| name | video-editing |
| description | Xiaohongshu/RED-tuned content engine for short-form video. Use when: producing daily 小红书/抖音/视频号 videos from raw voice-over + b-roll materials; transcribing speech with mlx-whisper/faster-whisper; planning ASR rough cuts from transcript filler metadata and adjacent repeated sentences; rewriting transcripts into 5-field (hook/pain/turn/value/cta) story structures using 8 hook + 5 CTA templates; running platform-rule content lint (80+ regex for 广告法极限词/导流外站/医美/财富诱导); auto-scheduling B-roll cutaways, chapter title cards, emoji stickers, and BGM beat-sync (librosa); detecting abstract-concept opportunities and emitting gpt-image-2-shaped prompts that the Codex built-in `imagegen` tool can run directly (no API key needed); building storyboard_plan shot cards from transcript/clean_script with generation routing (codex_imagegen / dreamina_video / remotion_hyperframes / media_library_broll), continuity anchors, first/motion/last-frame prompts, and paid-credit approval notes before generating video assets; turning storyboard plans into asset manifests with ready / candidate_found / needs_generation / needs_approval / needs_render / search_needed states so generated media, local motion cards, and B-roll are reviewed before render; ingesting auto_enrich JSON via render_final.py --enrich-plan so B-roll, chapter cards, stickers, and generated images feed the final render without manual config copying; removing talking-head pauses with adaptive loudnorm/silencedetect jump cuts and auditable cut lists; generating filmstrip+waveform timeline-view PNGs for cut-boundary or render-QA human review; rendering with audience profiles (tech_pro/lifestyle), Heavy CJK fonts, automatic loudness normalisation (dynaudnorm+compressor+loudnorm), primary-speed control, karaoke/word-level subtitles, and optional --versioned-output `_V<N>` files that avoid overwriting previous renders; running post-render QA for dimensions/audio/black frames/frozen video/silence; exporting one master into three platform deliverables (xhs 3:4 / douyin 9:16 / wxch ≤60s); generating titles + 200-500 char captions + tags + publish-time hints; exporting to JianYing/CapCut; exporting render_config or rough/jump cut lists to CMX 3600-style EDL + manifest for Premiere/Final Cut Pro/Resolve handoff; generating Remotion voiceover animations. Refuses pipeline-internal tokens (speed multipliers, model names, debug strings) on output frames. Requires ffmpeg and a whisper backend (mlx-whisper on Apple Silicon, faster-whisper elsewhere). Pillow needed for chapter cards. librosa optional for real beat detection. Remotion workflow additionally requires Node.js. Image generation routes through Codex `imagegen` (gpt-image-2) when in Codex; outside Codex, callers use the OpenAI Python SDK directly with their own OPENAI_API_KEY (this skill does not bundle an OpenAI client). |
| argument-hint | Provide the path(s) to voice-over audio + optional b-roll videos to process |
| metadata | {"openclaw":{"emoji":"🎬","os":["darwin","linux","win32"],"requires":{"bins":["ffmpeg","python3"]},"install":[{"id":"ffmpeg-brew","kind":"brew","formula":"ffmpeg","bins":["ffmpeg"],"label":"Install FFmpeg (brew)"}]}} |
Video Editing Skill — 视频剪辑技能（V3）
适配 小红书 / 抖音 / 微信视频号 三大主流平台。一条 从口播 → 重组故事 → 平台守门 → 自动丰富 → 渲染 → 三平台导出 → 标题文案 的端到端流水线，按各平台的算法、比例、时长、审核规则调过参——不只是剪辑工具。
V3 完整流水线（一图看懂）
口播音频 + 无声素材
│
├─→ transcribe.py 转写 + 词级时间戳 + 口误标记
├─→ rough_cut.py ASR 粗剪：去纯口头禅 / 相邻重复句
├─→ rewrite_script.py LLM 重组 5 段式（hook/pain/turn/value/cta）
├─→ content_guard.py 80+ 条平台雷区 lint
├─→ auto_enrich.py B-roll / 章节卡 / 贴纸 / BGM 卡点 / imagegen 提示词
│ └─→ Codex imagegen gpt-image-2 自动生图（抽象概念配图）
├─→ storyboard_plan.py 分镜 shot cards / 生成路由 / 连续性锚点
├─→ storyboard_assets.py 素材任务清单 / ready 预检 / paid 额度提醒
├─→ jump_cut.py 自适应去停顿 + 可审计 cut list（口播/访谈可选）
├─→ render_final.py 单次编码渲染（enrich_plan + Heavy 字幕 + 响度规范化）
│ 可选 --versioned-output 防覆盖旧成片
├─→ render_qa.py 渲染后黑屏/静帧/静音/尺寸质检
├─→ timeline_view.py 切点/QA 可疑区间 filmstrip + waveform 复盘图
├─→ export_edl.py render_config / cut list → EDL + manifest
├─→ multi_export.py 小红书 3:4 / 抖音 9:16 / 视频号 ≤60s
└─→ generate_caption.py 标题 + 200-500 字正文 + 3-6 tags + 发布时段
每天做一条短视频的完整提示词模板：docs/prompts/15-xhs-daily-tech-video.md（推荐入口）。
