talking-head-guide

语音主导的视频剪辑（出镜口播、访谈、播客）

此技能涵盖的内容

必需输入：已注册或导入项目的语音主导型源素材——例如单人出镜口播、双人或多人访谈、视频播客、讲座、教程或课程。对于基于转录文本的 A-roll 剪辑，请先按照 asset-import 操作，然后在转录文本就绪后立即开始。如果用户想在没有源素材的情况下开始（例如从头生成一段新的出镜口播），则此技能不适用。

缺少源媒体时

• 在 ChatCut Web 中（包括嵌入式 Agent）： 复用项目中已有的源媒体，或用户提供的可访问路径中的源媒体；否则，加载 widget-forms，并在回复中加入其原生文件上传字段（<form-files>），以及任何相关的剪辑偏好。
• 独立使用 Claude Code： 用户可以在对话中提供源素材，或直接上传到已打开的 ChatCut 编辑器。如果对话附件或本地路径仍需导入 ChatCut，请使用 asset-import。如果用户已在编辑器中上传素材，则从已注册的项目素材继续操作，无需再次导入。
• 独立使用 Codex： 请用户将源素材附加到对话中或拖放到对话中，然后按照 asset-import 操作。不要使用编辑器的 Browser 上传路径，也不要引导用户使用该路径：它目前可能导致 Codex Browser 运行时崩溃。

如果此工作流通过 Codex/连接器宿主运行，且任务会为用户创建、指定或打开 ChatCut 项目，则应在开始实质性编辑前，以及最终交付前（如果可见编辑器与项目不再一致），完成任何返回的 browserHandoff.required=true、Codex internal Browser handoff 或等效的实时项目交接。

可独立应用于语音主导视频的剪辑处理。根据用户的需求选择，不必每次都全部应用。

• A-roll 剪辑（中文产品术语：语音剪辑，包括去口癖、停顿、重复）——基于转录文本进行语音剪辑。常见操作包括清理、提取高光、重组、设计开场钩子，以及根据需要进行的其他操作，以实现符合预期的效果。
• 动态图形叠加（面向用户的文案中请使用完整名称 Motion Graphics，不要写作“MG”；固定中文产品术语为 MG 动画，不要使用“动效”“字幕条”或“动态字幕”等替代说法）——通过屏幕动态图形强化关键信息、结构化内容和主题转换
• B-roll（行业术语——任何语言都保留为 “B-roll”，不要翻译）——遮盖跳剪，或将口述内容可视化
• 背景音乐（中文产品术语：背景音乐）——营造氛围并平滑细微间隙
• 字幕（中文产品术语：字幕）——添加屏幕文字，提升无障碍体验
• AI Voice Isolation（中文产品术语：AI 人声隔离）——使用 DeepFilterNet3 清理或隔离人声，不改变画面。请参阅 voice-isolation 技能。

当用户使用中文时，在 widget 选项、choices 选项和对话文案中，使用上面括号中的准确产品术语。不要重新翻译这些术语，否则会与产品其他位置的术语冲突。

影响剪辑的因素

除了选择剪辑处理方式之外，出镜口播剪辑还受几个相互独立的变量影响。当用户的需求比较模糊时，值得优先确认以下内容：

• 目标——平台（YouTube / TikTok / Shorts / ...）、期望时长、宽高比
• 要应用哪些剪辑处理——上述处理方式均为可选项；不要假设它们都适用
• 节奏 / 语气——紧凑 / 活力 / 正式 / 随意；以及用户提到的品牌或声音偏好。（MG 视觉风格请遵循当前启用的 Motion Graphics 技能/工作流。）

如果上述变量中有多个尚未明确，请在加载 widget-forms 后使用一个表单提问。不要先用 Markdown 编号问题提问，再为同一组需求中的某一部分附加 <choices/>。

执行顺序

如果用户已确认多个处理事项，这些事项之间就存在依赖关系，必须按依赖顺序完成。本节仅适用于已确认处理事项之后——它不会告诉你收到新请求时应该从哪一步开始。

语音时序（由 A-roll 剪辑确定）是后续所有工作的基准——MG 的放置、B-roll 补镜、音乐时长和字幕同步都以最终语音时间线为准。

因此：先完成 A-roll 剪辑，再处理任何视觉、音频或文字图层。不要根据剪辑前的语音撰写字幕，不要按剪辑前的时长裁切音乐，也不要把 MG 放在之后会发生变化的时间点上。

