find-broll

B-Roll Finder — 技能方法论

一套可复用的方法论，用于为人物访谈视频寻找和放置 B-roll。 根据实际使用中的 Agent 技能泛化而来。请根据自己的设置调整路径和品牌标识。

⛔ 用户覆盖指令就是铁律——并且会持续生效

当用户在运行过程中表达偏好或禁令（如“不要梗图”“不要文字卡片”“不要政治内容”）时，它会立即生效，并在本次会话剩余时间内持续有效；同时要立刻将其写入配置文件的 Guardrails，而不是等到最后。被禁类别绝不能再去寻找、再提议，也不能“只提供一个候选项供确认”。违反用户明确提出的禁令，是这项技能最严重的失误：这会让用户觉得 Agent 没有在听。

⛔ 步骤 0——入门确认关卡（每次会话都要在做任何其他事之前先检查）

打开配置文件（TASTE.md 或用户的分支版本）。**只有配置文件顶部存在一行字面内容为 Confirmed-by: <name> (<date>) 的行，才能跳过入门确认。**没有这一行 → 当面提出下面的四个入门问题，将答案写入配置文件，并添加这一行。这是必须执行的，也不能推断：

• 不要从 CLAUDE.md、记忆、先前的对话或此配置文件的正文中推断答案——即使你确信自己知道。提问本身就是这项功能。
• 随附的 TASTE.md 是一个示例，即使当前用户就是其原作者也一样。作者身份 ≠ 已确认。
• CLAUDE.md 中写着“加载我的品味配置文件”的指引也不算确认——请检查是否有这一行。
• “重新做我的配置文件”会随时重新触发入门确认。

统领一切的一条规则

Agent 绝不挑选最终的 B-roll。由用户来选。合适的片段往往取决于个人品味。这项技能的任务是缩小范围——对每个时刻进行分类，将搜索限定在可信或权威来源内，为候选片段打分，并整理成一份精简的联系表交给用户。最终由用户挑选。

品味配置文件——寻找素材前先加载

策展是这项技能的一半。每次运行都要先加载一份品味配置文件：B-roll 偏好特征（偏好的类型、剪辑速度）、按主题标记的可信来源列表，以及防护规则。本仓库附带一份可直接使用的默认配置——TASTE.md，其内容从实际发布的视频中提炼而来——因此这项技能开箱即具备良好的品味。在用户建立自己的配置文件前，可以先直接使用默认配置（TASTE.md 的“让它成为你的”部分介绍了先导入再精简的机制：通过 yt-dlp --cookies-from-browser 获取用户的 YouTube 订阅列表，共同精简，然后从用户自己发布的视频中提炼其偏好特征）。

入门偏好（询问一次，并保存到个人资料中）

触发入门流程时： 随附的 TASTE.md 是一个示例个人资料（作者的资料），不是用户的资料。首次运行时，检查个人资料中是否有一行 Confirmed-by:，其中注明了当前用户。若没有 → 运行入门流程：询问下方的问题，将答案写入用户的个人资料（即用户自己的 TASTE.md 分支），并在顶部添加 Confirmed-by: <user> (<date>)。若有 → 跳过入门流程，直接加载资料。用户随时可以通过“redo my profile”重新触发。

首次运行时询问以下问题，并将答案写入偏好资料（随附的 TASTE.md 已有一组答案；请确认这些答案是否合适）：

1. 音频 — 用户是否会在 B-roll 画面上配旁白（去除所有音频：ffmpeg -an），还是希望保留片段原声？
2. 静帧动态效果 — 默认给静态图像添加非常轻微的 Ken Burns 缓慢推近效果（约每秒 1.5%，居中，最高约每秒 2%）；提供关闭选项，改为完全静止。方法比设置更重要——见下方的“静帧动态效果”。
3. 素材来源署名 — 是否在每段 B-roll 的右下角用小字标注来源？选项：off · white · black · auto（按每个片段选择对比度合适的颜色）。署名采用来源的规范名称 + 平台（“Vinexposium / YouTube”“Decanter”）——简短，绝不使用 URL。如果素材右下角已有徽标，则将该片段的署名移至左下角。注意：屏幕上的署名是礼仪规范，不等于授权——官方／权威来源的版权立场才是关键。
4. 概念动态视觉素材（Remotion） — 是否要为概念／统计／图表内容制作符合品牌风格的动态视觉素材？如果需要，询问现有 Remotion 项目的路径（以及品牌令牌），并写入个人资料。在现有项目中渲染合成内容属于精简流程的一部分；搭建新项目是一次性设置步骤，必须获得明确许可（绝不能在运行过程中进行）。没有项目且未获许可 → 概念内容使用真实的权威素材，或标记出来，绝不悄悄跳过。
5. AI 生成的 B-roll — 默认关闭；仅在没有真实素材的内容上启用，并使用用户指定的高质量模型。绝不悄悄用廉价的 AI 库存素材替代。

