BigBeeCN/竖屏口播视频剪辑

竖屏實拍口播短視頻剪輯（Windows + Codex + 剪映）

適用場景：手上只有別人拍好的素材（口播 + 空鏡），要剪成 30–50 秒、1080×1920 的豎屏短視頻，最後由剪輯師在剪映裡收尾或直接出片。

硬規則（不可違反）見 references/AGENTS_rules.md，開工前把它放進項目的 AGENTS.md。本文件只講流程。

輸入

• 素材目錄（唯讀，絕不改動原件；先複製一份到工作目錄）。
• 剪輯師本人的風格習慣（若有）。剪輯師本人說過的習慣 = 硬標準；參考片只當招式庫，學手法不學參數，衝突時聽剪輯師。
• 可選：參考片、品牌標識位置、片尾 CTA 文案（不得寫未核實的電話/地址）。

輸出

• spec.json（分鏡，唯一剪輯依據）、粗剪成片或成片 mp4、.srt、逐秒 QC 拼圖、QC 報告。
• 路線 A 額外交付：剪映草稿；路線 B 額外交付：透明疊加層 ProRes 4444 .mov。

第 0 步：環境自檢（不過不開工）

按 references/windows_env.md 跑自檢：ffmpeg 完整版（帶 zscale、tonemap、prores_ks）、Python 3.10/3.11、faster-whisper + whisperX、Playwright + Chromium + 目標中文字體，可選 demucs / RVM；剪映草稿目錄已填進配置並加入 writable_roots。Codex 沙箱預設斷網，模型和依賴要提前裝好。任何一項失敗，先報告缺什麼，不要硬跑。各步驟的具體命令見 references/windows_commands.md。

第 1 步：素材盤點

1. ffprobe 每個檔案：解析度、幀率（是否可變）、旋轉、時長、色彩傳輸（HLG/PQ = HDR）。寫成 inventory.csv。
2. 不導出 SDR 中間檔案：每次讀幀時在濾鏡鏈裡現轉。所有素材都加 fps=30；HDR 素材的讀幀濾鏡鏈以 HDR 轉 SDR 開頭，否則畫面發灰，截封面幀也一樣（命令見 windows_commands.md 第 2 節）。
3. 每條素材抽縮圖打標籤（內容、人物、可用時段、遮擋/黑場/起始偏暗、是否他人品牌）。標出不能用的素材和時段。

• 檢查：每條素材都有標籤；傳輸特性為 arib-std-b67 或 smpte2084 的素材，讀幀濾鏡鏈都以 HDR 轉換開頭。

第 2 步：聽寫與校對

1. faster-whisper 粗聽：medium 模型、device='cpu'、compute_type='int8'、language='zh'、vad_filter=True、word_timestamps=True，initial_prompt 放行業詞表。VAD 會漏句，再跑一遍關 VAD 的，這一遍加 condition_on_previous_text=False。
2. 先人工對照音頻校對全文：專業詞、數字、同音錯字；Whisper 還會憑空編出沒說過句子，要刪掉。聽不清的詞直接從音頻剪掉，不猜。
3. 聽寫前固定先用 ffmpeg 抽 16 kHz 單聲道 WAV 再交給 whisper。再把校對稿送進 whisperX 做強制對齊（結果寫進 spec 的 align 欄位），拿逐字起點（誤差 0–3 幀）。whisperX 的字尾時間不可靠，出點用能量檢測。

• 檢查：轉寫裡沒有未校對的專業詞和數字；每句有逐字起點。

第 3 步：敘事重組（先定敘事，再定特效）

1. 第 1 秒必須是鉤子：「反差 + 結果」，用原話。片頭不放空鏡和 logo。
   • 鉤子可以把兩句不相鄰的原話拼起來，但每半句都帶 src_t，拼完不能改變原意。
   • 聲音二選一，寫進 spec：第一句照常開口、大字壓在上面；或把結果句（≤3 秒）提到片頭做冷開場，再回到正常順序。
2. 刪掉不推進故事的句子（口號、鋪墊、重複表態），目標 30–50 秒。
3. 標出 3–4 個敘事轉折點（開頭鉤子 / 場景轉換 / 高潮結果 / 收束金句），爆點只放在這些位置；高潮力度排第一，開頭次之。兩個爆點至少隔 6 秒；約 30 秒的片子放 3 個，約 50 秒放 4 個。

• 檢查：每條上屏文字都能在轉寫裡找到原話和時間戳，並核對上下文（同一個詞在不同句裡意思可能不同）。

第 4 步：寫分鏡 spec.json，請用戶確認

欄位規範見 references/spec_schema.md，關鍵詞類別示例見 references/kw_class.example.json（示例裡的詞是某個項目的，換項目要重寫）。每段寫清：源素材與入出點、版式、字幕、kw_class、特效預設、B-roll、音效、音樂段落、src_t（原話時間戳）。渲染前把分鏡表發給用戶確認。

