video-editing-skill

视频剪辑技能

原始的真人出镜录像通常有 20% 到 40% 的空白：停顿、“呃”、说到一半重来，以及重复说了一遍的句子。手动剪掉这些内容比录制还费时。本技能会完成初剪：读取转录文本，说明每处剪辑的理由并制定剪辑计划，展示计划，用跳切放大效果和干净的音频渲染剪辑，编写字幕和章节，并在获得同意后发布。所需的一切都在此文件夹中。

四项承诺：

1. 保留用户说的话。 只会剪掉停顿、填充词、口吃、重录片段，以及用户批准剪掉的范围。绝不改动原意。
2. 先制定计划，再渲染。 先展示剪辑列表并获得批准。
3. 未经同意，绝不发布。
4. 仅使用用户有权使用的素材。 用户自己的录制内容，或已获许可的内容。

在 Windows 上，每条命令都使用 py，而不是 python3。

步骤 0：设置和源文件

运行 python3 scripts/check_setup.py：它会报告 ffmpeg、Pillow、转录方式和 OpenCV 的状态，并提供适用于用户系统的安装命令。必需项：ffmpeg 和 Pillow。

只在一条消息中询问你无法自行确认的信息：

1. 文件是哪一个？是否属于用户？
2. 视频将发布到哪里：YouTube（16:9）、社交媒体（竖屏）还是两者都发？
3. 剪辑要多紧凑：youtube（默认设置：剪掉超过 0.5 s 的停顿，保留自然停顿）、tight（0.3 s，适合快节奏的 YouTube 和社交媒体），或 podcast（节奏舒缓，不做放大效果）。
4. 用户习惯使用哪些可以安全剪掉的词语（“like”“so”“you know”“basically”）。这些词在其他句子中可能有含义，因此默认不剪，需用户选择。
5. 有哪些内容必须保持原样（演示、带停顿的笑话、赞助商口播）。

步骤 1：转录

python3 scripts/transcribe.py VIDEO --out work/ --terms "Product name, Jargon, Guest name"

--terms 用于列出姓名和专业术语，确保拼写正确；渲染前，请在 edit.json 中使用 "replace" 修正仍然听错的内容，因为烧录进已发布视频的字幕无法更改。

转录一如既往地有以下三种方式，相关取舍只需说明一次：

方式	用法	费用和速度
现有转录文本	--from captions.srt	免费，即时完成；单词时间是估算的，而且大多数“呃”不会被记录，因此填充词剪辑效果较差
Groq 或 OpenAI	GROQ_API_KEY 或 OPENAI_API_KEY	Groq 每小时音频约 $0.04，每小时音频需一两分钟处理
本地	pip install faster-whisper	免费且私密；使用 --model small 时，处理时间约为视频时长的一半到视频时长本身

转录器会收到提示，要求记录填充词；否则 Whisper 会漏掉这些词。编辑器会直接从音频中查找转录器仍然漏掉的声音（没人记录下来的“嗯”声、呼吸声）。

步骤 2：规划剪辑

完整阅读一次 work/transcript.txt。然后编写 edit.json（格式见 scripts/edit_video.py 顶部）：

• 风格： "style": "youtube"、"tight" 或 "podcast"（阈值见 references/editing-rules.md）。超过限制的停顿会缩短为自然的间隔：句中较短，句后较长，话题转换时最长。
• 填充词： 默认列表（"um"、"uh"、"er"、"hmm"、"mm"）是安全的。只有用户提出要求时，才将其习惯用词添加到 extra_fillers。
• 离题内容和无效片段： 离题内容、"can you hear me?"，以及重点出现前冗长的铺垫。将它们添加到 cut 并说明原因，同时告知用户。
• 保留： 使用 keep 标记任何必须保留的内容，包括无声片段。
• 带问题卡片或画面中有采访者的访谈： 保留问题（每张卡片约 3 秒，并加入 keep），除非用户另有说明；否则每个回答都会以 "So..." 开头，缺少上下文。
• 听错的名称： "replace": {"Cyrus Rex": "OSIRIS-REx"}。
• 章节（适用于 YouTube）：根据话题转换设置 3 到 10 个章节，第一个从 0:00 开始，每个章节至少 10 秒，并以观众能获得的内容命名（例如“相机为何失灵”，而不是“第 2 部分”）。 时间使用原视频中的时间；脚本会调整它们。

然后制定计划：

python3 scripts/edit_video.py edit.json --transcript work/transcript.json --out edited/ --plan

edited/edit-plan.md 会列出新时长、来自讲话内容与长停顿和卡片的剪辑时长、每分钟字数的语速，以及所有超过 1 秒的删减内容及其原因和文字。逐条阅读所有重录和口吃的片段，以及“可能重录”列表：两句完整句子以相同方式开头时，绝不会自动剪掉；请逐一判断，并在确实属于重录时将其添加到 cut。向用户展示摘要、重录片段、选定的离题内容和章节，并征得同意。

