视频脚本高精度逆向工程 是做什麼的？
把一段动态视频还原成一份可复刻拍摄的静态文字脚本。核心判据：读者不看视频也能"看见"它——说什么、怎么说、脸上怎么变、眼睛在看谁、为什么这么说。
何时调用
- 用户给出视频文件并要求"拆脚本 / 还原脚本 / 逐帧分析 / 拉片 / 转成文字脚本 / 这个视频怎么拍的"
- 需要从参考视频里提取带货话术结构（痛点→共鸣→实证→报价→行动指令）
- 需要给演员/编导一份表演提示单（语气、表情变化、眼神落点）
- 需要从对标视频反推分镜与剪辑节奏
不适用：纯字幕提取（用 ASR 即可）、视频剪辑本身、音乐扒谱。
铁律（先记这五条）
- 台词零清洗：保留"呃 / 哎 / 嗯 / 呀 / 嘘 / 哦 / 哼"，它们是真实感与人物分配的关键证据，不得美化删改。
- 眼神必须具名：写"【A】的眼神投向【B的具体身份/部位】+ 停留时长"，禁止"看向对方""深情对视"这类模糊表述。
- 表情要写"变化轨迹"：按
[起] → [中] → [末]分阶段推进（例：瞪圆 → 瞳孔放大 → 眉舒展抿唇），禁止只写一个静态形容词。 - 语气要写"声音质感"：音高、音量、语速、气息（气声/破音/抽气）、重音落点、停顿长度——五项至少写三项。
- 说话人必须过校验链：ASR diarization 一定会错 → 分片重转录比对（P6）→ 逐秒字幕基准表（P3.5）→ 口型帧裁决。四层证据全过，才允许写【说话人】。
执行流程（P0–P7）
P0 素材探针
ffprobe -v error -show_entries format=duration,size:stream=codec_type,codec_name,width,height,r_frame_rate \
-of default=noprint_wrappers=1 "<video>"
据此决定抽样密度（见下表），并确认音轨是否存在（无音轨则跳过 P1，改用画面推断）。
| 时长 | 抽帧策略 | 帧数上限 | 说明 |
|---|---|---|---|
| ≤2 min | 1 帧/2s + 关键段 1 帧/秒 | 60–80 | 短视频/广告，细节全要 |
| 2–10 min | 1 帧/5s | 60–100 | 剧情短片 |
| 10–30 min | 1 帧/10s + 钩子段加密 | 80–120 | 短剧/长口播，首尾各 90s 需 1 帧/3s |
| >30 min | 1 帧/20s + 分段抽样 | 100–150 | 只做章节级还原，先出大纲再深挖 |
成本守则：单次任务 ViewImage 总调用控制在 60 次以内，每批 8 张并行；帧数不够时优先保"表情转折点、产品特写、道具特写、字幕卡"。
P1 音频全量转录
ffmpeg -y -v error -i "<video>" -vn -ac 1 -ar 16000 -b:a 96k audio.mp3
用 AudioTranscribe（支持 mp3/wav/m4a/mp4 等，≤1GB 或 5 小时）转录。产出带 [起,止,说话人ID] 的时间戳文本——它是后续所有时间轴的骨架。
注意：返回的说话人 ID 只是聚类编号，不等于角色，必须由语义+语气+画面共同判定。
P2 抽帧
# 先试场景切换检测（转场多的视频用这个）
ffmpeg -y -v error -i "<video>" -vf "select='gt(scene,0.15)',showinfo" -vsync vfr -q:v 3 kf_%03d.jpg 2> scene_log.txt
grep -o "pts_time:[0-9.]*" scene_log.txt | head -100
- 命中 <10 帧 → 说明是单机位连续拍摄（口播/剧情），改用均匀抽帧：
-vf "fps=1/10,scale=576:-1" - 阈值可下调至
0.08再试一次；仍无转场就放弃场景检测 - 竖屏短视频统一
scale=576:-1，够看清表情又不浪费 token
P3 批量看帧