第 5 步：剪輯

1. 入出點用 10 ms 幀 RMS 能量檢測（不用 Whisper 字尾）。氣口剪乾淨：吸氣聲、廢話一點不留。
   • 實際跑通的做法：先按能量裁，閾值 max(第 10 百分位 + 14 dB, −48 dBFS)，連續 3 個 10 ms 視窗有聲才算開口，前留 0.10 s、後留 0.14 s，再人工收緊；檢查剪點兩側低於 −42 dBFS 的連續長度合計 ≤90 ms。
   • 剪輯師習慣的目標：每個字起音前只留 1–2 幀（≤67 ms），尚未按此標準實測（待驗證）。驗證方法：demucs 分離人聲後，從剪點量到連續 3 個 10 ms 視窗高於 −42 dBFS 的起點；每個剪點 ≤67 ms、首字輔音不被切掉、剪段重跑 ASR 無斷字才算通過，通過後再改成預設。
   • 可另出一版句間留 2–3 幀的對比版給剪輯師挑。
2. 幀精確導出每段：-ss 放在 -i 前，-vf 含 fps=30，用 -frames:v nf 定長（nf = round((出點 − 入點) × 30)），libx264 -preset veryfast -crf 12，帶 BT.709 三個色彩標記；音頻按採樣點拼接，每段 8 ms 淡入 / 15 ms 淡出防爆音。
3. 同機位跳切加 1.08 倍推拉；進出 B-roll 用甩鏡 + 橫向模糊。
4. B-roll 只插在原話提到對應內容的地方，不為湊節奏硬插。

第 6 步：字幕特效（兩檔）

常規檔：每 1.5–2 秒一個，最長間隔 ≤3 秒，克制。

• 底部字幕：白字黑描邊，一行 ≤12 字，整句出現（是否給關鍵詞上色做成參數，由剪輯師定）。
• 強調放中層金色大字（關鍵詞 1.75×，數字 2×），逐字入場 115%→100%，6–8 幀；可加手繪底線/圈註、紙紋、柔和投影。
• 可選招式：數字滾動、實物貼圖配對應擬音、累加清單（字號 ≥ 底部字幕 1.2 倍，匯攏後再放大）、豎排對仗金句（出現時隱藏底部同句字幕）、開頭身份標籤（只在開頭用一次，標註「非原話」）。

爆點檔：每條 3–4 個，算進總密度，每一下疊滿：

• 大字占畫寬 75–85%（85% 是上限，安全區優先）；4 幀內推近 1.15–1.25；2–3 幀震屏帶運動模糊；背景壓暗 6–30%、適當去飽和（參數，以手機上看人像層次清楚為準），人物層不調色；預混好的複合重擊音效（按 1 個計）。
• 力度分檔：最重的一下推近 1.25、震屏 3 幀；其餘推近 1.15、震屏 2 幀。
• 同一招全片只用一次：字在人後（摳像）/ 文字遮罩轉場 / 全屏數字滾動 + 紅章 / 豎排金句寫出 + 掃光。
• 字在人後：字放肩線以上，避開手和道具；頭要擋住字 25–30%（<15% 手機上看不出）；描白邊前先把椅子等誤摳物從蒙版裡擦掉。
• 紅章：全片唯一的紅色，寬 30–40% 畫寬，3 幀內 150%→100% 砸下 + 2 幀震屏。
• 定格：只能放在一句說完後的自然靜音裡（人聲 < −45 dB），選嘴最接近閉合的幀，≤0.4 秒，全片最多一處，重擊音效壓在定格起點。這是「氣口一點不留」的唯一例外。
• 所有入場動畫提前 1 幀開始。

第 7 步：聲音

• 人聲：高通 80 Hz → 降噪 → 輕 EQ → 壓縮。
• 音樂：按章節換曲（剪輯師習慣），交叉淡化 300–600 ms；說話時側鏈閃避。只用確認授權或自行合成的音樂。
• 音效：全片約 0.5 個/秒，均勻分佈，每 4 秒視窗 1–3 個，任意兩個間隔 ≥0.25 秒；電平預設音效 RMS 比人聲有聲段低 14 dB（db=-14）；內容匹配的擬音優先於通用 pop。
• 響度：第一遍 loudnorm=I=-14:TP=-1.5:LRA=11 測量；第二遍帶入測量值加 linear=true，後面固定接 aresample=48000,alimiter=limit=0.7:attack=1:release=30:level=false；最後 ebur128 複測，按 g = min(−14 − I, −2.9 − Peak) 補增益。目標 −14 LUFS，真峰值 ≤ −1 dBTP。

