alyshadotmd/video-editing

A-roll 處理

目標：將一個長錄影或多個相同腳本的錄影，轉換成由每個台詞的最佳 take 所建構的緊湊粗剪。語音直接銜接語音，每個字詞都完整，剪輯聽起來就像一次乾淨的 take，而且是第一次就成功。

此技能專為 Claude Code 和 Runneth 設計。它需要：

• ffmpeg 來測量音訊、擷取靜態畫格和剪輯影片。
• 所有說話內容的字詞時間戳： 一個能提供每個字詞時間的語音轉文字工具（Whisper、faster-whisper、whisper.cpp）。
• 評判畫面的方法： 請參閱下方的「如何評判一個 take」。
• 檢查腳本 位於 scripts/cut_check.py（需要 python3 加上 numpy 和 ffmpeg）。

用簡單日常的語言與剪輯師溝通，一次只講一個重點。

開始之前：工具

在 Runneth 中，所有東西都已安裝：請跳過此章節。

在 Claude Code 中，此技能需要 video-editing-setup 技能所安裝的免費影片工具。請低調檢查 ~/.video-editing-tools/bin/ffmpeg -version 是否可執行。如果可以，請在此技能提到 ffmpeg、ffprobe 或 python3 的地方，使用 ~/.video-editing-tools/bin 中的工具（ffmpeg、ffprobe、python），然後繼續。如果不行，請先遵循 video-editing-setup 技能，然後再回到這裡。

步驟 0：開始任何工作前的兩個快速檢查

1. 檔案是剪輯師想處理的那個。 如果他們說這是重拍或新片段，但它與先前的片段長度或場景相同，請在開始前用一句話詢問。

2. 準確地問這個問題，作為一個有兩個選項的問題：

   「您要我先把我要保留的 take 給您看，還是直接進行剪輯？」

   • 先給我看 → 遵循以下每個步驟，並在步驟 4 停止，等待剪輯師確認。
   • 直接剪輯 → 從頭到尾執行所有步驟，不要停止。最後一次說明您不確定的任何事項。

   如果剪輯師已經說過要哪個選項（例如「直接剪」、「先把 take 給我看」），則跳過此問題。如果沒有人可以回答，則視為「直接剪輯」。

步驟 1：取得文字

1. 使用 ffprobe 檢查每個錄影的長度、方向和影格率。當有多個錄影時，為每個錄影指定一個簡單的標籤（影片 A、影片 B、影片 C），並對所有錄影執行以下每個步驟。
2. 從每個錄影中抽取音訊：ffmpeg -i IN.mov -vn -ac 1 -ar 16000 audio.wav。
3. 標記每個說話段落：ffmpeg -i audio.wav -af silencedetect=n=-35dB:d=0.3 -f null -。靜音之間的段落就是語音島。每個字詞都存在於某個語音島內，而且這些島比任何文字稿的時間都更準確。
4. 使用帶有字詞時間戳的語音轉文字工具進行轉錄。使用 faster-whisper 時：model 設為 base、word_timestamps=True、condition_on_previous_text=False，以及一個 initial_prompt，列出影片中可能出現的名字和品牌詞。較大的純英文模型會默默地清理重啟（restarts），這會隱藏此技能需要看到的假開頭（false starts）。
5. 在長段落中，文字稿可能會漂移或跳過。每個語音島都需要有字詞。當一個語音島沒有字詞，或字詞似乎遺漏在靜音之間時，請重新轉錄該段落：將視窗從語音島前約 1 秒開始，到語音島後約 1 秒結束，並關閉任何語音過濾器（vad_filter=False）。
6. 短的重新轉錄視窗可能會在結尾憑空產生未被說出的字詞（例如「非常感謝」、「感謝觀看」）。僅保留那些落在語音島內且符合台詞的字詞；堆疊在同一時間戳的字詞是憑空產生的。
7. 修正名字和品牌詞的明顯誤聽。如果有腳本，請將其用作台詞的地圖；如果沒有，則文字稿就是地圖。

步驟 2：將 take 分組

1. 將 footage 分割成台詞（每個句子或想法），並將每個台詞的所有嘗試（attempt）分組，跨越多個錄影。多個相同腳本的錄影是一個 take 池：例如，台詞 1 會得到來自影片 A、B、C 的所有 take 1，並排在一起，每個 take 都會標記其錄影來源（例如「影片 B，take 3」）。嘗試通常以相同的幾個字詞開頭。
2. 一個 take 從一次嘗試的開始，到其最後一個字詞結束，然後才開始下一次嘗試。
3. 將每個 take 標記為完整（說完整句台詞）或假開頭（中途停止）。
4. 台詞內的每個短語都視為獨立的片段。一個台詞可以由不同 take 的最佳片段組合而成（例如，第一句來自 take 4，第二句來自 take 2），這也包括來自假開頭的乾淨片段。