每批 8 张并行 ViewImage，统一 query 模板（保证可比性）：
描述这一竖屏视频帧：人物外貌、表情、动作、场景、服装、字幕文字、构图
读帧要点：
- 人物关系方向（谁拽谁、谁追谁、谁被带走、谁上了哪辆车）必须靠帧确认——ASR 永远不会告诉你这些；两个同性成年人同场景时，聚类 ID 不可直接当角色
- 字幕文字是免费的高价值信息（剧名水印、品牌名、产品字幕、价格字幕、免责声明、台词人名）——逐帧抄下来；字幕里出现的人名（如「顾川别墨迹了」）配合画面里"谁被拽着"，就是台词归属的铁证
- 注意常驻元素（水印、免责字幕、logo），这些写进文档头部
- 记住每帧对应的秒数（
kf_001= 0s，kf_002= 10s……），后面写场景描述要用
P3.5 全片字幕网格：建立逐秒台词基准表（说话人归属的第一证据）
有烧录字幕的视频（短剧/带货片几乎都有），先把**台词的"官方答案"**拿到手：
# 每秒 1 帧裁出字幕条（先抽 1 帧全图确认字幕纵向位置，本例 y=710 高 140）
ffmpeg -y -v error -i "<video>" -vf "fps=1,crop=576:140:0:710,drawtext=fontfile='<font>':text='%{pts\:hms}':x=8:y=6:fontsize=24:fontcolor=white:box=1:[email protected],tile=3x10" -q:v 3 sub/grid%02d.jpg
- 30 帧/图 → 14 分钟片约 29 张，逐张
ViewImage读出「时间戳→字幕文字」 - 蓝边/白边字幕通常是旁白转场字幕（如「两人被迫分别」），单独归类，不混入台词
- 两行字幕会被裁切丢上半行——存疑时回看该秒全帧
这张逐秒基准表能一次性解决四类问题：漏句、多句、文本错字（他/她）、语气词归属——ASR 与字幕冲突时，先信字幕文本、再用口型帧裁决说话人（字幕不标注谁说的）。
P4 建骨架：把台词流切成场景段
- 以 ASR 时间戳为轴，按场景/空间变化切段（换景、换对手、换情绪基调）
- 每段命名格式：
⏱️ [mm:ss - mm:ss] 事件名（功能标注），例：[04:15 - 05:10] 护理台上的试探·润唇膏首次登场 - 段首写
> 场景描述：（光线、构图、主要物体位置、人物站位） - 段内台词按时间先后逐行排列，多人重叠时分行并标注"（此处与X同时发声）"
P5 五维填充（每句台词下挂五个标签）
| 标签 | 必写内容 |
|---|---|
| 🎙️ 声音质感 | 音高走向 / 音量 / 语速 / 气息（气声·破音·抽气·叹气）/ 重音落在哪个词 / 停顿几秒 |
| 😐 表情变化轨迹 | [起]→[中]→[末] 三段，写到眉、眼、嘴、鼻翼、下颌的具体动作 |
| 👀 眼神交互 | 【主语】的眼神投向【宾语具名】，停留时长；视线移动要写路径 |
| 🙌 动作细节 | 手部姿态、身体朝向、移动轨迹、道具互动（指节发白/攥紧/指尖发抖这类微动作优先） |
| 🫧 神态气场 | 一句话定性这个人此刻的心理状态（导演视角，不是复述表情） |
语气词要单独成句分析：一声"哼"要写清是鼻腔气音还是喉音、是冷笑还是认输、与下一句的间隔——这决定了它是谁的台词。
P6 二轮交叉校验（本技能的核心价值，不可跳过）
问题：整片一次性转录会把相邻两人的话合并成一段，把他/她写成同一个字，把问句写成陈述句。
做法：挑出 4–6 个"高危段"切片重转录，与整片稿逐句比对。
高危段特征（命中任一即切片）：
- 一段里出现 ≥2 个角色的对话（尤其 whisper 段、吵架段、群众场面）
- 同一场景出现两位同性成年人（音色相近，聚类极易合并成一个 ID）
- 出现"他/她"且指代可能混淆
- 出现叠句、抢话、同时发声
- 出现语气词孤立成句（哼/哦/哎/啊）
- 离别、拉扯、追赶、送站场面（"谁被带走、谁在追"极易写反）
- 时间戳跨度 >20 秒且说话人 ID 未变（说明被合并了）