🔓 持续授权——调用此技能即代表获得许可

素材搜集期间，不要就访问或搜索征求对话式许可——运行 /find-broll 已经授权此技能代表用户执行操作。以下事项绝不要询问“要我搜索／查找／访问 X 吗？”：

• 网页搜索、新闻／标题查询、oEmbed／嵌入端点
• 使用 yt-dlp 搜索元数据，以及下载公开视频／频道内容
• 使用无头浏览器抓取公开页面（包括点击通过 Cookie／同意提示）
• 为搜集／阅读内容而使用用户已登录的浏览器或浏览器 Cookie（个人资料、帖子、受限页面）
• 读取本地文件、文字稿、以往项目文件夹、用户的素材库

直接执行并展示结果。用户的偏好确认点仍然是：搜集素材前的计划审批，以及偏好路线内容的最终选择。只有以下事项仍需提问：对外发布／张贴内容、付费操作、删除用户文件，以及安装大型依赖项。其他场景中因征求许可造成的阻碍都是问题，不是礼貌。

⚡ 精简路径是默认方案——漏斗用于品味判断，而非所有情况

这项技能凭借克制赢得了信任；繁重的流程只会让产出变得更差，而非更好（2026-06-11 测试：完整漏斗流程耗时约 10 倍，成片构图还不如精简流程）。默认规则：

• 计划获批即代表选定。 用户批准节拍计划（“开始吧”）后，对于客观路线（实体／凭证／产品），每个节拍只找一个最佳候选素材并放入成片。不要搜集多个候选素材，也不要制作联系表。只有用户明确要求为某个节拍提供选项时，才制作联系表——而且绝不自动搜集梗图／文化类节拍；参见路由表。
• 研究深度在计划阶段就要设限。 充分核实所指对象，以确保素材准确；不要在制定计划前穷尽所有素材搜集途径。只有在用户同意某个节拍、且简单途径失败后，才启动升级梯级——绝不预先尝试。
• 每个节拍限时处理： 如果搜集某个节拍的素材超过约 5 分钟，就放入当前最佳候选素材，或者删掉该节拍并标注原因。不能让一个棘手素材卡住剪辑。
• 一次核验，加上有针对性的修正，胜过无休止地打磨。渲染 → 查看网格 → 修复问题 → 只重新核验修复过的节拍。
• 不重试——第一次失败就换方法，第二次失败就放弃。 某种方法失败一次后，就不要再试（不调整参数，不“再试一次”）——立刻改用其他方法。如果第二种方法也失败，就删掉该节拍，在计划中标注并继续。绝不值得为一个节拍尝试第三次；成片可以不包含它。这条规则适用于所有情况：采集、下载、渲染、浏览器操作。（Louise：“别再做那些一直失败的事了，直接跳过，省点时间。”）
• 不要在运行过程中自动安装大型依赖（conda、对齐器等）——使用备用方案，记录下来，并在交付后提出安装建议。

按素材来源而非按节拍搜集素材（大幅加快素材搜集）

计划获批后，按素材所在位置归类节拍，然后每个来源只获取一次：

• 对目标对象的网站进行一次完整页面采集，通常就能覆盖 4–6 个节拍（历史、团队照片、地图、产品图）——从同一次采集中按节拍裁切。
• 一个官方频道／影片通常能覆盖多个节拍（航拍、特写、流程镜头）——下载一次，截取多个片段。
• 将所有下载任务作为一个批处理后台任务运行（先只搜索元数据，只下载选定的素材）；采集任务作为第二批并行运行。不要逐个节拍串行获取素材。
• 将原始下载素材缓存到项目旁的 assets/raw/，这样重新渲染和制作 v2 时就不必重新获取。