第 8 步：渲染與交付（二選一或組合）

• 路線 A：剪映草稿（剪輯師只用剪映時的預設）。Codex 出粗剪、字幕、音效與音樂時間點，用 pyJianYingDraft 新建草稿，剪輯師打開剪映做包裝和導出。限制和注意事項見 references/jianying_route.md，整條路線待在 Windows 實機驗證。
• 路線 B：疊加層（爆點必須用）。特效層用 HTML/Canvas，Playwright 驅動系統裝的 Chrome 逐幀截透明 PNG：視口 1080×1920、device_scale_factor=1、啟動參數 --font-render-hinting=none，截圖前等 window.READY 和 document.fonts.ready，omit_background=True；所有動畫寫成時間 t 的純函數。PNG 序列以 -framerate 30 讀入，編 ProRes 4444（-alpha_bits 16），再用 ffmpeg overlay 合成。把疊加層作為影片軌放進剪映草稿：沒跑過，待驗證。ffmpeg drawtext 做不出逐字入場、字在人後。
• 保底交付：粗剪成片 + SRT + 分鏡表，包裝由剪輯師在剪映完成。
• 疊加前對底片做輕微調色 eq=contrast=1.04:saturation=1.07。
• 最終編碼：libx264 -profile:v high -preset slow -crf 17 -maxrate 16M -bufsize 24M -g 60 -r 30 -pix_fmt yuv420p -color_primaries bt709 -color_trc bt709 -colorspace bt709，AAC 192k，-movflags +faststart。

第 9 步：質檢（全部通過才交付）

逐項按 references/qc_checklist.md。報告只寫自己抽幀、聽音頻核實過的東西，每條帶數字和單位；量不到的寫「沒量到」，不硬報。

封面

• 分工：策劃出文案和候選幀（寫進 spec 的 cover 欄位），剪輯出版式和導出（1080×1920 與 3:4）。
• 主標題用原話濃縮，可調語序（如「擰螺絲一個半月」），不加原話裡沒有的事實；≤7 字、最多 2 行。副標籤放結果數字，貼紙 2–3 個。
• 標題和臉都放在中間 1080×1440（y 240–1680）裡，抖音主頁網格按 3:4 裁切。
• 每次至少給 3 個候選幀，附時間戳和理由，示意圖標「非成稿」。
• 逐 0.5 秒掃全段找側身或表情幀；視線方向決定版式（人看左上 → 人放右下、標題放左上）；衣服或背景有字時禁止鏡像翻轉。

成功標準

• 時長 30–50 秒，第 1 秒是原話鉤子；上屏文字 100% 可追溯到原話。
• 常規特效最長間隔 ≤3 秒；爆點 3–4 個且力度分檔、招式不重複。
• 音效 ≈0.5 個/秒、無同時疊響；卡點 ≤2 幀；−14 LUFS ±1、真峰值 ≤−1 dBTP。
• 安全區越界 0；無意外黑幀/凍幀；字不壓臉、不壓品牌標識。
• 用戶確認过分鏡表；交付物齊全。

常見坑 → 對策

坑	對策
HLG 素材發灰	zscale + tonemap=hable 轉 SDR，gamma 約 1.12
Whisper 字時間偏早、字尾拖進靜音	起點用 whisperX 對齊，出點用能量檢測
VAD 漏句	再跑一遍關 VAD
上屏字不是原話 / 上下文錯用	每條帶 src_t，QC 逐條對照轉寫
特效力度全一樣，顯得普通	分常規檔和爆點檔，爆點疊滿
字在人後看不出	量遮擋比例，頭擋住 25–30%
椅子被摳進人像	字放肩線以上；描邊前擦掉
卡點量錯	從「看得清的第一幀」量；入場提前 1 幀
齒音被當成音效	demucs 分離人聲後只在伴奏軌上測
音效扎堆	每 4 秒視窗 1–3 個，高潮複合音效按 1 個計
章或大字進抖音按鈕區	右邊界 ≤ x 930
邊說話邊定格、嘴型對不上	定格只放在靜音裡，≤0.4 秒
動畫滑入時掃過臉或出畫	改為原位淡出 + 目標位放大淡入
查看工具按路徑快取舊圖	每次檢查圖換新檔案名稱
中文路徑或空格導致命令失敗	用 Python subprocess 傳參數列表；檔案讀寫顯式 utf-8
Whisper 幻覺出沒說過的句子	對照音頻人工校對全文後再對齊
想換其他渲染方案（如 Remotion）	未驗證，不要自行替換，特效層只用 HTML/Canvas + Playwright
新草稿不在剪映列表裡、字體不對	進出已有草稿或重啟；草稿開兩次