video-edit

视频剪辑

输入一段原始拍摄素材，输出一段完成的视频：video-agent/edits/<slug>/final.mp4。可以是竖屏短视频，也可以是用于 YouTube 的完整横屏视频。

这些工具免费，并在创作者的机器上运行：

• Remotion（用 React 编写视频）及其官方 TikTok 模板，内置本地语音转文字功能和词级时间戳（whisper.cpp）。
• ffmpeg，用于检查和处理音频。

固定且简洁的视觉风格：references/style.md。绘制该风格的代码位于 references/remotion-short.md。

如何运行

• 运行前检查：node -v && ffmpeg -version && git --version。缺少任何一项：停止并引导他们前往 /video-setup tools。
• 使用创作者的语言交流。每个较长步骤（安装、转录、渲染）开始前，先用一行说明你要做什么，以及预计耗时。
• 阅读 video-agent/voice.md，了解语言和强调色。没有语音文件：询问这两项，或使用英语和 #FFD400。
• 指定风格（请求中使用 style <name>，由 /video-steal 创建）：阅读 video-agent/styles/<name>.md，并在 style.md 的基础上应用该风格。指定风格中的值优先；按说明将其音效、贴纸和调色应用到剪辑中；未指定的内容则沿用 style.md。
• <slug>：使用小写字母和连字符，不要包含句点或空格（转录器会在文件名的第一个句点处截断）。
• 步骤 1 和 2 在项目根目录运行。从步骤 3 开始，所有命令都在 video-agent/studio/ 中运行，路径均相对于该目录。

1. 拍摄素材和格式

使用他们指定的文件；若未指定，则使用 video-agent/takes/ 中最新的文件。检查它：

ffprobe -v error -show_entries format=duration:stream=codec_type,codec_name,width,height,r_frame_rate,avg_frame_rate,color_transfer -of compact "<take>"

• 没有音频流：停止并告知他们。
• color_transfer 为 smpte2084 或 arib-std-b67：这是 HDR 素材（iPhone 默认格式）。不要转换：Remotion 会在渲染时将其映射为普通颜色。提醒他们下次拍摄时在相机设置中关闭 HDR 视频。
• 否则，如果是 .webm 或可变帧率（r_frame_rate 和 avg_frame_rate 不同）：进行转换，因为 Remotion 和 ffmpeg 剪辑都会出现偏移。从现在起使用新文件作为拍摄素材：

  ffmpeg -y -i "<take>" -vf fps=30 -c:v libx264 -crf 18 -preset veryfast -pix_fmt yuv420p -c:a aac -b:a 192k -ar 48000 "video-agent/takes/<slug>-30fps.mp4"
  

然后确定格式。他们已说明格式（short、long、“for YouTube”、“a reel”）：按他们说的做。否则，根据拍摄素材选择，并用一行说明选择结果：

格式	构图	适用情况	默认设置
短视频	Short，1080x1920	素材时长不足 90 秒，或他们想制作短视频、reel、TikTok 视频	开启字幕、添加开场卡片，每 8 到 10 秒添加一个提示标注
长视频	Wide，1920x1080	横屏素材时长超过 90 秒、完整 YouTube 视频、教程、vlog	开启字幕（询问：YouTube 观众通常更喜欢单独提供 .srt，设置 showCaptions: false）、除非他们需要，否则不添加开场卡片；最多每 30 到 60 秒添加一个提示标注；添加章节

• 横屏素材制作短视频：画面会裁切至中央。如果人物不在画面中央，提醒他们。
• 竖屏素材制作长视频：画面会被裁切成很窄的一条。不要这样做；建议制作短视频。
• 长视频：先说明耗时。使用 medium 模型时，笔记本电脑上的转录速度约为实时速度（20 分钟的素材约需 20 分钟；small 快 2 到 3 倍）；渲染每秒视频需要 3 到 5 秒（15 分钟的剪辑约需 1 小时）。这两项任务都会在后台运行。