生图优先使用 Codex 内置 image_gen 工具，即 OpenAI GPT Image 2（gpt-image-2）。
V3 新增脚本一览（按调用顺序）
| 脚本 | 职责 | 关键 CLI |
|---|
_internal_text_guard.py | 拦截内部 token 进画面 | 内部模块，render_final 自动调 |
content_guard.py | 平台雷区 lint | --script --title --caption --strict |
rough_cut.py | transcript 粗剪：去口头禅/重复句 | --transcript --cut-list / --input --output |
rewrite_script.py | LLM 5 段式重组 + 验证 | --transcript --structure --hook-template --emit-prompt / --llm-output |
auto_broll.py | B-roll 调度 | --transcript --assets --max-single-shot |
auto_chapter_cards.py | 章节卡 PNG | --script --audio --style --output-dir |
auto_stickers.py | 情绪→贴纸 | --transcript --min-interval |
beat_sync.py | BGM 卡点 | --bgm --cuts --window |
auto_enrich.py | 编排上面四个 | --transcript --clean-script --bgm --output |
imagegen_hint.py | 检测抽象概念 → 产 gpt-image-2 提示词 | --transcript --clean-script --codex-md |
storyboard_plan.py | transcript/clean_script → 分镜 shot cards + 生成路由 | --transcript --clean-script --output --markdown |
storyboard_assets.py | storyboard_plan → 素材清单 + ready/paid 预检 | --storyboard-plan --asset-root --output --strict |
jump_cut.py | 自适应静音检测 → 去停顿 cut list / 成片 | <input.mp4> --dry-run --cut-list cuts.json / --output jumpcut.mp4 |
render_final.py | 单次编码渲染 + enrich_plan 接入 | --config render_config.json --enrich-plan enrich_plan.json --output final.mp4 |
render_qa.py | 渲染后 QA：尺寸/音频/黑屏/静帧/静音 | <video.mp4> --platform douyin --json qa.json |
timeline_view.py | 切点/QA 可疑区间可视化复盘图 | <video.mp4> --at 42.5 --output view.png / --cut-list cuts.json --output-dir verify/ |
export_edl.py | NLE handoff：导出 EDL + manifest | --config render_config.json --output edit.edl / --cut-list rough_cut.json --output rough.edl |
multi_export.py | 三平台导出 | <input.mp4> --platforms xhs douyin wxch |
generate_caption.py | 标题/正文/tag | --script --profile --output |
profiles/__init__.py | 受众档位加载 | load_profile("tech_pro") |
V3 新增 render_final.py 标志位
| 标志 | 默认 | 说明 |
|---|
--profile tech_pro | 关 | 加载 scripts/profiles/tech_pro.yaml 的节奏/字幕/BGM 默认值 |
--primary-speed 1.25 | 1.0 | 主输出速度。--speed 仍可加额外变种 |
--no-loudnorm | 不传 = 开启响度规范化 | 关闭 dynaudnorm + acompressor + loudnorm |
--no-content-guard | 不传 = 开启 lint | 关闭平台规则检查（不推荐） |
--subtitle-style karaoke | normal | 逐词卡拉 OK 字幕 |
--enrich-plan work/enrich_plan.json | 关 | 自动接入 auto_enrich 的 B-roll / 章节卡 / 贴纸 / 生成图 cue |
--versioned-output | 关 | 输出到下一个 <name>_V<N>.mp4，避免覆盖上一版成片 |
V3 Day58 production 教训（已编码进默认行为）
| 教训 | V3 怎么解决 |
|---|
顶部漏 1.25x 这种内部 token | _internal_text_guard 自动拒绝，规则在 scripts/_internal_text_guard.py |
| 字幕 Hiragino W3 太细 | find_chinese_font() 默认排序：Source Han Sans Heavy > Smiley Sans > STHeiti Medium > PingFang Semibold |
| 加速后中段听不清 | render_final 默认 dynaudnorm=f=250:g=15 + acompressor=threshold=-18dB:ratio=3 + loudnorm=I=-16:TP=-1.5:LRA=11 |
1.25× 想做主输出但 --speed 还留 1.0× | 新增 --primary-speed 一等公民 |
| 字幕里 Whisper 错词（ChatGPTT 等） | rewrite_script.py 走清稿优先，原 Whisper 词只供时间戳 |
| 平台违规词被发现才知道（限流） | content_guard.py 渲染前自动 lint |
旧版（V2）参考资料
下面是 V2 时代的工作流文档。仍然有效，但日常使用推荐先看 docs/prompts/15。
Prerequisites（前置要求）
在执行任何操作之前，先运行环境检测：
python3 scripts/utils.py
这会自动检测平台（macOS/Linux/WSL/Windows）、GPU 类型、可用编码器、Whisper 引擎，并给出诊断报告。
Prerequisites（前置要求）
在执行任何操作之前，先运行环境检测：
python3 scripts/utils.py
这会自动检测平台（macOS/Linux/WSL/Windows）、GPU 类型、可用编码器、Whisper 引擎，并给出诊断报告。
如果缺少依赖，提示用户安装：
- ffmpeg:
brew install ffmpeg（macOS）或 apt install ffmpeg（Linux/WSL）或下载 Windows 版本
- whisper:
- Apple Silicon (M1/M2/M3/M4):
pip install mlx-whisper（推荐，Metal 加速最快）
- NVIDIA / CPU:
pip install faster-whisper（推荐，速度快 4 倍）或 pip install openai-whisper
- 中国用户加速安装（Apple Silicon）：
pip install mlx-whisper -i https://pypi.tuna.tsinghua.edu.cn/simple
其他平台：pip install faster-whisper -i https://pypi.tuna.tsinghua.edu.cn/simple
如果项目根目录有 .venv 虚拟环境，运行 Python 脚本前先激活：
source .venv/bin/activate
平台说明
- macOS (Apple Silicon): 自动使用 VideoToolbox 硬件编码加速；Whisper 引擎自动选
mlx-whisper（已安装），推荐 large-v3-turbo 模型（走 mlx-community/whisper-large-v3-turbo）
- 字幕字体（短视频）: 默认优先选 Heavy / Medium 字重的中文字体：用户库的
Source Han Sans SC Heavy / Smiley Sans > 系统 STHeiti Medium > PingFang SC Semibold。如果都没有，会自动从 adobe-fonts/source-han-sans 下载 Heavy 字重缓存到 ~/.cache/video-editing/fonts/。绝不再默认使用 Hiragino W3 这类细字
- macOS (Intel): 使用 VideoToolbox 编码，Whisper 使用 CPU 模式
- Linux: 自动检测 NVIDIA GPU (NVENC)、Intel QSV、AMD AMF