准确胜过数量

少量完全准确的节拍，胜过大量平庸的节拍。要改掉的习惯是为了凑数而按关键词匹配。

• 每个节拍都要逐条解读引用内容——先写下*“这句话实际上在说什么？”*，再据此找素材。如果找不到能准确呈现真实重点的素材，就删掉该节拍——不要凑数。 没有 B-roll 也好过错误的 B-roll。
• 默认节奏＝前密后疏： 在开场／钩子部分安排密集、有冲击力的 B-roll，正文则保持稀疏、精准。
• 但“跳过”是最后的选择，不是默认选项。 提议跳过某个节拍前，要先明确说出完整的素材类型——凭证？标题？人物？产品 UI？概念图？——只有在每种类型都确实行不通时才跳过。没有专有名词的修辞性语句，恰恰适合用情绪凭证或概念图来呈现。

先理解主题，再寻找含义——不要只盯着关键词

1. 先通读完整转录稿并理解核心论点，再开始寻找素材。上下文决定每句话适合用什么来呈现。
2. **B-roll 要呈现的是观点，而不是字面用词。**句子中的专有名词往往并非真正要呈现的对象：
   • “来自某公司的 X” → 呈现这个人及其工作，而不是公司徽标。
   • “就像某公司做的那样” → 呈现某公司做的事情。
   • “某人说过的话” → 呈现说过的内容（引用、帖子、文章），而不是他们的脸。
3. **字面呈现还是引申呈现：**具体名词（某个产品、具名人物、某场活动）→ 展示实际对象。动作和抽象概念 → 展示能够传达其含义的内容；不要按字面重演。
4. **每个节拍都必须进行素材核查——背后是否有真实材料？**引用、数据、“大家都在说”、具名公司活动、“我看到／读到”——几乎总意味着存在推文、标题、评论或帖子。默认应将这些材料列为候选；寻找它们是这项技能的职责，不需要用户额外提出要求。

语句类型 → 应寻找什么素材（判断表）

旁白内容是……	寻找这些素材
“大家都在说”／舆论讨论	推文、标题、帖子、搜索结果截图
数字／数据（“每月 24 美元”“750 次注册”）	屏幕上呈现的数据——定价页面、仪表板、图表、数据卡片
增长／“走红”	上升图表，或带有数据指标的热门帖子
下滑／“暴跌”	下降图表、错误画面、表现不佳的对象
“研究表明”／权威依据	研究／论文标题，或出镜的专家
直接引用	真实的帖子／博客截图（优于合成的引言卡片），或引用者亲口说出这句话
某个时代／“在过去”	该时期的档案／复古影像
某个地点	展示该地点的镜头
对比／“X 与 Y”	依次全屏展示各对象——绝不要用 Agent 制作分屏
“工作原理”／分步说明	展示步骤的屏幕录制或动态图形
描述行动的故事（“他每天早上都会……”）	以引申方式呈现地点和行动——绝不要照字面重演
比喻（“像火箭一样”）	只有确实能传达含义时才呈现比喻中的物体——默认跳过比喻
情绪／反应节拍	提出时刻和情绪表现方式；表情包由用户提供
创作者自己的内容（“我的视频”）	使用其实际视频片段／帖子作为素材——不要搜索

类型 → 默认覆盖方式（素材类型和数量）

相比主题，类型更能预测 B-roll 的类型和密度（接收信息时给出的风格与节奏要求优先于以下默认值）：

• 竞品／争议 → 以佐证材料为主，覆盖率高（约 40–60%）
• 观点／解释 → 文本／概念卡片，穿插佐证材料（约 20–30%）
• 讲故事／清单 → 人物、档案素材、产品（约 40–60%）
• 播客／网络研讨会／访谈 → 少量点缀（约 5–10%）；B-roll 用于标注提及的内容和论点，其余部分由出镜讲述者支撑

路由——三种及以上的 B-roll 类型对应三种及以上的来源

搜索前，先对每个时刻进行分类：

路由	触发条件	来源
实证素材	时效性内容——争议、新闻、投诉、当前的说法／统计数据	按时间倒序排列的推文／文章标题／评论，并截取为干净的截图
实体	某个人物、实体产品或历史时刻	官方／权威频道——规范的片段，而非随意上传的视频
概念	必须通过绘制来呈现的抽象想法（流程、思维模型、统计数据）	使用品牌风格制作的自定义动态图形（例如 Remotion）——当个人资料中有 Remotion 项目路径时，作为默认选项；或者使用权威来源的真实影像