步驟 3：評判每個 take

每個台詞的每個 take 都要被評判，包括只說了一次的台詞。每個短語的最佳版本勝出，無論它來自哪個 take 或順序。當短語之間的接合處乾淨時（請參閱下方的規則 7），從這些最佳片段構建每個台詞。使用下方的「如何決定一個 take 是否被保留」，並在 take 檔案（模板：templates/takes.md）中為每個 take 寫一行：台詞、take、時間、你看到的、保留與否，以及簡短原因。

如何評判一個 take

評判的內容在兩種情況下都相同。如何看到它則取決於工具：

• 在 Runneth 中（或任何可以將影片發送給能觀看影片的模型（如 Gemini）的設定）：讓該模型觀看每個錄影，並根據「什麼讓一個 take 成為保留的 take」以及語氣、重點、笑話時機和猶豫來評判每個重複的台詞。將您自己的選擇與發送給模型的內容分開，使兩次讀取保持獨立。當模型選了一個與您不同的 take 時，採用模型的選擇。始終從文字稿和語音島獲取時間，絕不從影片模型獲取：其時間戳會漂移，有時會跳過台詞。
• 在 Claude 中，它無法觀看影片，因此根據三件它可以自行檢查的事情來評判：
  1. 台詞（文字稿）：完整的台詞，沒有結巴、沒有填充詞、沒有中途重啟。
  2. 聲音（對每個 take 使用 astats）：穩定的音量，沒有削波、沒有爆音或噪音爆發。
  3. 畫面（靜態畫格）：每個重複台詞一張工作表，每個 take 堆疊在一起，每秒 2 個畫格：對每個 take 使用 ffmpeg -nostdin -ss START -t LENGTH -i IN.mov -vf fps=2,scale=160:-2,tile=10xN take.jpg，然後將所有 take 的圖片堆疊成一張圖片。查看工作表中的所有內容，參考「什麼讓一個 take 成為保留的 take」。
• 帶有聲音的螢幕錄影： 評判台詞、聲音，以及指向或點擊的動作是否與所說的內容相符。

步驟 4：顯示選取的 take（僅當編輯要求先看時）

1. 顯示剪輯清單：每個保留的片段一行，包含 start-end 和確切的保留文字。在接近的選擇行上標示「（接近選擇：take 2 也一樣乾淨）」，以便編輯知道要檢查哪裡；明確的選擇則沒有註解。僅在有任何阻礙剪輯的事情（例如無法辨識的字詞）時，在結尾添加一行簡短說明。
2. 編輯會批准、替換一個 take（例如「台詞 4 使用 take 2」）或刪除一行台詞。他們的變更具有決定性，即使影片模型後來不同意。當他們替換時，如果他們沒有說明原因，請用一個簡短的問題詢問原因。他們的原因是技能學習的依據（步驟 7）。

步驟 5：建構剪輯

剪輯非常緊湊：語音到處都直接銜接語音，包括在保留的 take 內部。思考停頓和短語之間的呼吸聲會被剪掉。唯一保留的停頓是最後一個畫格上的約 0.5 秒。

1. 邊界來自語音島，而不是文字稿。每個保留的片段從其語音島的第一個聲音開始，到其最後一個聲音結束。第一個字詞之前的呼吸聲、咂嘴聲和操作噪音可能會超過 -30dB 並被縫合到語音島中，因此片段應從第一個字詞的起始點開始（音量上升到語音水準的位置，通常為 -25dB 或更大），而不是從第一個小雜音開始。片段開頭或結尾的任何呼吸或噪音段落都會被剪掉。結尾則反過來運作：一句台詞通常會安靜地結束（例如輕聲說「在晚上睡著」），因此片段應在其最後一個字詞之後結束，即使該字詞比其他字詞安靜。檢查剪輯的文字稿中是否包含每句台詞的最後一個字詞。
2. 保留 take 內部的停頓 會用更敏感的參數找到，使用 silencedetect=n=-30dB:d=0.2，所有 0.25 秒或更長的停頓都會被剪掉。take 內部的重啟和重複字詞也會被剪掉，只保留乾淨的最終措辭。
3. 每個片段在兩側各填充約 0.05 秒。 填充太多會留下停頓；填充太少則會切到字詞。然後將每個邊界對齊到完整的畫格（開始時間向下取整到前一個畫格，結束時間向上取整到後一個畫格）。邊界落在畫格之間會導致接合處重複或丟失畫格，這會使之後的每個剪輯點移動一到兩個畫格，並在將 B-roll 放置在剪輯點上時讓雜散畫格通過。
4. 短於約 0.3 秒的片段幾乎都是剩餘物（一個雜散的音節）。除非它包含一個完整的字詞，否則予以丟棄。
5. 在每個接合處添加 20 毫秒的音訊淡入淡出，並從工作副本中以一次重新編碼連接所有內容。原始檔案保持不變。
6. 將片段清單（[[start, end], ...]，以秒為單位）儲存為 clips.json；檢查腳本會讀取它。