- WSL: 支持，自动检测 Windows 字体路径 (
/mnt/c/Windows/Fonts/)
- Windows: 建议使用 WSL2 环境运行；支持 QSV/AMF 硬件编码
- 无独显 (集成显卡): Intel iGPU 使用 QSV 编码，AMD iGPU 使用 AMF 编码；Whisper 建议 medium 模型（而非 large）
- 中国用户: 自动检测中国区域，使用清华 pip 镜像和 HuggingFace 镜像下载模型，也可通过
--mirror 参数强制启用
Linux GPU 配置指南（NVIDIA / Intel Arc）
在 Linux 上使用 GPU 加速 Whisper 语音识别时，不同显卡需要不同的配置方案。运行 python3 scripts/utils.py 会自动检测显卡型号并给出建议，但如果遇到问题，请参考以下方案。
方案 A：NVIDIA 40 系列显卡（RTX 4060 / 4070 / 4080 / 4090）
40 系列（Ada Lovelace 架构，Compute Capability 8.9）对 faster-whisper 支持最成熟，开箱即用。
安装步骤：
sudo apt install nvidia-driver-535 nvidia-cuda-toolkit
nvidia-smi
pip install faster-whisper>=1.1.0
配置说明：
- CUDA Toolkit: 12.4+（推荐 12.6）
- CTranslate2: >= 4.5.0（自动随 faster-whisper 安装）
- 计算精度:
float16（默认）, int8_float16, int8 均可使用
- Whisper 模型: 推荐
large-v3（VRAM >= 6GB）
- 无需特殊配置，
python3 scripts/transcribe.py 会自动检测并使用 CUDA
方案 B：NVIDIA 50 系列显卡（RTX 5060 / 5060 Ti / 5070 / 5080 / 5090）
50 系列（Blackwell 架构，Compute Capability 12.0，sm_120）需要额外注意 CUDA 版本和计算精度设置。
已知问题：
CTranslate2 在 Blackwell 架构上使用 INT8 精度时会报错 cuBLAS failed with status CUBLAS_STATUS_NOT_SUPPORTED，
这是因为 Blackwell 的 INT8 Tensor Core 需要矩阵维度为 16 的倍数对齐。CTranslate2 >= 4.7.1 已修复此问题，
但为保险起见，本工具在检测到 50 系列显卡时会自动使用 float16 精度。
安装步骤：
sudo apt install nvidia-driver-565
nvidia-smi
pip install faster-whisper>=1.1.0
pip install --upgrade ctranslate2>=4.7.1
python3 -c "
from faster_whisper import WhisperModel
model = WhisperModel('tiny', device='cuda', compute_type='float16')
print('CUDA float16 OK')
"
配置说明：
- CUDA Toolkit: >= 12.8（推荐 13.0+，最新为 13.2）
- NVIDIA 驱动: >= 565
- CTranslate2: >= 4.7.1（包含 INT8 padding 修复）
- 计算精度: 推荐
float16（最稳定）；int8_float16 在 CTranslate2 >= 4.7.1 上可能可用
- 如果
int8 仍然报错，工具会自动降级到 float16
- Whisper 模型: 推荐
large-v3（VRAM >= 6GB）
utils.py 会自动检测 50 系列显卡（通过 nvidia-smi 查询 GPU 名称中的 "RTX 50"），并选择安全的 float16 精度
排错：
如果出现 CUBLAS_STATUS_NOT_SUPPORTED 错误：
- 确认 CTranslate2 版本 >= 4.7.1：
python3 -c "import ctranslate2; print(ctranslate2.__version__)"
- 确认 CUDA 版本 >= 12.8：
nvidia-smi 或 nvcc --version
- 尝试手动指定
--compute-type float16（如果直接使用 transcribe.py 的话）
- 确认驱动版本 >= 565：
nvidia-smi 查看 Driver Version
方案 C：Intel Arc 独立显卡（A770 / A750 / B580）
Intel Arc 显卡不支持 CUDA，因此 faster-whisper（依赖 CTranslate2/CUDA）无法直接在 Intel Arc 上 GPU 加速。
需要使用替代方案。
推荐方案：OpenVINO + Whisper（最易用）
pip install openvino openvino-genai
python3 -c "
import openvino_genai as ov_genai
pipe = ov_genai.WhisperPipeline('OpenVINO/whisper-large-v3-fp16-ov', device='GPU')
result = pipe.generate('audio.wav', language='<|zh|>')
print(result.texts[0])
"
pip install optimum[openvino]
备选方案：whisper.cpp + SYCL（性能更好，配置更复杂）
wget -O- https://apt.repos.intel.com/intel-gpg-keys/GPG-PUB-KEY-INTEL-SW-PRODUCTS.PUB \
| gpg --dearmor | sudo tee /usr/share/keyrings/oneapi-archive-keyring.gpg > /dev/null
echo "deb [signed-by=/usr/share/keyrings/oneapi-archive-keyring.gpg] \
https://apt.repos.intel.com/oneapi all main" \
| sudo tee /etc/apt/sources.list.d/oneAPI.list
sudo apt update && sudo apt install intel-oneapi-base-toolkit
source /opt/intel/oneapi/setvars.sh
git clone https://github.com/ggml-org/whisper.cpp.git
cd whisper.cpp
cmake -B build -DWHISPER_SYCL=ON
cmake --build build --config Release
./build/bin/whisper-cli -m models/ggml-large-v3.bin -f audio.wav -l zh
配置说明：
- Intel Arc 不支持 CUDA，faster-whisper 在 Intel Arc 上只能用 CPU 模式
- OpenVINO 方案最简单，支持 Arc A770/A750/B580 和集成显卡
- whisper.cpp + SYCL 性能更好（A770 上接近 NVIDIA 中端显卡水平），但需要 oneAPI 环境
- B580（Battlemage 架构）的 SYCL 支持尚在优化中，A770 目前更稳定
- 推荐 Whisper 模型:
medium（12GB VRAM 的 A770）或 small（8GB VRAM 的 A750）
- 如果用户有 Intel Arc 显卡，脚本会自动检测并使用 CPU 模式运行 faster-whisper（作为 fallback）
GPU 配置速查表
| 显卡系列 | 架构 | CUDA Toolkit | 驱动版本 | CTranslate2 | 计算精度 | Whisper 引擎 |
|---|
| RTX 40xx | Ada Lovelace (sm_89) | >= 12.4 | >= 535 | >= 4.5.0 | float16 / int8 均可 | faster-whisper |
| RTX 50xx | Blackwell (sm_120) | >= 12.8 | >= 565 | >= 4.7.1 | float16（推荐） | faster-whisper |
| Intel Arc | Xe HPG / Battlemage | N/A | i915 | N/A | N/A | OpenVINO 或 whisper.cpp+SYCL |
| Intel iGPU | 集成显卡 | N/A | i915 | N/A | int8 (CPU) | faster-whisper (CPU 模式) |
| 无独显 | CPU | N/A | N/A | 任意版本 | int8 (CPU) | faster-whisper (CPU 模式) |
Workflow（工作流程）
Phase 0: Media Library Setup（素材库初始化）
首次使用时，帮助用户建立素材目录结构：
python3 scripts/media_library.py init [project_dir]