下文中的 <comp> 为 Short 或 Wide。

查找对应的脚本：在 video-agent/scripts/ 中找到匹配的脚本（slug 相同或首行相同）。没有脚本也没关系，剪辑将仅依据转录内容进行。

2. 工作室（仅首次）

先告知对方：需要下载约 1 GB 的软件包；首次转录时还需要下载语音引擎及其模型（0.5 至 1.5 GB），并进行几分钟的设置。

git clone --depth 1 https://github.com/remotion-dev/template-tiktok video-agent/studio
cd video-agent/studio
npm i

• 删除 video-agent/studio/.git，使工作室成为项目中的普通文件夹。
• 语言设置在 whisper-config.mjs 中：
  • 英语：保留 WHISPER_MODEL = "medium.en" 和 WHISPER_LANG = "en"。
  • 其他语言：设置 WHISPER_MODEL = "medium"（较慢的机器可用 "small"，大小为 466 MB），并将 WHISPER_LANG 设为对应的代码（"fr"、"es"、"de"、"pt"……）。
• 添加 Short 和 Wide 合成以及字体包：按照 references/remotion-short.md 的第 1 至 3 节操作，然后运行 npx tsc --noEmit。如果工作室创建时还没有 Wide：将 src/Short/index.tsx 和 src/Root.tsx 替换为当前版本的第 2 和第 3 节内容。
• 可选：从 Claude 获取更好的 Remotion 代码：npx skills add remotion-dev/skills。

3. 转录

cp "../takes/<take file>" public/<slug>.mp4
node sub.mjs public/<slug>.mp4

这会写入 public/<slug>.json：每个词对应一条记录，格式为 { "text": " word", "startMs", "endMs", "confidence" }。如果文件已有对应的 JSON，则会跳过；删除该 JSON 即可重新转录。

根据脚本修正听错的词（姓名、品牌、数字）：只修改 text，绝不要改时间。

4. 剪辑列表

找出实际的静音，然后列出词与词之间的间隔：

ffmpeg -nostats -i public/<slug>.mp4 -af silencedetect=noise=-35dB:d=0.3 -f null - 2>&1 | grep silence_
node -e 'const w=require("./public/<slug>.json"),G=350,B=100,A=150,s=(ms)=>(ms/1000).toFixed(2);let r=[{fromMs:Math.max(0,w[0].startMs-B)}];for(let i=1;i<w.length;i++){const g=w[i].startMs-w[i-1].endMs;if(g>G){console.error(`gap ${s(w[i-1].endMs)} -> ${s(w[i].startMs)} (${g} ms) after "${w[i-1].text.trim()}"`);r[r.length-1].toMs=w[i-1].endMs+A;r.push({fromMs:w[i].startMs-B})}}r[r.length-1].toMs=w[w.length-1].endMs+300;console.log(JSON.stringify(r))'

第二条命令会打印所有超过 0.35 秒的间隔及其前一个词，随后列出带有 style.md 所述边距的保留 ranges。然后修正这些范围：

1. silencedetect 未报告的间隔（呼吸声、轻声词语、音乐）：将对应的两个范围合并。
2. 重录：逐行检查脚本。如果某一行（或开头 3 个词）出现多次，保留最后一次完整录制，并删除从第一次录制的第一个词到保留版本起始处的范围。
3. 删除口误（如重说前的“呃”或半个词）、钩子之前的所有内容，以及偏离脚本的谈话。

长视频：规则相同，但间隔阈值使用 0.5 秒而非 0.35 秒（G=500）：完整视频需要留出一些停顿，思考时的停顿可以保留。保留有价值的补充内容；删掉没有意义的旁枝内容。没有脚本时，连续说两遍的句子算作重录：保留最后一次。

渲染前，用几行展示结果：

Take 1:42 → short 0:47 (-55 s)
- 38 pauses cut (41 s)
- 3 retakes dropped: line 2 (x2), line 7
- dropped "ok let me do that again" at 0:58

5. 动态效果

根据脚本的视觉备注（如果没有，则自行选择）：

• 钩子卡片：屏幕上的钩子，不超过 6 个词，其中一个词用 *accent* 标记，时长 2 至 3 秒。
• 标注：人物说出的数字、结果或工具名称，大约每 8 至 10 秒出现一次，间隔至少 4 秒（长视频：最多每 30 至 60 秒一次，只标注关键数字）。atMs = JSON 中对应词的 startMs。