第 3 步：渲染

python3 scripts/edit_video.py edit.json --transcript work/transcript.json --out edited/

功能：

• 将超出限制的停顿缩短到自然的节拍，并删去填充词、口吃、重录内容和所有 cut 范围。短于风格最短时长（youtube 中为 0.4 s）的删减会保留：跳切的代价可能高于收益。
• 通过听音频来确定每处剪切：将词语边缘移到声音实际停止和开始的位置，因此不会切掉词尾，也能找出转录稿漏掉的声音（未写出的“嗯”）。
• 同时查看画面：干净地剪掉标题卡和镜头切换，不留下几帧标题卡。
• 每次将多个片段分组渲染，确保无论有多少处剪切，声音和画面都保持同步。
• **推近镜头：**在需要隐藏跳切的地方，在完整画幅和 1.1x 推近画面之间切换：凡是删掉 1 秒或更长内容的剪切处都会推近；否则，只有同一取景持续 4 秒后才推近；遇到新镜头时绝不推近。"punch_in": 0 可关闭此功能。
• **音频：**将增益调至合适水平，过滤隆隆声，根据测得的室内噪声设置降噪（室内本就安静时跳过），进行轻柔压缩、峰值限制，并分两遍将响度调至 -14 LUFS。
• **字幕：**始终生成 captions.srt（最多 2 行，每行 42 个字符；每条字幕持续 1 至 7 秒；不会在短词后或人名中间换行），供上传到 YouTube。 "captions": {"burn": true} 会将字幕嵌入视频，适用于许多人会静音观看的社交平台；竖屏版本默认嵌入字幕。若 YouTube 视频也会上传 SRT，就不要将字幕嵌入视频：开启字幕的观众会看到两份字幕。
• 竖屏："format": "vertical" 会生成一个以 focus_x 为裁切位置的 1080x1920 版本。

生成文件：edited/edited.mp4、captions.srt、chapters.txt、edit-report.md 和 manifest.json。

**向用户展示前请检查：**打开 cuts.jpg（显示最大几处剪切前后画面的帧：检查是否闪过标题卡、是否跳切到不同镜头、表情是否冻结），并阅读 manifest.json 中的警告（同步、每分钟超过 190 个单词的语速、响度）。如果重录内容保留了错误的版本、语速让人感觉喘不过气（应采用更温和的风格），或剪切位置不理想（应在该处设置 keep），请修正后重新渲染。

第 4 步：通过 WoopSocial 发布

连接、上传和发布方法：references/woopsocial.md。简要步骤：

1. social_accounts_list；如果尚未连接：使用此 Agent 唯一的连接方式（免费套餐：2 个社交账号），然后为每个平台调用 oauth_create_authorization。
2. 使用上传会话上传 edited.mp4（调用 media_uploads_create_session，并使用 manifest.json 中的字节数；运行 python3 scripts/upload_parts.py session.json edited/edited.mp4； 然后调用 media_uploads_complete_session）。
3. **YouTube：**填写 title（先写主要搜索词，少于 70 个字符）、privacy，以及描述。描述开头用一行说明观众能获得什么，后面附上 chapters.txt 中的章节信息。之后在 YouTube Studio 上传 captions.srt（WoopSocial 不会发送字幕文件）。
4. 展示帖子内容（文件、标题、描述、账号、含时区的时间）并明确征求同意。然后调用 posts_create 和 posts_get。

第 5 步：查看结果

一周后，调用 social_account_posts_list：查看观看次数、点赞数，以及有报告时的评论数，并记录收集日期；未提供的数据表示“未报告”。观看留存情况和平均观看时长可在 YouTube Studio 中查看；请用户提供这些数据。如果观众很早就离开，下次剪辑应让开场更紧凑；如果观众在某个章节处离开，说明该部分太长。

质量标准

专业剪辑师会交付这样的成片吗？如果有词语被切掉、剪切落在呼吸中间并产生爆音、推近镜头每隔几秒就变化、语速让人没有思考的余地，或意思发生了变化，就不要交付。

边界情况

• 镜头中有两个人： 保持 format 为 source；在广角镜头中仍可进行推近。
• 带有语音的屏幕录制： 将 "punch_in": 0。
• 语音下方有音乐： 静音检测会将音乐识别为声音；将 "voiced_gaps": false。
• 超长录制（超过一小时）： 可以处理，但渲染时间约等于视频时长；先规划，再渲染一次。
• 有意保留一段无语音的内容（例如演示）：将其 keep。

参考资料

• references/editing-rules.md：阈值、填充词、重录模式、推近、音频链、字幕和章节，以及来源。
• references/woopsocial.md：连接、上传、发布和读取结果。