这会创建以下目录结构：
media/
├── raw/ — 原始素材（摄像机/手机直出的视频）
├── broll/ — B-roll 素材（城市街景、产品特写等）
├── bgm/ — 背景音乐（MP3/WAV/M4A）
├── assets/ — 叠加素材（水印 PNG、Logo 等）
└── output/ — 输出目录
询问素材来源：
- 询问用户的视频文件位置（本地路径、外部设备或云端）
- 建议将原始素材复制/移动到
media/raw/ 目录
- 询问是否有 B-roll、BGM 等辅助素材
- 如果用户视频散落在多个目录，建议先集中到
media/raw/
扫描并建立索引：
python3 scripts/media_library.py scan [project_dir]
索引系统会自动：
- 扫描所有视频/音频/图片文件
- 提取时长、分辨率、帧率等元数据
- 关联已有的 transcript 文件
- 小型项目（< 200 文件）使用 JSON 索引（
media_index.json）
- 大型项目自动升级为 SQLite 索引（
media_index.db）
- 手动升级：
python3 scripts/media_library.py upgrade
查看素材库状态：
python3 scripts/media_library.py status
搜索素材：
python3 scripts/media_library.py search "关键词"
Phase 1: Audio Extraction（音频提取）
对每个输入视频文件，使用 extract_audio.py 提取音频：
python3 scripts/extract_audio.py "<video_path>"
输出：与视频同目录下的 <video_name>_audio.wav 文件。
Phase 2: Speech Recognition（语音识别）
使用 transcribe.py 对音频进行语音识别，生成带时间戳的逐句文本：
python3 scripts/transcribe.py "<audio_path>" --model auto --language zh --detect-fillers
--model auto：根据硬件自动选择最佳模型（NVIDIA GPU → large-v3，Apple Silicon → large-v3-turbo，集成显卡 → medium，纯 CPU → small）- 也可手动指定：
tiny, base, small, medium, large-v3, large-v3-turbo
--engine auto：自动检测 faster-whisper（推荐）或 openai-whisper--mirror：中国用户使用镜像源下载模型--language：zh（中文），en（英文），ja（日文）等，也可省略让 whisper 自动检测--silence-threshold 1.0：静音检测阈值（秒），默认 1.0。设为 0 关闭--word-timestamps：启用逐词时间戳（卡拉OK字幕必需）--detect-fillers：检测填充词（中文：嗯/呃/那个/就是说；英文：um/uh/like/you know），标记纯填充词片段为建议跳过
输出：与音频同目录下的 <video_name>_transcript.json 文件，格式如下：
{
"segments": [
{"id": 1, "start": 0.0, "end": 2.5, "text": "大家好"},
{"id": 2, "start": 2.5, "end": 5.1, "text": "今天我们来聊一个话题"}
],
"silences": [
{"start": 15.2, "end": 18.5, "duration": 3.3, "before_segment": 5, "after_segment": 6}
],
"filler_words": [
{"segment_id": 3, "text": "嗯那个", "fillers_found": ["嗯", "那个"], "is_filler_only": true},
{"segment_id": 7, "text": "就是说我觉得这个方案", "fillers_found": ["就是说"], "is_filler_only": false}
]
}
静音检测：transcribe.py 会自动分析相邻语音片段之间的间隙。超过阈值（默认 1 秒）的间隙会被标记为静音并输出到 silences 字段中。这些静音通常是说话人的停顿、卡壳或口误，在构建 render_config.json 选片时应注意避开这些区域。
Phase 2.5: Transcript Review（转录文字校验）
转录完成后，必须对所有 transcript.json 中的文字进行逐条审查，修正以下两类问题：
1. 语音识别错误（ASR errors）：
Whisper 常见的识别错误类型：
- 专有名词/产品名：如 "opencloud" → "OpenClaw"、"cloudcode" → "Claude Code"、"cloud ops" → "Claude Opus"
- 同音字错误：如 "小红树" → "小红书"、"检映" → "剪映"、"断耕" → "断更"、"懒得讲" → "懒得剪"
- 英文拼写：如 "scale" → "skill"、"箱子" → "视频"
- 尾部幻觉：Whisper 有时在安静片段末尾生成无意义的重复文字，应直接删除
2. 口误标记（Speaker errors）：
- 重复/卡壳：说话人重复说同一句话或卡住后重新说，标记为可跳过
- 乱码片段：语音模糊导致识别为无意义文字的片段（如连续的单字碎片），标记为可跳过
校验流程：
- 读取所有 transcript.json 的文字内容
- 逐条检查，列出发现的问题（原文 → 修正 或 标记为可跳过）
- 将修正列表展示给用户确认
- 用户确认后，直接修改 transcript.json 文件中的 text 字段
- 对于口误/乱码片段，在展示片段列表时（Phase 3）标注为建议跳过
注意：此步骤必须在 Phase 5（渲染）之前完成，因为字幕文字来源于 transcript.json。修正后再渲染，才能保证最终视频中的字幕文字正确。
Phase 2.6: ASR Rough Cut（口头禅/重复句粗剪，可选）
如果 transcript 中纯口头禅、卡壳重说或相邻重复句较多，先用 rough_cut.py 生成可审计粗剪计划：
python3 scripts/rough_cut.py --transcript work/transcript.json --cut-list work/rough_cut.json
确认计划后可直接渲染粗剪版：
python3 scripts/rough_cut.py \
--transcript work/transcript.json \
--input origin/talking.mp4 \
--output output/talking.roughcut.mp4 \
--cut-list work/rough_cut.json
rough_cut.py 会输出 decisions / removed_segments / keep_segments / speedup_ratio。它不调用 LLM，不提交任何付费任务；只用 transcribe.py --detect-fillers 的 filler metadata 和相邻文本相似度做保守粗剪。激进切点应再用 timeline_view.py --cut-list work/rough_cut.json 复核。
Phase 3: User Interaction（用户交互）
展示片段列表给用户，格式如下：
视频片段列表：
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
# | 时间区间 | 内容
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
1 | 00:00.0 - 00:02.5 | 大家好
2 | 00:02.5 - 00:05.1 | 今天我们来聊一个话题
3 | 00:05.1 - 00:08.3 | 这个话题非常有意思
...
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
请选择要合成的片段（示例）：
- 连续范围：1-10
- 多个片段：1,3,5,7
- 混合选择：1-4,6,8-10
如果有多个视频文件，分别展示每个视频的片段列表，让用户跨视频选择。
AI 智能选片建议
在展示片段列表时，AI agent 应基于以下维度为每个片段提供推荐评分（1-5 星）：
吸引力评分维度：
- Hook 强度（前 3 秒）：是否有吸引人的开头（提问、反直觉观点、情感触发）
- 信息密度：每秒传递的有效信息量（避免重复、废话）
- 情感变化：是否有情感起伏（幽默→严肃→惊喜）
- 完整性：片段是否构成完整叙事单元（有开头、展开、收尾）
自动跳过建议：
- transcript 中
is_filler_only: true 的片段（纯填充词）
- 静音间隙 > 2 秒的相邻片段（卡壳后重说）
- 转录文字与前一片段高度重复的片段（口误重说）
长视频自动拆短片（视频 > 3 分钟时）：
AI agent 应分析 transcript 识别话题转换点（语义断裂、过渡词如"接下来"、"另外"），将片段按话题分组为独立短视频（每个 30-90 秒），并为每组计算整体吸引力评分：
推荐短视频拆分方案：