剪辑结构确定后，将 smooth_audio 作为最后一个音频步骤运行一次——它会为每个硬切音频点添加微交叉淡化，并为裸露的边缘添加淡入淡出，避免剪辑点突兀。请在 apply_script/clean_script 重组后运行（重新流动会移除转场）；它是幂等的，因此如果时间线再次变化，请重新运行。

每完成一个主要步骤后，必须先向用户确认结果，再开始下一步，除非用户已明确要求端到端运行，不要中途停下。多个处理事项同时适用时的关键检查点：A-roll 剪辑完成、语音时序确定后；生成 MG 前（确认风格和方向，并在不明确时确认它是作为叠加层覆盖在视频上，还是占据整个画面）；生成 MG 后；B-roll、音乐和字幕也遵循相同模式。**不要在一次回复中合并多个检查点——每一步都要单独确认。**上游出错会导致下游所有工作都要重做（例如，按照清理前的时间线放置 MG，会在时间线变化后浪费生成额度）。

---

A-roll 剪辑

场景

在对谈视频工作流中，第一步通常是 A-roll 剪辑：剪辑原始口播素材。

A-roll 剪辑最终会应用到时间线上，改变观众实际听到和看到的内容。不过，剪辑决策通常应从转录文本开始，因为核心问题是：观众应该听到哪些口播内容，哪些内容应该删除、压缩或重新排序？

常见的 A-roll 任务

A-roll 剪辑不只是清理。首先要判断用户希望处理哪类口播内容，然后选择剪辑策略和工具。

常见任务：

• 清理 — 删除错误、重复尝试、口头习惯、填充词和无意义的停顿，让口播更清晰、更自然。
• 提取亮点 — 从较长的素材中提取最有价值、最具观点性、最能引发情感共鸣或最切合主题的片段。
• 重组 — 重新排列口播内容，例如提前呈现结论、按主题分组，或将分散的部分整合成更清晰的结构。
• 开场钩子 / 短版 — 将源素材中的有力主张、结果、冲突或问题用作开场，或将长内容压缩成短版。
• 按目标脚本剪辑 / 脚本对齐 — 根据用户提供的目标脚本、目标段落或期望内容，匹配、保留并重新排列口播内容。

清理是最常见的任务，也最容易因边界判断不当而失败。下文将对此进行详细说明。其他任务的规则会更简短，但仍遵循 A-roll 的共同原则：语义完整、边界清晰、聆听流畅自然。

A-roll 通用原则

这些原则适用于所有 A-roll 任务，而不只是清理。

• 先确定任务，再选择工具。 不要让工具的可用性改变编辑策略。
• 按完整的语义单元编辑。 尽可能移动、删除或保留完整的句子、完整的观点、完整的回答或完整的步骤。不要仅仅因为几个词匹配，就删掉半句话。
• 任务指定保留内容时，按指定边界裁剪。 上述规则的反向适用于任何指定要保留哪些内容的任务——还原特定句子、匹配目标脚本、提取指定的精彩片段或制作一个版本：只保留明确要求的部分。将保留范围裁剪至指定内容的起始词和结束词，并删去它所在源片段 [sN] 中不符合脚本的开头或结尾；为了一个指定句子而保留整个片段，属于过度保留，会带入未要求的讲话内容。此规则仅适用于指定要保留哪些内容的任务——绝不适用于开放式清理；开放式清理应保留完整的语义单元（见上文）。
• 不要拼接不同重录中的未完成片段。 不要把不同尝试中的不完整部分拼成一句虚构的句子。这并不意味着较早的尝试可以直接丢弃：如果其中有完整且有用的引入、铺垫、对比、类别、评价或背景，且后面没有重复，并且能自然衔接后面完整的重录，就应予以保留。
• 保留衔接内容。 删除后会让保留的观点变得不合语法、突兀或容易误解的列表标签、对比词、主语、动词和相邻原文，都不是填充内容。裁剪时应只删去能保持语句流畅表达的最小范围。
• 保持自然的聆听节奏。 成片的措辞和停顿应保持自然。不要为了让内容显得“干净”，而把句子硬拼在一起。
• 边界不确定时，采取保守做法。 如果不确定删减是否会损害含义、逻辑或聆听节奏，就保留内容或少删一些。
• 先确认复杂改动。 对于复杂重组、大幅缩短、结构调整或生成式开场，在编辑前先与用户确认目标时长、结构方向以及需要保留的内容。
• 解释内容，不解释索引。 绝不能用 [sN]、[cN]、[gap]、词语索引、片段 ID 或分段 ID 等内部地址向用户解释编辑内容。用户看不到这些地址，也不会明白其含义。请引用实际说出的内容、简短原话，或用通俗语言描述编辑内容。
• 不要用屏幕方位描述面板。 邀请用户查看或微调结果时，称其为“文字稿面板”——绝不要使用方位描述（左侧／右侧／侧边）。布局可以调整，面板的位置并不固定。