⛔ 卡片永远不能替代具体事物的真实影像。 如果某个节拍提到了具体实体（葡萄品种、产品、地点），而且存在真实影像，那么生成的文字卡片就是不合格——即使用户的偏好特征表明他们喜欢卡片也不例外。卡片适用于没有真实影像的想法。（2026-06-11：一个「三种葡萄」节拍用了藏青色文字卡片，而官方影片里就有实际的葡萄串——这是错误的。） | 文化内容／迷因 | 由创作者决定品味的创作者片段或笑话 | Agent 绝不搜索或获取。应在计划中提出时刻和语气（「2:31 的包袱，冷面呈现」）；由用户从自己的素材库提供迷因，或者删掉该节拍。Agent 找到的迷因每次尝试都失败了。 |

判断顺序： 正在发生吗？ → 实证素材。人物／产品／事件？ → 实体（官方来源）。抽象想法？ → 概念（动态图形）。反应节拍？ → 迷因（用户的素材库）。

YouTube 最适合实体路线（人物、产品、历史时刻）。不要强行用它来呈现抽象想法——那属于概念路线。

人物片段——寻找的是时刻，而非姓名

片段只是包含该人物，并不意味着它是相关的 B-roll（人物片段最常见的失败原因）：

1. 先写出提及上下文：这句话在说这个人物的什么——特质、动作、主张还是事件？
2. 查询词 = 人物 + 提及上下文，绝不能只搜姓名。 搜「Steve Jobs iPhone keynote 2007」，不要只搜「Steve Jobs」。只搜姓名会返回泛泛的媒体采访片段。
3. 呈现前先核实： 对每个候选片段，根据标题／日期／自动字幕补全*「在这个片段中，X 在<何时、何地>做了什么／说了什么」*。无法补全 → 不能作为候选。
4. 找不到符合上下文的片段 → 如实说明；可以明确标注为「泛用」并提供规范片段，或者改用其作品／引语／标题作为素材组合（通常也更好）。
5. 「节目／播客」≠「这一集」——提到某个节目时，应使用该节目的长期品牌素材，而非某一集嘉宾的图片。

素材组合——要混搭，绝不要默认使用网站截图

• 人物（视频）——提到具体人物时，使用他们说话的实时片段（绝不要用静止头像）。人物只占部分画面／分屏时 → 使用模糊填充，绝不要硬裁切覆盖。制作播客／访谈剪辑时，嘉宾在源录制中就在镜头前——裁切他们的视频画面，不要去外部寻找素材。观众不认识的人物头像是毫无价值的 B-roll——对于小众人物，展示他们的作品（他们的帖子、产品、演讲），而不是他们的脸；知名人物应出现在具体情境／行动中，而不是静态肖像。⛔ 绝不要在说话者正在出镜的同一视频中，切到说话者自己的画面作为 B-roll——观众本来就在看他们，这会显得像画面故障。裁切画面是为了在其他视频中使用他们的脸。
• 产品／UI——使用实际应用 UI 或真实录屏（优先使用自行录制的内容 > 官方频道 > 不使用；拒绝随机的第三方教程）。演示必须是目前可用的最新版本——产品 UI 变化很快；检查上传日期，并将其与候选素材一起呈现。
• 佐证材料——推文、标题、评论、搜索结果。对于具体公司，优先选择关于真实事件的新闻标题（IPO、融资、里程碑），而不是首页。
• 参考截图——实际引用的帖子／文章／网页（真实截图胜过合成引言卡片）。主体自己的官网是宝库，可整页截取，再按视口裁切——历史页面、团队照片、地图、产品页面。
• 概念动态图形——用于表达观点、图表、数据。保持品牌风格；绝不要使用看起来像合成素材的库存素材。
• 真实／富有感染力的影像——传达故事／行动／情绪的库存素材。逐帧检查水印、烧录字幕和 AI 垃圾内容。
• 梗图／反应图——只能使用用户精选素材库中的内容；由 Agent 提议使用时机，绝不提议梗图。如果个人资料或用户表示不要梗图：就不存在这个类别。