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
方案 | 片段范围 | 时长 | 主题 | 推荐指数
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
A | #1-#8 | 45s | 痛点引入 | ★★★★★
B | #9-#18 | 62s | 核心方法 | ★★★★☆
C | #19-#25 | 38s | 实操演示 | ★★★☆☆
D | #1-#25 | 2m25s | 完整版 | ★★★★☆
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
等待用户回复选择后，进入 Phase 4。
Phase 4: Render Config（渲染配置）
根据用户的选择，生成 render_config.json 配置文件：
{
"clips": [
{"video": "path/to/video1.MOV", "segment_id": 4, "transcript": "path/to/transcript1.json"},
{"video": "path/to/video1.MOV", "segment_id": 5, "transcript": "path/to/transcript1.json"},
{"video": "path/to/video2.MOV", "segment_id": 1, "transcript": "path/to/transcript2.json",
"broll": "path/to/cityscape.mp4", "broll_start": 5.0}
],
"title": "封面标题文字",
"subtitle": "副标题/情感钩子（可选）",
"cover_style": "news",
"cover_duration": 2.0,
"cover_image": "path/to/custom_cover.png",
"cover_use_frame": false,
"video_overlay": "path/to/overlay.png",
"rec_blink": {
"dot_image": "path/to/dot.png",
"x": 55, "y": 66,
"period": 1.0
},
"end_cards": [
{"text": "感谢观看\n更多内容敬请期待", "duration": 3.5}
],
"bgm": "path/to/background_music.mp3",
"bgm_volume": 0.15,
"bgm_fade_out": 3.0,
"subtitle_style": "karaoke",
"subtitle_highlight_color": "#FFFF00",
"chapters": [
{"title": "章节名", "start": 0.0, "end": 30.0}
],
"text_badges": [
{"text": "关键结论", "start": 12.0, "end": 13.5}
],
"broll_overlays": [
{"video": "path/to/cityscape.mp4", "start": 8.0, "end": 10.0, "source_start": 2.0}
],
"image_overlays": [
{"image": "path/to/generated.png", "start": 18.0, "end": 21.0, "fit": "cover"}
]
}
B-roll 替换（broll 字段）：
- 在 clip 中添加
"broll": "path/to/video.mp4" 可替换该片段的画面，同时保留原始音频
broll_start 指定从 B-roll 视频的哪个时间点开始截取（默认 0.0）- B-roll 视频会自动缩放/裁切以匹配主视频分辨率
- 适用场景：屏幕录制口播配城市街景、音频配音配画面等
Auto-Enrich 自动接入（推荐）：
- 先运行
auto_enrich.py --output work/enrich_plan.json
- 渲染时加
--enrich-plan work/enrich_plan.json
broll[].suggested_asset 会转成定时 B-roll video overlay；chapter_cards[] 和 stickers[] 会转成 ASS badge；chapter_cards[].png / imagegen[].image_path / imagegen[].generated_path 会转成定时图片 overlay- 没有实际生成文件的 imagegen cue 只作为提示输出，不会阻塞渲染
- 合并后的可见文字仍会走
_internal_text_guard 和 content_guard.py
Storyboard Plan 分镜与生成路由（生成素材前推荐）：
- 运行
storyboard_plan.py --transcript work/transcript.json --clean-script work/clean_script.md --output work/storyboard_plan.json --markdown work/storyboard_plan.md
- 输出每个 shot 的时间码、narration、first/motion/last-frame 描述、
codex_imagegen / dreamina_video / remotion_hyperframes / media_library_broll 路由、fallback 和 continuity anchors
- 再运行
storyboard_assets.py --storyboard-plan work/storyboard_plan.json --asset-root work --output work/storyboard_assets.json --markdown work/storyboard_assets.md --strict，渲染前确认素材 ready
dreamina_video 只表示适合视频生成，不会自动提交任务；提交 Dreamina/即梦前必须确认，因为可能消耗 credits- 生图优先使用 Codex 内置
image_gen 工具，即 OpenAI GPT Image 2（gpt-image-2）。
Storyboard Assets 素材清单与预检（分镜后、渲染前推荐）：
- 运行
storyboard_assets.py --storyboard-plan work/storyboard_plan.json --asset-root work --output work/storyboard_assets.json --markdown work/storyboard_assets.md
- 输出每个 shot 的素材状态：
ready / candidate_found / needs_generation / needs_approval / needs_render / search_needed
- 加
--strict 时，任何素材未 ready 都会返回退出码 2，适合放在最终渲染前
needs_approval 代表 Dreamina/即梦等可能消耗 credits 的任务，必须先确认再提交；生图优先使用 Codex 内置 image_gen 工具，即 OpenAI GPT Image 2（gpt-image-2）。
自定义封面（cover_image）：
- 提供自定义封面 PNG 路径，优先于自动生成的封面
- 尺寸应与视频分辨率匹配（如 1080x1920）
持续叠加层（video_overlay）：
- 提供透明 PNG 路径，在封面之后的整个视频上持续叠加显示
- 适用场景：品牌水印、系列标识（如 DAY 标签、数据指标）等
- PNG 必须包含 Alpha 通道（RGBA），透明区域不会遮挡视频
闪烁圆点（rec_blink）：
- 在视频上叠加一个周期性闪烁的小圆点 PNG（如录像机 REC 标志）
dot_image：圆点 PNG 路径（建议 12-16px，RGBA 格式）x, y：圆点在视频画面中的像素坐标period：闪烁周期（秒），默认 1.0（0.5 秒亮 + 0.5 秒灭）
结尾卡片（end_cards）：
- 在视频末尾追加黑屏文字卡片，每张卡片有 300ms 淡入淡出
text：卡片文字内容，用 \n 换行duration：每张卡片显示时长（秒），建议 3.0-4.0- 文字居中显示，字号为正文字幕的 1.4 倍
背景音乐（bgm）：
- 提供背景音乐文件路径（MP3/M4A/WAV 等 FFmpeg 支持的格式）
bgm_volume：BGM 音量（0.0-1.0），默认 0.15（人声为主，BGM 为辅）bgm_fade_out：结尾淡出时长（秒），默认 3.0- BGM 自动循环播放直到视频结束，不需要预先剪辑长度
- 推荐免费可商用音乐源：Pixabay Music、Mixkit、YouTube Audio Library
- 选曲建议：口播/教程用轻柔纯音乐（无人声），节奏不要太强，避免抢人声
字幕风格预设（subtitle_style）：
| 风格 | 效果 | 适用场景 |
|---|
normal | 白字黑描边（默认） | 适合所有场景 |
karaoke | 逐词高亮 | 音乐/节奏感内容 |
bold_pop | 粗描边高对比 | MrBeast/Hormozi 风格 |
neon | 霓虹灯青紫色 | 科技/潮流内容 |
minimal | 极简无描边 | 文艺/安静内容 |