清理目标与决策

良好清理的标准

良好的清理不意味着尽可能缩短视频，也不意味着把说话者改写成另一套脚本。

良好的清理意味着：

• 逻辑连贯
• 表达更清晰
• 音频听起来自然
• 删除明显的错误、重复尝试、无意义的停顿和填充词
• 保留说话者的意图、语气和自然节奏

糟糕的清理通常会落入两种问题：

• 清理不足：明显错误、重复、长时间停顿或填充词仍然保留。
• 清理过度：句子被截断、含义缺失、节奏变得生硬，或结果听起来像拼接而成。

默认原则：去除瑕疵，但不改变含义；让讲话更流畅，而不是更生硬；优先做小范围的局部剪切，而非删除整句或整个片段；如果不确定删减是否会损害含义，就保留内容。

如何判断常见的清理情况

以下是常见的清理类别，以及各类别对应的编辑决策方式。

无意义的填充词

填充词分为两类。

第一类是明显没有意义的犹豫声。这些通常可以安全删除：

• um
• uh
• er
• ah
• 呃
• 额
• えー / えーと / えっと
• あー
• んー

如果它们没有特殊含义，可以使用 clean_script 批量清理其支持的字面词条：um、uh、er、ah、呃 和 额。日语犹豫声需要通过 Script 编辑（read_script → 编辑 timeline.md → apply_script）；clean_script 目前不会移除它们。

第二类取决于上下文，不能仅凭词表删除：

• so
• like
• 然后
• 就是
• 嗯
• 啊
• 那个
• 那
• 对
• 所以
• 但是
• あの / あのー
• その / そのー
• まあ
• なんか
• ちょっと
• で
• うーん
• やっぱり

判断方法：

• 如果这个词只是表示犹豫或填充语气，就删除。
• 如果它表达顺序、延续、转折、原因、指代、回应、强调或自然语气，就保留。
• 如果删掉后会让前后词语听起来像是生硬拼接，就保留它，或只缩短停顿。
• 如果不确定，就保留。

示例：

• um, I think this solves the main problem -> 删除 um。
• It works like a checklist -> 保留 like；它表示比较。
• The upload failed, so we retried it -> 保留 so；它表达因果关系。
• right after the call, send the recap -> 保留 right；它修饰时间。
• 然后我们再看第二点 -> 保留 然后；它标示顺序。
• えーと、次のポイントです -> 删除 えーと；它纯粹表示犹豫。
• あの人が言っていた通りです -> 保留 あの；它是指示词，不表示犹豫。
• あの、ちょっと待ってください -> 删除句首的 あの；这里它表示犹豫。
• まあ、悪くないと思います -> 保留 まあ；它缓和了判断语气，也传达了语调。
• なんか違和感がある -> 保留 なんか；这里它表示“总觉得”，不是填充词。

重录与重复尝试

重录是指说话者因为说错、卡壳、忘词或重新起头，而再次尝试表达同一个想法。清理重录并不是“删掉重复的文本”。目标是保留一个完整、自然且逻辑连贯的版本，以表达原本想说的内容。

请按以下步骤判断：

1. 判断这是否确实是重录。 只有当多次尝试都是为了表达同一个想法时，才将其视为重录。如果重复是为了刻意强调、营造修辞停顿、充当结构标记，或再次表达时增加了新信息或语气，则不要将其视为普通重录。
2. 确定要保留的完整版本。 完整版本可能不止包含主要内容句。它可能还需要引入语、连接词、章节标记、话题铺垫、对比、限定语、主语、宾语或结论。如果保留的内容依赖这些部分，它们就不是填充内容。
3. 只删掉失败或被覆盖的部分。 只删除错误、悬空、放弃的，或已被保留版本完全涵盖的词语。删减边界应从重复或失败的想法处开始，而不是自动从更早的转折、铺垫或连续话语处开始。如果前面的内容包含保留版本没有重复的有用上下文，就应保留。
4. 选择最完整的尝试。 如果有多个完整版本，通常优先选择较晚的版本，因为它往往更接近说话者想要表达的内容。但不要机械地选择最后一次尝试。如果较晚的尝试缺少必要的上下文、结构、主语、宾语或结论，就保留更完整的版本，或保留较早版本中缺失的引入语。