如果方案中网站截图占比超过 60%，那就是错误的。

节奏守则——克制才显品味

• 每个节拍约 2–4 秒。 少于约 1.2 秒的内容无法看清（除了一段刻意设计的快速蒙太奇外，不要使用不足 1 秒的镜头）。
• 每段开场最多一段快速蒙太奇（列表节拍上放 3–4 张快速切换的静态图）。两段或更多快速蒙太奇会显得混乱。
• 每段开场最多一处长停留（>5 秒），且只能用于真正需要讲解的节拍。8 秒的静态地图就是冷场。
• 犹豫时：素材越少、越真实、越直观越好。最出色的剪辑会在每个节拍使用一项明显合适的素材，而不是堆最多的素材。

动态优先——视频胜过静态页面

当同一来源同时有动态版和静态版时，选择动态版：选择产品自己的演示视频，而不是首页；选择滚动页面的真实录屏，而不是静态截图；选择现场片段，而不是头像。只有当重点在于阅读时，才使用静态图（推文、标题、评论）。评估标准的平局判定：相关性相同 → 优先动态内容。

静态图动效——只做次像素级的微妙缩放；禁止使用 ffmpeg zoompan

来之不易的经验——禁止的是实现方法，而不是效果：

• **禁止使用 ffmpeg zoompan／裁切平移／滚动平移，无论速度多快、超采样多少。**这些方法按整数像素步进采样，所以即使以约 1%／秒的速度缩放，也会卡顿。已进行全面测试（4× Lanczos 超采样 → zoompan → 缩小）：仍然抖动。不要再浪费时间重试。
• 次像素渲染才是正确方法，能产生平滑、微妙的缩放效果：
  • **PIL 方案（已验证）：**逐帧执行 img.resize((W,H), Image.LANCZOS, box=<float coords>)——浮点框坐标可实现次像素采样——再以 rawvideo 格式传入 x264。Python 代码约 30 行。
  • Remotion（CSS transform scale）在项目已搭建时同样有效。
• 默认设置：只向内缩放、居中、约 1.5%／秒，最高约 2%／秒，仅用于静态图——不平移、不向外缩放，绝不在真实视频上叠加合成动效。每个个人资料都可选择关闭 → 完全静态。

评估标准——展示候选素材前，逐一评分

按 1–5 分评分，低于门槛的直接剔除：

1. 时效性匹配 — 主题是时效性内容还是常青内容？时效性内容 + 旧片段 = 不合格。
2. 来源权威性 — 一手／官方／可信来源，还是随意的创作者。
3. 相关性 — 展示的是确切提及的事物，而非松散关联。人物片段：相关性 = 情境匹配度。
4. 辨识度／影响力 — 一眼就能看懂，截图效果清晰。
5. 格式匹配度 — 可静音播放，约 2–6 秒，可铺满画面，分辨率 ≥720p。

先检查时效性——本月发布的推文，比几年前的 YouTube 片段更适合当前新闻。

搜索语法——始终限定范围，优先于开放搜索

• 按频道限定的 YouTube 搜索是实体类主题的默认方式： yt-dlp "https://www.youtube.com/@<handle>/search?query=<q>" --flat-playlist --print "%(title).75s ||| %(duration_string)s ||| %(id)s" — 在官方／可信频道内搜索。ytsearchN:<query> 是备用方案；完全开放的搜索结果会标记为“⚠️ 来源不在可信范围内”。
• 先查元数据，后下载： --flat-playlist --print 只需几秒；只下载最终选定的素材（-f "bv*[height<=1080]+ba/b"）。
• 无需登录即可查看推文： https://platform.twitter.com/embed/Tweet.html?id=<TWEET_ID> 可在无头模式下渲染清晰卡片，无需身份验证（添加 &hideThread=true；使用 scripts/cdp_capture.py 截取）。推文实际附带的媒体可通过 https://cdn.syndication.twimg.com/tweet-result?id=<ID>&token=a 获取。发布前确认附件实际展示的内容。
• 泛化、煽情的素材是 YouTube 的弱项： 添加“free to use / no copyright”等限定词；拒绝带水印的素材网站预览，以及烧录字幕的片段；如果 YouTube 只找到垃圾内容，就改为推荐真正的素材网站（Pexels / Mixkit / Coverr）。