# 切 70–90 秒片段（避开静音边界，前后各留 1s 余量）
ffmpeg -y -v error -ss 15 -t 75 -i "<video>" -vn -ac 1 -ar 16000 -b:a 96k seg1.mp3
对每片跑一次 AudioTranscribe，然后按下表判定：
| 差异类型 | 判定方法 | 处理 |
|---|---|---|
| 说话人颠倒 | 看分片里发声位置是否交替（A/B/A/B）；再结合画面口型与剧情因果 | 以交替规律 + 剧情逻辑为准，正文加 📌 校订说明 |
| 他/她混淆 | 同音字必错，按被指对象的真实性别改写 | 直接改，不保留原字 |
| 漏句（整片稿缺失） | 分片稿出现的句子在正文找不到 | 补回，同步调整段内时间轴 |
| 合并句需拆分 | 一句话里主谓不一致（"你快走别墨迹了我等着"） | 按语义拆成 2–3 行，各归其人 |
| 问句/陈述句误判 | 看尾音上挑与否、有无"？"语义 | 控诉句用"！"，追问句才用"？" |
| 画外音 vs 出声 | 分片里是否与前后同一发声位置连续、有无音轨切换 | 连续同位置＝出声低语，须标注"对方未听清"而非"内心独白" |
| 动作方向颠倒 | 看帧：谁的手拽着谁、谁上了哪辆车、字幕称呼喊的是谁 | 全段反转重写，正文加 📌 校订说明 并附帧证据 |
三轮画面复核：涉及动作方向、人物关系（谁被带走/谁在追/谁拽谁）的结论，二轮的纯文字比对不足以定案——必须回到密集抽帧（1 帧/秒）核对画面，并用后文回指台词（如"15年前你把我拉走"）反推互锁。真实案例见 references/pitfalls.md #9。
四轮字幕基准表复核：交付前用 P3.5 的逐秒字幕基准表与脚本逐条对齐——凡是脚本台词与字幕文本不符、或字幕上有而脚本没有的句子，逐条修正/补录；归属存疑的点抽全帧看口型定案（抽帧时刻=字幕出现秒数）。两个特殊规则：
- 闪回原声会溢出：闪回画面结束后，原声可能延续到现实镜头上（例：现实镜头里母亲闭唇，字幕却显示童年的"嘘"）——归属跟音轨走，不跟画面走；
- 字幕的"她"未必是女：原片字幕常有他/她混用，按语义与后文回指判定真实指代，但引用原字幕时要保留原文并注明。
校验记录要写进交付物（表格：时间点 / 原稿 / 校验后 / 判定依据 + 重合度 + 遗留不确定项）——这是脚本可信度的凭证。
P7 交付与自检
产出单个 Markdown 文件，结构见 references/script-template.md；交付前逐条过 references/qc-checklist.md。
最后用 present_files 呈现，并在回复里给出：视频识别结论（剧名/品类/时长）、核心剧情一句话、带货结构、本次校验修正了几处。
脚本工具
scripts/extract_assets.sh 一键完成 探针→音频→场景检测→均匀抽帧→高危段切片：
bash scripts/extract_assets.sh "<video>" "<outdir>" [帧间隔秒数]
# 例：bash scripts/extract_assets.sh ./v.mp4 ./frames 10
脚本输出 probe.txt、audio.mp3、kf_*.jpg（含序号↔秒数对照）、scene_log.txt，并把帧数/时长打印成一张工作量表。
参考文件
references/script-template.md— 交付物完整骨架（角色档案 / 语气神态总表 / 分段五维 / 带货方法论 / 表演提示单 / 校验记录）references/qc-checklist.md— 16 项交付前自检清单references/pitfalls.md— 10 类高频错误与对策（含真实案例）
输出约定
- 时间格式统一
mm:ss（超 1 小时用hh:mm:ss），段落标题里写区间，台词块内可标单点秒数 - 角色名统一：首次出现写全名，正文用【】包裹，例
【顾母】 - 同一角色不同身份（化名/童年/成年）必须分开建档，并在档案里写清对应关系
- 产品名、品牌名、价格必须逐帧核对字幕（ASR 常把品牌名听错，例："胡萝问素"→"胡萝卜素"）