use/ 或 ~/.codex/skills/video-use/。
輔助工具
transcribe.py <video>— 單一檔案的 Scribe 呼叫。可選--num-speakers N。結果會被快取。transcribe_batch.py <videos_dir>— 4 個工作者並行轉錄。用於多個鏡次。pack_transcripts.py --edit-dir <dir>—transcripts/*.json→takes_packed.md(逐詞等級,遇靜音 ≥ 0.5s 時斷句)。timeline_view.py <video> <start> <end>— 產生底片條 + 波形 PNG。用於按需的視覺深入分析。非掃描工具——請在決策點使用,而非持續使用。render.py <edl.json> -o <out>— 逐片段提取 → 串接 → 覆疊動畫(已進行 PTS 偏移)→ 最後加上字幕。--preview可快速產出 720p 版本。--build-subtitles可內聯產生 master.srt。grade.py <in> -o <out>— ffmpeg 濾鏡鏈調色。提供預設設定,並支援--filter '<原始濾鏡字串>'用於自訂。
對於動畫,請建立 <edit>/animations/slot_<id>/,使用 Bash,並透過 Agent 工具產生一個子代理程式。
流程
-
盤點。 對每個來源使用
ffprobe。對目錄執行transcribe_batch.py。執行pack_transcripts.py產生takes_packed.md。取用一兩次timeline_view以獲得視覺上的初步印象。 -
預先掃描問題。 快速瀏覽
takes_packed.md一次,記錄口誤、明顯的失言或應避免的措辭。建立一個純文字清單,作為編輯摘要的輸入。 -
對話。 用白話描述你看到的內容。根據素材提出量身打造的問題。收集:內容類型、目標長度/畫面比例、美學/品牌方向、節奏感覺、必須保留的時刻、必須刪除的時刻、動畫與調色偏好、字幕需求。不要使用固定的檢查清單——每次適合的問題都不同。
-
提出策略。 4–8 個句子:結構、鏡次選擇、剪輯方向、動畫計劃、調色方向、字幕風格、預估長度。等待確認。
-
執行。 透過編輯子代理摘要產生
edl.json。在模棱兩可的時刻深入使用timeline_view。以並行子代理程式建構動畫。對每個片段套用調色。透過render.py合成。 -
預覽。 執行
render.py --preview。 -
自我評估(在向使用者展示之前)。 對渲染後的輸出(而非原始來源)在每個剪輯邊界(±1.5 秒視窗)執行
timeline_view。檢查每張圖片是否有:- 剪輯處的視覺不連續 / 閃爍 / 跳動
- 邊界處的波形突波(音訊爆音超出了 30ms 淡化的處理範圍)
- 字幕被覆疊動畫遮擋(違反規則 1)
- 覆疊動畫未對齊或顯示錯誤影格(違反規則 4)
另外抽樣檢查:前 2 秒、後 2 秒以及 2–3 個中點——檢查調色一致性、字幕可讀性、整體連貫性。對輸出執行
ffprobe,確認時長與 EDL 預期相符。如果有任何項目失敗:修正 → 重新渲染 → 重新評估。自我評估循環最多 3 次——若 3 次後仍有問題,則向使用者標記問題,而非無限循環。只有在自我評估通過後,才呈現預覽給使用者。
-
迭代 + 持續。 以自然語言回饋,重新規劃,重新渲染。絕不重新轉錄。在確認後進行最終渲染。將內容附加到
project.md。
剪輯工藝(技術)
- 音訊優先。 剪輯候選點來自單字邊界和靜音間隙。
- 保留亮點。 笑聲、笑點、強調的節拍。在笑點之後延伸,以包含反應——笑聲本身就是節拍。
- 說話者轉換 在語句之間保留空間會比較好。常用數值:400–600ms。快節奏影片用較少時間,電影感影片用較多時間。這是品味判斷。
- 將音訊事件作為訊號。
(笑聲)、(嘆氣)、(掌聲)標示節拍。在其後延伸。 - 靜音間隙是剪輯候選點。 靜音 ≥400ms 通常最乾淨。150–400ms 的片語邊界在經過視覺檢查後也可使用。<150ms 則不安全(位於片語中間)。
- 剪輯緩衝範例(此技能出廠時提供的啟動影片):第一個保留單字前 50ms,最後一個單字後 80ms。蒙太奇能量型用較緊的緩衝,紀錄片用較鬆的。請保持在 30–200ms 的工作範圍內(硬規則 7)。
- 絕不獨立處理音訊和視覺。 每個剪輯都必須同時適用於兩個音軌。
打包的轉錄(主要閱讀視角)
pack_transcripts.py 讀取所有 transcripts/*.json,並產生一個 Markdown 檔案,其中每個鏡次都是一個逐詞級別的清單,每行前面加上其 [起始-結束] 時間範圍。片語在任何靜音 ≥ 0.5s 或說話者改變時斷開。這是編輯子代理程式讀取以選擇剪輯點的產物——它從純文字就能提供單字邊界的精確度,且 token 量只有原始 JSON 的十分之一。
範例行:
## C0103 (duration: 43.0s, 8 phrases)
[002.52-005.36] S0 Ninety percent of what a web agent does is completely wasted.