确定采用某个主题后，素材搜寻由 Agent 负责——逐级升级

“需要登录”必须通过尝试来证明，不能以此为由把任务推回去。把主题交还给用户前，必须穷尽以下所有方法：

1. 本地文件 — 在用户的笔记／下载内容／过往会话中搜索确切链接或用户名。
2. 追查身份 — 根据提及上下文进行网页搜索（独特短语比单独的姓名更有效）；解析短链接；使用 oEmbed 端点，无需身份验证即可识别作者。
3. 直接使用 yt-dlp — 公开主页／视频通常无需登录。
4. 使用 yt-dlp --cookies-from-browser — 用户已登录的 Cookie 可以绕过大多数限制。
5. 无头 Chrome + CDP — 用于截取被同意弹窗遮挡的页面：在每个框架上下文中点击“接受”（CMP 会在 iframe 中渲染），必要时移除遮罩层；然后检查截图并确认无误。绝不要提交未经目视检查的截图。
6. 使用用户已登录的浏览器（如有浏览器自动化 MCP）。
7. 只有在以上方法确实全部失败时，才提供明确的自行查找清单，并注明已尝试的方法。

放置时机——落在关键词上或稍后，绝不要提前

• 以关键词说出口的时间为锚点，稍微延后约 +0.2 秒，让切换落在关键词上或刚说完时。关键词之前出现 B-roll 会显得像失误。
• 计时依据：Whisper 词级时间戳（--word-timestamps True，转录时跑一遍，无需额外工具）。找到关键词对应的时间，在其后 +0.2–0.5 秒处作为锚点。Whisper 的词语结束时间戳略早，而且词语时长中包含停顿，因此不确定时偏晚——偏晚看起来像有意安排，偏早则像失误。
• (曾尝试使用 MFA 强制对齐来达到约 10–20 毫秒的精度，后于 2026-06-11 移除——运行成本不值得；实际使用中，Whisper 加上偏晚原则已足够准确。不要重新引入。)
• 对于包袱笑点，将切换落在笑点之后的节拍上。
• 衔接相邻的 B-roll： 如果两个插入画面的间隔不到约半句话，就把第一个延长到第二个的起始时间——两者之间出现不足 2 秒的说话者面部闪现，会显得像错误。（延长前一个片段；下一个片段绝不能在对应关键词说出前开始。）

合成——全屏铺满，不做拼接

• 裁切铺满，绝不加黑边： scale=W:H:force_original_aspect_ratio=increase,crop=W:H。
• 不使用 Agent 制作拼接画面： 不做分屏、不做双画面，也不玩花哨构图。出现两位被提及的人物时，依次使用全屏单人画面。除裁切铺满外，唯一允许的处理方式是模糊填充（在适配后的片段后方放置放大并模糊的副本）。
• 源素材局部画面／分屏主体： 使用模糊填充，绝不裁切铺满（裁切铺满半幅画面会大幅放大面部）。
• 不要将低分辨率源素材放大到全屏铺满——请寻找更高分辨率的素材。

迭代规范——B-roll 清单

多次重新渲染时，最常见的失败是悄悄删掉用户已批准的片段。请在交付文件旁保留一份 BROLL-MANIFEST.md：每个片段占一行（入点／出点 · 片段 · 素材 · 状态，包括获批的版本），另附「已移除（请勿重新添加）」清单。每次重新渲染之前：阅读清单，核对新剪辑中是否包含每个已批准的片段，添加新片段，并更新状态。未经用户明确要求删除，已批准的 B-roll 永不消失。

自我核验——用户查看前检查每个剪辑点

每次渲染后，在每个片段的中点和每个衔接处（B-roll↔B-roll、B-roll↔人物）提取一帧，将它们拼成网格，并逐一查看。修复问题并重新核验。网格检查无误后，渲染才算完成。