yellow_pop | 黄字黑描边 | 高可见度，户外/嘈杂画面 |
卡拉OK字幕 / 逐词高亮（subtitle_style: "karaoke"）：
音频源替代（M4A/独立音频）：
封面标题：
- 如果用户提供了标题，直接使用。
- 如果用户没有特别要求，站在观众角度总结一个吸引人的标题（6-15 个字）。
subtitle 可选，用于补充情感钩子或关键信息。- 移动端优先：封面在手机列表页里只是一个缩略图，标题必须先保证可读性，再考虑画面细节。
封面文字排版规则：
- 标题按一行最多约 8 个汉字来设计；超过时自动换行，不要把单行塞得过满。
- 英文/数字按约半个汉字宽度估算；例如
AI、GPT-5 之类不应把整行宽度挤爆。
subtitle 字号默认按标题的约 50% 处理，只承担补充信息，不和主标题争抢视觉中心。- 如果标题超过两行，优先缩短文案，不要继续缩小字号来硬塞。
- 做教程/工具类封面时，主标题尽量控制在 4-8 个字，副标题控制在 6-12 个字。
封面风格（cover_style）— 根据视频内容选择最合适的风格：
| 风格 | 适用场景 | 视觉效果 |
|---|
bold | 教程、科普、技术 | 黑底 + 大号白色粗体字，简洁有力 |
news | 热点、观点、争议 | 深色渐变底 + 白色标题 + 黄色副标题，冲击力强 |
frame | Vlog、实拍、场景 | 视频首帧做背景 + 暗色遮罩 + 描边白字 |
gradient | 生活、情感、艺术 | 紫粉渐变底 + 发光白字，温柔优雅 |
minimal | 思考、文化、深度 | 纯黑底 + 细体白字，极简克制 |
white | 教程、产品、品牌化内容 | 纯白底 + 深色字，现代感更强 |
techcard | 屏幕录制、软件教程、AI 工具演示 | 左侧大标题 + 右侧画面卡片，兼顾信息量和可读性 |
AI agent 应根据视频主题和内容语气自动选择：
- 科技/工具类 →
bold 或 news
- 争议/观点类 →
news（白标题+黄副标题效果最抢眼）
- Vlog/实拍类 →
frame
- 情感/生活类 →
gradient
- 深度/文化类 →
minimal
- 纯桌面录屏 / 软件教程 →
techcard 优先；如果画面太杂，就退回 bold / white
背景取帧规则：
- 不要机械地使用第一帧。对于录屏教程，优先选择信息密度更高、界面更完整的一帧做背景或卡片图。
- 如果背景画面会影响标题识别，优先使用
bold / white / minimal 这类纯底风格。
- 单独预览封面时，可用
scripts/generate_cover_image.py --frame-timestamp 00:10:00 指定取帧时间。
封面时长（cover_duration）：
- 默认 2.0 秒，将第一帧冻结并叠加封面
- 也可通过
--cover-duration 命令行参数覆盖
章节划分：
- 根据视频内容逻辑划分章节，建议 不超过 4 个章节
- 章节名要简短（2-4 个字），如：痛点、原因、方案、工具
- 章节时间需要根据选定片段的累计时长精确计算
Phase 5: Single-Pass Render（单次渲染）
使用 render_final.py 从原始视频一次编码生成最终视频：
python3 scripts/render_final.py --config render_config.json \
--enrich-plan work/enrich_plan.json \
--output final.mp4 --speed 1.25 1.5
核心原理：
- 单视频（最常见场景）：使用
select/aselect + between() 表达式一次性筛选所有保留片段，FFmpeg 解码完整源视频但只编码选中的帧，配合 -crf 18 -preset medium 只编码一次
- 多视频混剪：使用
trim/atrim 裁切 + concat 拼接（自动降级）
- 封面使用
tpad 冻结第一帧 + adelay 添加静音，字幕时间自动偏移，全部在一次编码中完成
- 章节时间轴不烧入视频，渲染完成后以文本形式输出，供用户手动粘贴到小红书等平台
参数说明：
--config：渲染配置 JSON 路径--enrich-plan：可选，读取 auto_enrich.py 输出的 JSON，把 B-roll / 章节卡 / 贴纸 / 已生成图片 cue 自动接回渲染--output：输出文件路径--speed 1.25 1.5：同时输出变速版本（每个变速版本也是从原始视频直接编码，不是从已编码视频二次压缩）--cover-duration 2.0：封面冻结时长（秒），覆盖配置中的 cover_duration--font-path：自定义字体文件--font-size：字幕字号（默认 48，基于 1080p 自动缩放）--no-subtitles、--no-cover：跳过对应功能
输出：
final.mp4（原速）final_1_25x.mp4（1.25 倍速）final_1_5x.mp4（1.5 倍速）- 渲染完成后终端输出章节时间轴文本，可直接复制到小红书
多平台格式导出：
python3 scripts/render_final.py --config render_config.json --output final.mp4 \
--formats vertical square horizontal
同时输出：
final_vertical.mp4（9:16 抖音/小红书/TikTok）final_square.mp4（1:1 Instagram）final_horizontal.mp4（16:9 YouTube/B站）
裁切策略为中心裁切（center-crop），保持画面主体不变。
自动功能：
- 字幕自动检测语言、自动折行、竖屏优化定位
- 封面自动叠加标题文字（带描边和阴影），冻结首帧 1-2 秒
- 变速版本的字幕时间自动缩放
- B-roll 自动缩放裁切匹配主视频分辨率
--enrich-plan 的定时 B-roll / image overlay 自动缩放裁切匹配主视频分辨率- 结尾卡片自动拼接黑帧 + 静音 + 淡入淡出字幕
- 持续叠加层和闪烁圆点在封面之后自动启用
- 视频/音频时长自动对齐（
-shortest），避免平台上传时的时长不匹配问题
Phase 5b: Export to JianYing / CapCut（导出剪映工程）
如果用户希望在剪映中继续编辑（添加特效、调色、精修转场等），可以将剪辑方案直接导出为剪映工程文件，无需 ffmpeg 渲染：
python3 scripts/export_capcut.py --config render_config.json --output ./my_draft
导出内容：
- 视频轨道：所有选定的片段按顺序排列在主视频轨道上，包含片头封面（冻结首帧或自定义封面图）
- 字幕轨道：每个片段的转录文字作为独立字幕段落，位于画面下方
- 文字轨道：封面标题、副标题、结尾卡片文字（与字幕分离，便于单独编辑）
- 音频轨道：背景音乐（BGM），自动设置音量
- 转场：片段之间自动添加淡入淡出转场（300ms）
- B-roll：支持 B-roll 替换画面（使用 broll 路径作为视频源）
参数说明：
--config：渲染配置 JSON 路径（与 render_final.py 共用同一个 render_config.json）--output：输出文件夹路径（会创建 draft_content.json 和 draft_meta_info.json）--name：项目名称（默认使用配置中的标题）
使用方式：
- 将导出的文件夹复制到剪映草稿目录：
- macOS:
~/Movies/JianyingPro/User Data/Projects/com.lveditor.draft/
- Windows:
%APPDATA%/JianyingPro/User Data/Projects/com.lveditor.draft/
- 打开剪映，在"草稿"列表中即可看到该项目
- 在剪映中可继续添加特效、调整转场、调色、导出等
注意：
- 导出的工程文件使用绝对路径引用视频/音频素材，确保素材文件不要移动位置
- 支持剪映专业版（JianyingPro）；剪映 6+ 版本均可打开生成的草稿
- 此功能与 Phase 5（ffmpeg 渲染）二选一：如果用户只需要最终视频，用 render_final.py；如果需要进一步在剪映中编辑，用 export_capcut.py
Phase 5c: NLE Handoff EDL（交给 Premiere / FCP / Resolve）
如果用户不需要剪映草稿，而是要把自动剪辑方案交给专业剪辑软件做调色、混音、精剪或协作复核，导出单轨 EDL：
python3 scripts/export_edl.py --config render_config.json --output work/edit.edl --fps 30
python3 scripts/export_edl.py --cut-list work/rough_cut.json --output work/rough_cut.edl --fps 30
export_edl.py 会同时写 <output>.json manifest，保留绝对源路径、精确秒数、record/source timecode 和事件清单。复杂字幕、overlay、章节卡、B-roll 仍以 render_final.py / export_capcut.py 为准；EDL 只负责轻量 NLE handoff。
Phase 6: Post-render Validation（渲染后验证）
渲染完成后，对最终视频执行验证流程：
6a. 机器质检（先跑）：