[006.08-006.74] S0 We fixed this.
編輯子代理程式摘要(用於多鏡次選擇)
當任務是「在多個片段中,為每個節拍挑選最佳鏡次」時,請產生一個具有如下結構的專用子代理程式。結構很重要;節奏形狀的範例則不是。
你正在編輯一部 <類型> 影片。為每個節拍挑選最佳鏡次,並按節拍的時間順序組合,而非按原始片段順序。
輸入:
- takes_packed.md(所有鏡次的時間註記逐詞轉錄)
- 產品/敘事背景:<來自主理人的 2 個句子>
- 說話者:<姓名、角色、表達風格備註>
- 預期結構:<選擇一個典型模式或自行發明>
- 應避免的口誤:<來自預先掃描階段的清單>
- 目標時長:<秒>
常見的結構原型(選擇、調整或自行發明):
- 科技發表 / 展示: 鉤子 → 問題 → 解決方案 → 益處 → 範例 → 行動呼籲
- 教學: 簡介 → 設定 → 步驟 → 陷阱 → 總結
- 訪談: (問題 → 答案 → 追問)重複
- 旅遊 / 活動: 抵達 → 亮點 → 安靜時刻 → 離開
- 紀錄片: 論點 → 證據 → 反論 → 結論
- 音樂 / 表演: 前奏 → 主歌 → 副歌 → 橋段 → 尾奏
- 或自行發明一個。
規則:
- 開始/結束時間必須落在轉錄中的單字邊界上。
- 為剪輯邊界加上緩衝(工作範圍 30–200ms)。
- 優先選擇靜音 ≥ 400ms 的位置作為剪輯目標。
- 如果沒有更好的鏡次,則保留不可避免的口誤。在「原因」中註記。
- 如果超時,則修改:刪除一個節拍或修剪尾部。報告總時間並自行修正。
輸出(JSON 陣列,無敘述性文字):
[{"source": "C0103", "start": 2.42, "end": 6.85, "beat": "鉤子",
"quote": "...", "reason": "..."}, ...]
回傳最終的 EDL 和一行總時長檢查。
調色(當使用者要求時)
你的工作是對影像進行推理,而不是套用預設。查看一個影格(透過 timeline_view),判斷問題所在,調整一項參數,然後再次查看。
心智模型是 ASC CDL。每個通道:輸出 = (輸入 * 斜率 + 偏移) ** 伽瑪,然後全域飽和度。斜率 → 亮部,偏移 → 陰影,伽瑪 → 中間調。
範例濾鏡鏈(grade.py 有 --list-presets;將它們作為起點或混合使用):
warm_cinematic— 復古/技術感,微妙的青/橙分色,低飽和度。用於實際的發表影片。對談話性影片安全。neutral_punch— 最小修正:對比增強 + 溫和的 S 曲線。無色相偏移。none— 直接複製。當使用者未要求調色時的預設值。
對於其他任何情況——人像、自然、產品、音樂錄影帶、紀錄片——自行發明濾鏡鏈。grade.py --filter '<原始 ffmpeg 濾鏡字串>' 接受任何濾鏡字串。
硬規則:在提取時逐片段套用(而非串接後套用,後者會導致二次編碼)。在未測試膚色之前,絕不進行激進的調整。
字幕(當使用者要求時)
字幕有三個值得仔細考量的維度:分句方式(每行 1/2/3 字或完整句子)、大小寫(全大寫/標題大小寫/自然大小寫)以及位置(距離底部的邊距)。正確的組合取決於內容。
已驗證的風格——選擇、調整或自行發明:
bold-overlay — 短格式科技發表、快節奏社交媒體。2 字一組、全大寫、依標點符號斷句、Helvetica 18 Bold、白色文字搭配外框、MarginV=35。render.py 以 SUB_FORCE_STYLE 內建此風格。
FontName=Helvetica,FontSize=18,Bold=1,
PrimaryColour=&H00FFFFFF,OutlineColour=&H00000000,BackColour=&H00000000,
BorderStyle=1,Outline=2,Shadow=0,
Alignment=2,MarginV=35
natural-sentence(若你自行發明此模式)— 敘事、紀錄片、教育。4–7 字一組、句子大小寫、依自然停頓斷句、MarginV=60–80、字型較大。
[其餘內容因篇幅限制而截斷]