步驟 6：在編輯看到剪輯之前進行檢查

編輯看到的每個版本都必須通過對該確切檔案進行的所有檢查。未執行的檢查視為失敗。

1. 執行檢查腳本： python3 scripts/cut_check.py --voice audio.wav --clips clips.json --out CUT.mp4。它會檢查三件事並列印 RESULT PASS 或 FAIL：
   • 結尾： 每個片段的最後 50 毫秒低於語音水準（-30dB）。如果不是，表示有一個字詞被切斷：將該結束時間向後移動，直到音量下降。
   • 開頭： 每個片段開始前的 30 毫秒是安靜的，因此沒有片段從字詞中間開始。
   • 間隙： 剪輯中除了最後的保留停頓外，沒有任何地方有 0.25 秒或更長的停頓。 如果有多個錄影，則對每個錄影執行一次：使用該錄影的音訊作為 --voice，並僅在 clips.json 中包含該錄影的片段，每次使用相同的剪輯作為 --out。 如果聲音來自與畫面不同的檔案（例如獨立麥克風），則還要用相同的修剪方式剪輯攝影機自己的音訊，並將其作為 --camlock 傳遞，以便腳本也檢查同步（每 3 秒內在 40 毫秒以內）。
2. 每個字詞都完整，且只出現一次： 使用字詞時間戳轉錄剪輯，並逐字與剪輯清單進行比較。接合處出現半個字詞表示邊界太緊。接合處出現重複的字詞或短語表示有殘留的重啟。 字詞之間沒有死寂： 在該文字稿中，一個字詞結束到下一個字詞開始之間的任何間隙不得長於約 0.3 秒（最後的保留停頓除外）。腳本中的間隙檢查只能找到安靜的停頓；充滿呼吸聲的停頓音量夠大，可以通過檢查，因此這個字詞間隙檢查才能捕捉到它。將片段修剪到其第一個字詞，然後重新執行所有檢查。
3. 每個接合處，逐一檢查： 對於每個剪輯點，說出它前一個字詞和後一個字詞，並確認兩者都已完整說出。轉錄每個接合點前後 2 秒的視窗來檢查（一個籠統的「有任何問題嗎？」會讓被切斷的字詞漏掉）。在 Runneth 中，也讓影片模型像挑剔的初次觀看者一樣觀看剪輯，並列出問題及其時間：被剪掉或遺漏的字詞、畫面瑕疵、凍結畫格、突兀的跳躍。
4. 長度： 剪輯的長度必須與剪輯清單的總長度相符。

修復所有失敗的地方，再次剪輯並重新執行所有檢查。

步驟 7：從編輯那裡學習

每當編輯替換一個 take、更改邊界或說明為什麼某個 take 更好時，將該原因轉化為一個通用規則，並將其合併到下方的「什麼讓一個 take 成為保留的 take」中（或者如果是關於剪輯緊湊度的規則，則合併到步驟 5 中）。保持清單簡短：重寫和合併規則，而不是堆疊新的規則。只有編輯的原因會改變規則。

什麼讓一個 take 成為保留的 take

這些規則來自一位編輯對她自己的 talking-head 影片的真實選擇。按順序應用它們，然後隨著您的編輯的意見到來，用您自己的編輯規則替換它們。

1. 整句台詞，說得乾淨利落。 一個有結巴或遺漏字詞的 take，無論其畫面多好，都會輸給一個乾淨的 take。
2. 沒有東西遮住臉。 手或麥克風放在嘴前會使 take 被淘汰。
3. 活力。 手勢、動作和生動的表現勝過靜止、平淡的朗讀。
4. 最快樂的臉。 在兩個乾淨的 take 之間，真誠的微笑和明亮的眼神勝出。
5. 臉與台詞相符。 在笑點上睜大眼睛，在快樂的台詞上真誠微笑。
6. 自然、平穩的節奏。 不急促，沒有長時間的停頓。
7. 最佳片段，乾淨地接合。 最佳 take 無論來自哪個錄影都會勝出，而由兩個 take 的部分組成的台詞，當每個部分都是更好的版本時，會勝過一個完整的 take。當說話者的頭部和手勢在接合處兩側大致位於相同位置時（檢查接合處前後的畫格），或者當接合處稍後會被 B-roll 覆蓋時，接合就是乾淨的。錄影之間的切換還需要在兩側具有相同的外觀（頭髮、光線、構圖、手中的產品）；當外觀改變時，切換應落在台詞之間，並由 B-roll 或變焦變化覆蓋。
8. 更簡短，但力道更強。 當台詞的其餘部分重複了已經說過的話或拖慢了影片速度時，將其剪到最有力的部分（例如用「直到我用完」代替「我沒意識到它在幫助我，直到我用完」）。
9. 接近的選擇保持為接近的選擇。 當兩個 take 同樣乾淨且畫格顯示沒有真正差異時，選擇一個並將其標記為接近的選擇。靜態畫格無法顯示語調，所以不要假裝其中一個明顯更好。

每個剪輯的規則

• 剪輯中的每個字詞都來自音訊。無法辨識的字詞標記為不清楚，絕不猜測。
• 時間來自原始錄影的時間軸，剪輯清單中的每個片段都標記其錄影來源。
• AI 時間是接近的，而不是精確的。每個邊界都根據語音島設定，並在音訊中檢查。