写入 public/<slug>.edit.json（格式见 remotion-short.md 第 4 节）。

6. 质量检查，然后渲染

渲染 3 或 4 张静帧：钩子（第 30 帧）、一个标注、视频中段的一条字幕、最后一秒（长视频：在整个视频中均匀选取 6 至 8 张静帧）。仅短视频：将平台的安全区域叠加到每张图上：

npx remotion still <comp> out/<slug>-qc-30.png --frame=30 --props=public/<slug>.edit.json
ffmpeg -y -v error -i out/<slug>-qc-30.png -vf "drawbox=x=0:y=0:w=iw:h=230:[email protected]:t=fill,drawbox=x=0:y=1440:w=iw:h=480:[email protected]:t=fill,drawbox=x=850:y=900:w=230:h=540:[email protected]:t=fill" out/<slug>-qc-30-safe.png

检查每张 -safe PNG（长视频：检查每张静帧）：红色区域内不能有文字（应用的按钮、名称和描述会遮住文字）；字幕应位于人脸下方；钩子卡片要清晰可读；标注不能遮住眼睛；强调色要正确。修正编辑文件，然后：

npx remotion render <comp> out/<slug>.mp4 --props=public/<slug>.edit.json

笔记本电脑上，每秒视频约需 3 至 5 秒渲染时间。在后台运行，并告知所需时间。

7. 音频

只有对方提出要求时才添加音乐（使用免版税音乐，例如 YouTube Audio Library），音量比人声低 22 dB：

ffmpeg -y -i out/<slug>.mp4 -stream_loop -1 -i "<music file>" -filter_complex "[1:a]volume=-22dB[m];[0:a][m]amix=inputs=2:duration=first:normalize=0[a]" -map 0:v -map "[a]" -c:v copy -c:a aac -b:a 192k out/<slug>-music.mp4

然后调整渲染结果的响度（有音乐时为 out/<slug>-music.mp4）。Remotion 不会调整人声响度，而对这么短的片段直接执行 loudnorm，结果会低 2 至 3 LU。先测量：

ffmpeg -nostats -i out/<slug>.mp4 -af ebur128=peak=true -f null - 2>&1 | grep -E "^\s+(I|Peak):"

增益 = -14 减去 I: 的数值（例如 I = -17.0 → 3.0dB），并添加限制器：

mkdir -p ../edits/<slug>
ffmpeg -y -i out/<slug>.mp4 -c:v copy -af "volume=<gain>dB,alimiter=limit=0.8:level=false" -c:a aac -b:a 192k -ar 48000 ../edits/<slug>/final.mp4

以相同方式测量 final.mp4：I 在 -15 到 -13 之间且 Peak 低于 -1 dBFS 即为合适。

8. 交付

在 video-agent/edits/<slug>/ 中：

• final.mp4，可直接发布。
• captions.srt：将台词调整到剪辑后的时间线上，每条字幕最多 7 个词，每句话结束后新增一条字幕。平台会将其作为隐藏字幕读取。

  node -e 'const e=require("./public/<slug>.edit.json"),w=require("./public/"+e.captions),F=30,fr=(ms)=>Math.round(ms/1000*F);let at=0;const p=e.ranges.map(r=>{const f=fr(r.fromMs),n=Math.max(1,fr(r.toMs)-f),q={...r,s:(at-f)/F*1000};at+=n;return q});const o=w.flatMap(x=>{const q=p.find(q=>x.startMs>=q.fromMs&&x.startMs<q.toMs);return q?[{t:x.text.trim(),a:x.startMs+q.s,b:Math.min(x.endMs,q.toMs)+q.s}]:[]});const ts=(ms)=>new Date(Math.max(0,Math.round(ms))).toISOString().slice(11,23).replace(".",",");let c=[],n=0,out="";const flush=()=>{if(c.length)out+=`${++n}\n${ts(c[0].a)} --> ${ts(c[c.length-1].b)}\n${c.map(x=>x.t).join(" ")}\n\n`;c=[]};for(const x of o){c.push(x);if(c.length===7||/[.?!]$/.test(x.t))flush()}flush();process.stdout.write(out)' > ../edits/<slug>/captions.srt
  