python3 scripts/render_qa.py final.mp4 --platform douyin --json final_qa.json
render_qa.py 会检查容器元数据、平台尺寸、视频/音频流、黑屏、长静帧和长静音。对小红书派生文件使用 --platform xhs，对抖音/视频号使用 --platform douyin 或 --platform wxch。如果只想快速查元数据，可加 --no-filters。
6b. 可视化复盘（QA 有 WARN/FAIL 或抽查切点时跑）：
python3 scripts/timeline_view.py final.mp4 --at 42.5 --radius 1.5 --output verify/42_5s.png
python3 scripts/timeline_view.py origin/talking.mp4 --cut-list work/jumpcut.json --output-dir verify/cuts --limit 12
timeline_view.py 会生成 filmstrip + waveform PNG；上半部分看画面连续性，下半部分看人声/静音边界。无音频视频会自动只输出 filmstrip。
6c. 音频重复检测：
- 提取最终视频的音频
- 重新进行语音识别
- 检查识别结果中是否存在相邻片段的文字重复（前一句末尾 2-3 个字与后一句开头重复）
- 如发现技术性重复（非自然语言重复），需要调整 render_config.json 中的片段选择
6d. 字幕文字最终校验：
- 读取最终视频使用的所有 transcript 片段的文字
- 按最终视频的片段顺序，逐条检查以下问题：
- 语音识别残留错误：Phase 2.5 可能遗漏的同音字、专有名词错误
- 口误未清理：说话人的口误（如说反了、重复了）是否仍然保留在最终视频中
- 上下文连贯性：跨视频拼接后，相邻片段之间是否存在语义断裂或逻辑跳跃
- 字幕一致性：同一个词/名称在不同片段中是否拼写一致
- 如发现问题，列出问题清单并展示给用户：
字幕校验结果：
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
# | 问题类型 | 原文 → 建议修正
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
3 | 识别错误 | "检映" → "剪映"
7 | 口误 | "先说了结果" → 建议删除此片段
12 | 名称不一致 | "opencloud" → 统一为 "OpenClaw"
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
- 用户确认修正后，修改对应的 transcript.json，然后重新执行 Phase 5 渲染
Important Notes（注意事项）
视频质量与编码准则（最重要）
- 单次编码原则：从原始视频到最终输出，只允许一次编码。严禁多次重编码（如先切分编码、再烧字幕编码、再加封面编码），每次重编码都会累积质量损失。使用
render_final.py 的 select/aselect + between() 方案（单视频）或 trim/atrim + concat 方案（多视频），在一条 ffmpeg 命令中完成裁切、拼接、字幕、封面的全部操作。
- 变速版本也从原始视频直接编码：
--speed 1.25 1.5 的变速版本在 filter_complex 中集成 setpts + atempo，直接从原始视频一步到位，不要从已编码的 1x 视频再次压缩。
- 编码参数：使用固定比特率（如
-b:v 12M）而非质量参数（如 -q:v）。固定比特率可以精确控制文件大小和质量，避免 -q:v 在不同编码器上表现不一致。参考原始视频比特率（通常 8-15 Mbps）设定。
- 旧流程脚本仅用于预览：
split_video.py、burn_subtitles.py、merge_clips.py、generate_cover.py、add_chapter_bar.py 仍可单独使用，但最终输出必须使用 render_final.py。旧脚本适合快速预览单个片段效果。
Rotation 检测
- Rotation 检测：iPhone 等设备录制的竖屏视频，编码尺寸可能是 1920x1080 + rotation=-90 元数据。所有脚本通过
utils.get_video_info() 统一检测 rotation 并自动交换宽高，确保获取正确的显示尺寸。检测视频信息时必须首先检查 rotation。
章节时间轴
- 章节数量：建议不超过 4 个章节，章节名 2-4 个字。
- 时间轴不烧入视频：渲染完成后以文本形式输出章节时间轴（含封面偏移），用户手动复制到小红书等平台的视频描述中。
其他
- 多视频处理：如果用户提供多个视频，对每个视频独立执行 Phase 1-2.5，然后在 Phase 3 统一展示所有视频的片段列表，支持跨视频混合选择片段。
- 识别模型选择：中文视频建议使用
large 模型，base/small 模型中文识别率较低。large 模型约需 2.9GB 下载空间。
- 工作目录：所有中间文件（音频、转录）都保存在视频文件所在目录下，便于管理。渲染完成后应清理临时文件（ASS 字幕文件、filter_complex 脚本）。
- 错误处理：如果某一步失败，向用户报告具体错误信息，并建议可能的解决方案。
- 字幕字体：ffmpeg 需要编译包含
libass 和 libfreetype。macOS 可通过 brew install ffmpeg 获取。
- 竖屏适配：字幕位置和字体大小已针对 9:16 竖屏视频（如小红书、抖音）优化。横屏视频同样支持。
Remotion Voiceover Workflow（语音生成视频）
当用户只有语音（或音频文件）但没有画面时，使用 Remotion 生成配合语音的视频画面。
详细的 Remotion API 参考、模板样式、组件结构见 REMOTION_VOICEOVER.md。
适用场景
- 纯音频口播 — 有录音/TTS 语音，需要生成匹配的画面
- 音频 + 静态图片 — 有语音和图片素材，需要组合成动态视频
- 播客可视化 — 将播客/对话音频转为带字幕和视觉效果的视频
- 解说视频 — 配音 + 文字动画 + 背景图的组合
Remotion Workflow（工作流）
- 音频准备 — 使用
extract_audio.py 提取音频，或直接使用用户提供的音频文件
- 语音识别 — 使用
transcribe.py 生成 transcript.json（逐句时间戳）
- 时间轴生成 — AI Agent 根据 transcript 内容分析语义，生成
timeline.json：
- 将多个 segments 按语义分组为 scenes
- 为每个 scene 选择类型（title/content/kinetic/quote 等）
- 选择背景视觉、文字动画、转场效果
- 配置字幕样式（TikTok 逐词高亮 / 底部字幕 / 全屏文字）
- 素材准备 — 收集/生成场景所需的图片素材
- Remotion 渲染 — 使用
npx remotion render 根据 timeline.json 渲染最终视频
- 后处理（可选） — 使用
render_final.py 与其他视频片段合并
视频模板风格选择
| 风格 | 适用场景 | 视觉效果 |
|---|
tiktok | 短视频口播、知识分享 | 渐变背景 + 关键词卡片 + TikTok 风格逐词字幕 + 进度条 |
tutorial | 教程、科普、产品介绍 | 图文分栏 + Ken Burns 图片 + 要点逐行淡入 + 底部字幕 |
kinetic | 情感类、激励类、文案 | 全屏大号文字逐行弹入 + 弹性动效 |
podcast | 播客、访谈、对话 | 头像 + 音频波形可视化 + 引用文字 |
news | 新闻播报、行业资讯 | 顶部横幅 + Lower Third 信息条 + 滚动字幕 |
slideshow | 产品介绍、旅行、相册 | 多图 Ken Burns + 转场效果 + 说明文字 |
Remotion 环境要求
node --version
npm --version
cd remotion-standup
npm install
脱口秀/纯音频视频生成（Standup Comedy Workflow）
当用户有一段脱口秀音频（或任何纯语音内容）但没有画面时，可以生成带文字动效的视频：
Step 1: 语音识别
python3 scripts/transcribe.py audio.wav --model auto --language zh
Step 2: 生成时间轴
python3 scripts/generate_standup_timeline.py transcript.json \
--audio audio/standup.wav \
--output remotion-standup/public/timeline.json
python3 scripts/generate_standup_timeline.py transcript.json \
--audio audio/standup.wav \
--style energetic \
--output remotion-standup/public/timeline.json
python3 scripts/generate_standup_timeline.py transcript.json \
--audio audio/standup.wav \
--segments 1-10,12,15-20 \