明确的自动拒收清单——画面中出现以下任意一项即判定不合格，无须酌情判断：

1. 源片段自带的烧录字幕
2. 标明陌生人身份的姓名标签／下三分之一字幕条
3. 水印或频道 Logo 标识（官方机构的角标徽章属于需标记的例外，并非默认放行）
4. 说话者本人在自己的视频中以 B-roll 形式出现
5. 片段描述的是具体、可拍摄的事物，却使用了生成卡片
6. 看起来像模板的拼接画面（并排放置两张肖像、拼贴卡片）
7. 黑边、微小的悬浮画面，或明显的模糊边缘构图错误
8. 两个插入画面之间闪现一瞬间的人物讲话画面（<1s）——应将两段衔接起来：把第一段延长到第二段的起点（绝不要让第二段提前开始）

逐项对照清单检查网格——不按清单检查，只凭「看起来没问题」就会导致带水印的片段交付。

获取与格式处理（便于剪辑、无声、全屏铺满）

• 大体积源素材先做代理文件： 如果原始视频为 4K／HEVC／>500MB，先转码为 1080p 工作副本（在执行其他操作之前）（ffmpeg -hwaccel videotoolbox -i src -vf scale=1920:-2 -c:v h264_videotoolbox -b:v 6M -c:a aac proxy.mp4）——之后的所有步骤（帧扫描、渲染）都用它处理，速度可提升 5–10 倍。

• 不要下载低分辨率的预合并流——请选择实际的视频流（-f "bv*[height<=1080]+ba/b"）。

• 不要把 --download-sections 作为最终剪辑方式（可变帧率会造成卡顿）——先下载短片段，再重新编码并裁剪。

• 标准格式：恒定帧率、裁切铺满全屏、去除音频：

  ffmpeg -ss <in> -t <dur> -i full.mp4 \
    -vf "fps=30,scale=1920:1080:force_original_aspect_ratio=increase,crop=1920:1080,setsar=1" \
    -an -c:v libx264 -crf 18 -preset slow -pix_fmt yuv420p -movflags +faststart out.mp4
  

• 开启署名时 → 格式处理期间通过 overlay 合成小型署名标签（用 PIL 渲染的 PNG，约 70% 不透明度；某些 ffmpeg 构建版本不支持 drawtext）。

工作流概览

1. 加载风格档案 / 设置主题 — TASTE.md（或用户的分支）：筛选出与此视频主题标签匹配的风格指纹、偏好和可信来源。
2. 询问风格与节奏 — 格式（播客 / 教程 / 快速剪辑 / 重开场）和信息密度。这些设置优先于类型默认值。
3. 获取转录文本 — 粘贴、从编辑器提取，或转录（GPU Whisper，逐词级）。长篇内容（>~10 min）：按 B-roll 价值为片段评分，并优先选择高价值片段——不要对一小时内容均匀地添加 B-roll。
4. 分类并提出方案（暂不获取素材） — 为每个节拍标注其解读、路径、参考资料检索结果和调色板组合。先展示方案并等待用户反馈，再开始搜集素材。
5. 受限搜索 — 仅限可信 / 官方来源；为候选素材评分；根据提及语境核实人物片段；剔除质量较差的素材。
6. 联系表 → 用户挑选。
7. （可选）放置并渲染 — 全画幅 + 静音剪辑，以关键词为锚点连接相邻节拍，更新清单，交付前进行自我验证网格检查。

工具

• 转录： 使用 GPU Whisper 转录文本（大型模型——转录文本决定了 理解，因此文本准确性很重要）。
• 锚点时间： Whisper 逐词级时间戳 + 稍后偏移（比关键词晚 +0.2–0.5s）。
• 搜索 / 下载： yt-dlp（无需 API 密钥）；使用无头浏览器 + CDP 截取公开页面（遇到同意提示时，在每个帧上下文中点击接受，并进行视觉核实）。
• 动态图形： Remotion（或类似工具），以全画幅 + 静音方式渲染。
• 静帧缩放： scripts/zoom_still.py（子像素 PIL 浮点框 → x264；肖像 / 特殊宽高比使用 --blurfill；绝不使用 zoompan）。
• 同意提示截图： scripts/cdp_capture.py（通过 CDP 使用无头 Chrome——在每个帧上下文中点击“接受”，并支持 CMP iframe；设置 CDP_SCALE=2 可获得清晰截图）。
• 切出镜头渲染： scripts/render_cutaways.py（片段拼接模板：按节拍窗口替换基础视觉画面，音频保持不变）。
• 合成： ffmpeg；使用 ImageMagick 制作联系表。