只有在保留的内容仍能与另一个意思相同的引入语自然衔接时，重复的引入语才是多余的。如果删掉所有副本会导致结果失去结构或听起来突兀，就保留一个自然的版本，只删掉多余的重新起头。不要把不同尝试中未完成的片段拼接成一个生硬的句子。

以下示例仅展示常见模式，并非完整列表：

• 保留句子中的局部口误： There, there's no After Effects, no Premiere, no DaVinci Resolve learning. 保留完整句子，但删除放弃的重启片段： There's no After Effects, no Premiere, no DaVinci Resolve learning. 不要仅仅因为完整句子本身有用，就保留多余的第一个词。
• 重复的结构性引入语： And secondly, ... and secondly, we're introducing a brand new UI. 删除多余的重启片段，但保留一个与后续内容自然衔接的引入语： And secondly, we're introducing a brand new UI. 不要删掉所有结构标记，只留下： We're introducing a brand new UI.
• 失败结尾前有用的铺垫： Then the next one is different from comedy. It is popular on Disney Plus. It is called... 后续重录： It is a popular Disney Plus show called Love Story. 保留后续重录没有重复的有用铺垫，并从失败处开始删减： Then the next one is different from comedy. It is a popular Disney Plus show called Love Story.

说到一半重来和未完成的片段

此类别使用 false starts / unfinished fragments。对于说话者开始一句话后又重新开始或放弃的情况，「说到一半重来」是更自然的编辑／转录术语；「未完成的片段」则明确涵盖了悬而未决的半句话。

只有在某个片段明显没有提供有用信息时，才将其删除。

可以放心删除：

• 说话者放弃了这个想法，之后又出现了完整版本。
• 该片段只是一个悬而未决的短语，例如「这其实……」，后面没有补充完整。
• 这显然是一次失败尝试中残留的开头。

不要删除：

• 不够完美但包含有用信息的句子。
• 为后续内容提供必要主语、宾语或背景的引入语。
• 提供铺垫、对比、结论、情绪或语气的内容。

如果句子或片段中只有一部分有问题，不要删除周围有用的内容。只删除有问题的词语、短语或停顿；如果局部剪辑会导致听起来不自然，就保留该片段。

停顿和呼吸声

处理停顿时，默认应压缩，而不是完全消除。口播视频需要留出自然的呼吸空间。

默认规则：

• 明显超过 0.8-1 秒的长停顿：通常压缩至约 0.3 秒。
• 句子之间：保留约 0.3-0.5 秒，让听众感受到自然的表达节奏。
• 话题转换、对比或强调附近：必要时保留稍长的停顿；不要让表达节奏过于急促。
• 句子中的短暂呼吸：如果属于正常呼吸，不要删除。
• 句子中的明显长停顿：进行压缩，但不要压得太紧，以免相邻词语听起来连在一起。
• 重录前的长停顿：如果删除了其间失败的尝试，也一并删除停顿。
• 如果用户明确指定了阈值，应遵照执行。例如，如果用户说「只处理超过 0.8 秒的停顿，并至少保留 0.3 秒」，就不要处理短于 0.8 秒的自然停顿。

其他 A-roll 任务指南

只加载用户所选分支的参考资料。不要预先加载未请求处理的参考资料；默认清理无需参考资料。

对于清理以外的 A-roll 编辑场景——包括精彩片段提取、重组、钩子／短版本制作、目标脚本／脚本对齐，或制作多个版本、精彩片段和节选——在规划或编辑该 A-roll 分支之前，请完整阅读此技能基础目录中的 references/other-a-roll-editing-scenarios.md。

A-roll / 基于转录文本的编辑工作流

对于任何由转录文本含义驱动的 A-roll 任务，请使用此流程。

如果用户要求在应用前预览整个编辑结果，请勿先运行 clean_script，因为它会立即写入，且没有预览参数。调用 read_script({ showSilence: true })，将固定填充词删除标记、语义编辑和停顿编辑一并暂存到 timeline.md 中，然后调用 apply_script({ preview: true })。将停顿压缩编码为 [silence=Xs→Ys]，其中使用 Unicode 字符 →；单独改为 [silence=Ys] 并不是跨界面改写语法，Web 不会将其作为压缩操作应用。删除带删除标记的填充词时，如果其左右两侧都保留了静音，删除后这两段时长会合并：250ms 的上限指合并后的保留总时长，而不是每侧各 250ms。例如，左侧从 0.48s→0.25s，右侧保持不变的 0.13s，合计为 0.38s；应将两侧分配到总计 0.25s，而不要指望规划器推断全局上限。如果预览验证通过，且请求已授权应用编辑，请立即再次调用不带预览的 apply_script；无需再次征求确认。如果用户明确只要求预览，则预览后停止。