• edit.json：public/<slug>.edit.json 的副本，以便日后重新制作视频。
• post.md：发布时要粘贴的文案（见下文）。
• 仅限长视频，在 post.md 中添加 章节，用于 YouTube 描述：每隔 1 到 3 分钟添加一个，主题变化时添加，时间点以剪辑后的时间线为准（参照 captions.srt），第一条从 0:00 开始，至少 3 条，每条时长不少于 10 秒。

然后说明视频时长、剪掉了什么、文件位置，并提出一项修改建议（“开场卡片再短一些？少几个提示？换个强调色？”）。修改方式：编辑 JSON，然后重新渲染（步骤 6 和 7）。下一步：/video-publish <slug>。

发布文案

post.md 根据脚本和 voice.md 编写，使用视频所用的语言：

• 标题（YouTube Shorts）：少于 60 个字符，主题要出现在前 3 个词中。长视频：少于 70 个字符，体现视频承诺的内容，且与视频相符。
• 说明文字：前 125 个字符要能独立表达完整意思（应用会在此处截断，隐藏后续内容）。接着写 1 到 2 行简短文字，再提出一个请求，使用 voice.md 中的那个请求。
• 搜索词：观众会用来搜索该视频的 2 或 3 个词，以普通文字写在标题或第一行中。
• 话题标签：末尾添加 3 到 5 个与主题相关的标签。不要使用 #fyp 或 #viral。
• 不写视频中没有提到的内容：不要添加新的数字、主张或承诺。

如果已安装 video-script 技能，请对文案运行其 humanize 流程（references/humanize.md）。

Title: Your hook is too long
Caption: Nobody hears word 12 of your hook. Cut it to 12 words and put the result first.
Try it on your next three videos.
Follow for one script fix a day.
#shortformvideo #videohooks #contentcreator

CapCut、Premiere 或不使用 Remotion

有些创作者更喜欢使用自己的编辑器；此外，对于超过 3 人的公司，Remotion 需要付费许可证。执行步骤 1 到 4，使用范围写入 public/<slug>.edit.json（"hook": null、"callouts": []），跳过步骤 5 到 7，并提供 captions.srt（步骤 8）以及：

• cuts.md：列出保留片段的范围，供手动剪辑：

  mkdir -p ../edits/<slug>
  node -e 'const e=require("./public/<slug>.edit.json"),t=(ms)=>new Date(ms).toISOString().slice(14,23);for(const r of e.ranges)console.log(t(r.fromMs)+" → "+t(r.toMs))' > ../edits/<slug>/cuts.md
  

• 或者仅使用 ffmpeg 进行简单剪辑：

  SEL=$(node -e 'const e=require("./public/<slug>.edit.json");console.log(e.ranges.map(r=>`between(t,${r.fromMs/1000},${r.toMs/1000})`).join("+"))')
  ffmpeg -y -i public/<slug>.mp4 -vf "select='$SEL',setpts=N/FRAME_RATE/TB" -af "aselect='$SEL',asetpts=N/SR/TB" -c:v libx264 -crf 18 -c:a aac ../edits/<slug>/cut.mp4
  

诚实说明限制

• whisper.cpp 可能会听错人名和术语：脚本会修正这些内容，但数字要人工核对。
• 剪辑效果不错，但并不完美：可能会剪掉一口气，或最后一个轻声音节。发布前请完整观看一遍。
• Claude 无法听取原始录音：它依赖时间点和 silencedetect。音频质量差（有音乐、回声或两个人声）会让两者的效果都变差。
• 安全区域兼顾 TikTok、Reels 和 Shorts；各应用的按钮位置略有不同。
• Remotion 许可证：个人、最多 3 人的公司和非营利组织可免费使用；规模更大的公司需要购买公司许可证（remotion.pro/license）。