对于可以立即应用的编辑，请使用以下流程：

1. 从了解全局情况开始。调用 read_script，然后读取一次 timeline.md，以了解用户的目标、内容结构，以及是否存在固定填充词或较长停顿。如果要运行 clean_script，不要基于清理前读取的内容构建完整的语义编辑。
2. 除上述优先预览的流程外，如果存在固定填充词或较长停顿，应先运行机械清理，再进行语义编辑。对于依赖上下文的填充词、重录内容、重复句子或任何需要理解含义的内容，不要使用此步骤。
3. 运行 clean_script 后，进行语义编辑前务必读取更新后的干净版 timeline.md。以此更新后的文件为准；之前读取的文本可能已过时。然后进行语义判断：选择最佳重录版本，清理错误开头，删除重复或失败的尝试，保留有用的铺垫和上下文，必要时调整内容顺序，并保持讲话自然。使用当前文件系统工具架构：如果 Edit 提供 edits 数组，则批量处理相关的精确替换；否则使用其支持的精确替换字段，并在每次编辑后检查验证结果。行内删除线用于移除口述内容；切勿删除没有删除线标记的源文本，也不要在 timeline.md 中修正 ASR。
4. 每次文件系统编辑后都会运行验证。如果返回诊断信息，已更改的 timeline.md 仍是当前版本：读取该文件并使用 Edit 继续修正。只有验证通过后，才立即使用 apply_script 应用语义编辑，然后再开始另一轮全局处理。
5. 读取重新生成的干净结果，并检查观众实际会听到的内容：逻辑是否断裂、上下文是否缺失、是否删减过多、是否遗漏清理、顺序是否错误，或停顿是否过短或过长。只修复明显的问题。

[sN] 行是 ASR 片段，并非语义单元。完整的句子、想法、重录内容或转场可能跨越多个 [sN] 行，而单个 [sN] 行也可能只包含句子的一部分。决定删除或保留哪些内容之前，请先在脑海中将相邻行拼合，还原完整的口述句子或想法。

---

MG Overlay

目标

叠加在 A-roll 上的动态图形能够强化说话者传达的内容，加深观众对重点的印象，并帮助他们理解仅靠口述难以传达的内容。请先完成 A-roll 编辑；MG 的时间安排以编辑后的时间线为准。

本节仅补充面对镜头内容的时间安排、画面构图、主体／字幕保护和审查约束。有关视觉风格对齐、MG 的创建或编写、实现约束、可编辑属性、素材尺寸和验证，请使用当前 ChatCut 环境中可用的 Motion Graphics 技能／工作流。

MG 工作流

对于真人出镜的 MG 项目，应将视频视为一支完整剪辑作品，而不是孤立的图形。

选择真人出镜 Motion Graphics 时，包括仅需规划或交接分析的请求，应先激活当前界面上可用的 Motion Graphics Skill：生成器 Skill 可用时，调用 Skill 并设置 skill: "motion-graphic-gen"；在有意不提供该 Skill 的 Codex 上，则改为调用 Skill 并设置 skill: "create-motion-graphics"。然后，在进行规划、生成、放置或审阅 MG 之前，完整阅读该 Skill 基础目录中的 references/motion-graphics.md。本真人出镜指南提供针对具体场景的编辑背景，但不能替代当前激活的 Motion Graphics Skill。

---

B-roll

对于 B-roll，在搜集、选择、放置或审阅之前，完整阅读该 Skill 基础目录中的 references/b-roll.md。

---

Multicam（同一条拍摄素材的多个摄像机角度）

对于 Multicam，在对同一条拍摄素材的多个摄像机角度进行对齐或切换之前，完整阅读该 Skill 基础目录中的 references/multicam.md。

---

轨道角色（开启自动闪避）

对于轨道角色，在分配音频角色或更改闪避行为之前，完整阅读该 Skill 基础目录中的 references/audio-and-music.md。

---

背景音乐

对于背景音乐，在添加或调整音乐以适配视频之前，完整阅读该 Skill 基础目录中的 references/audio-and-music.md。

---

字幕

编辑字幕之前，完整阅读该 Skill 基础目录中的 references/captions.md。