--font "LXGW WenKai, sans-serif" \
--output remotion-standup/public/timeline.json
Step 3: 预览和渲染
cd remotion-standup
cp /path/to/audio.wav public/audio/standup.wav
npx remotion studio
npx remotion render StandupVideo out/standup.mp4 --codec=h264 --crf=18
脚本会自动：
- 检测笑点/短句（感叹号、关键词、短句跟长句的对比）→ 用 slam/shake/bounce 等夸张动效
- 短句放大字号（emphasis 1.3-1.6x），长句缩小避免溢出
- 笑点使用径向渐变 + 醒目配色（红/橙/金/绿）
- 常规句子使用深色渐变背景 + 不同动画循环
- 自动在中文长句中间插入换行
12 种文字动画效果：
| 动画 | 效果 | 适合场景 |
|---|
fadeIn | 渐显 | 平稳叙述 |
springIn | 弹性入场 | 正常对话 |
scaleUp | 由小放大 | 强调 |
scaleDown | 由大缩小 | 砸入感 |
typewriter | 打字机 | 引述/对话 |
bounce | 弹跳 | 活泼/搞笑 |
shake | 抖动 | 笑点/吐槽 |
slam | 急速砸入 | 重磅笑点 |
wave | 逐字波浪 | 开场/结尾 |
glitch | 故障闪烁 | 意外/反转 |
rotateIn | 旋转入场 | 切换话题 |
splitReveal | 中间展开 | 揭示/揭晓 |
3 种风格预设：
| 风格 | 说明 |
|---|
default | 均衡混合所有动画，适合大多数内容 |
calm | 只用平缓动画（fadeIn/springIn/typewriter），适合讲故事/深度内容 |
energetic | 偏重夸张动画（slam/shake/bounce/glitch），适合脱口秀/搞笑内容 |
timeline.json 配置格式
{
"fps": 30,
"width": 1080,
"height": 1920,
"audioSrc": "public/audio/voiceover.wav",
"style": "tiktok",
"font": {
"family": "Noto Sans SC",
"titleWeight": "700",
"bodyWeight": "400",
"titleSize": 72,
"bodySize": 48
},
"colors": {
"background": "#1a1a2e",
"text": "#ffffff",
"highlight": "#FFD700",
"accent": "#e94560"
},
"scenes": [
{
"id": 1,
"startMs": 0,
"endMs": 5000,
"type": "title",
"title": "今天聊一个话题",
"background": { "type": "gradient", "colors": ["#667eea", "#764ba2"] },
"transition": { "type": "fade", "durationMs": 500 }
}
],
"captions": {
"enabled": true,
"style": "tiktok",
"fontSize": 56,
"highlightColor": "#FFD700"
}
}
Font Catalog（字体目录）
项目内置了一套可下载的免费字体目录，覆盖中文和英文视频制作常用字体。
字体管理
python3 scripts/utils.py
python3 -c "
from scripts.utils import list_available_fonts, download_font
# 列出所有可用字体
for f in list_available_fonts():
status = '✓' if f['cached'] else '○'
print(f\"{status} {f['id']:25s} {f['name']:25s} {f['use_case']:8s} {f['description']}\")
# 下载指定字体
download_font('lxgw-wenkai')
download_font('inter')
"
中文字体
| 字体 ID | 名称 | 风格 | 用途 | 许可证 |
|---|
noto-sans-sc | Noto Sans SC（思源黑体） | 万能黑体 | 全场景 | SIL OFL |
noto-serif-sc | Noto Serif SC（思源宋体） | 正式宋体 | 文化/古典/深度 | SIL OFL |
lxgw-wenkai | LXGW WenKai（霞鹜文楷） | 手写楷体 | 文艺/文化/情感（~24MB） | SIL OFL |
lxgw-wenkai-lite | LXGW WenKai Lite（轻便版） | 手写楷体 | 同上，体积更小（~13MB） | SIL OFL |
lxgw-wenkai-bold | LXGW WenKai Medium | 手写楷体粗 | 标题 | SIL OFL |
zcool-kuaile | ZCOOL KuaiLe（站酷快乐体） | 圆润可爱 | 轻松/娱乐标题 | SIL OFL |
zcool-qingke-huangyou | ZCOOL QingKe HuangYou（庆科黄油体） | 手写潮流 | 时尚/年轻标题 | SIL OFL |
zcool-xiaowei | ZCOOL XiaoWei（站酷小薇体） | 清秀端正 | 正文/字幕 | SIL OFL |
英文字体
| 字体 ID | 名称 | 风格 | 用途 | 许可证 |
|---|
inter | Inter | 现代无衬线 | 全场景 | SIL OFL |
montserrat | Montserrat | 几何无衬线 | 标题 | SIL OFL |
poppins | Poppins | 圆润几何 | 标题 | SIL OFL |
roboto | Roboto | 中性现代 | 全场景 | Apache 2.0 |
oswald | Oswald | 窄体无衬线 | 新闻/头条标题 | SIL OFL |
playfair-display | Playfair Display | 优雅衬线 | 文艺/高端标题 | SIL OFL |
字体选择建议
| 视频类型 | 推荐中文字体 | 推荐英文字体 |
|---|
| 科技/教程 | Noto Sans SC | Inter / Roboto |
| 新闻/资讯 | Noto Sans SC | Oswald / Montserrat |
| 文化/深度 | LXGW WenKai / Noto Serif SC | Playfair Display |
| 娱乐/轻松 | ZCOOL KuaiLe | Poppins |
| 时尚/潮流 | ZCOOL QingKe HuangYou | Montserrat |
| 正式/商务 | Noto Sans SC | Inter |
字体在 FFmpeg 中的使用
python3 scripts/render_final.py --config render_config.json --output final.mp4 \
--font-path fonts/LXGWWenKai-Regular.ttf
字体在 Remotion 中的使用
import { loadFont } from "@remotion/google-fonts/Inter";
const { fontFamily } = loadFont();
import { loadFont } from "@remotion/fonts";
loadFont({
family: "LXGW WenKai",
url: staticFile("fonts/LXGWWenKai-Regular.ttf"),
format: "truetype",
});
import { loadFont } from "@remotion/google-fonts/NotoSansSC";
const { fontFamily } = loadFont("normal", {
weights: ["400", "700"],
subsets: ["chinese-simplified"],
});
注意事项
- CJK 字体体积大（10-20MB），使用
@remotion/google-fonts 时务必指定 subsets: ["chinese-simplified"] 减小体积
- 字体缓存：下载的字体保存在项目
fonts/ 目录，.gitignore 已排除
- 中国用户：字体下载自动使用 jsDelivr CDN 加速
- 商用安全：目录中所有字体均为 SIL OFL 或 Apache 2.0 许可，可免费商用
FAQ / Troubleshooting（常见问题诊断）
遇到错误时，先运行环境诊断：
python3 scripts/utils.py
Q1: No such filter: 'drawtext' 或 No such filter: 'ass'
原因：ffmpeg 编译时未包含 libfreetype（drawtext 所需）或 libass（字幕所需）。
诊断：
ffmpeg -hide_banner -filters 2>/dev/null | grep -E "drawtext|ass|subtitles"
如果无输出，说明缺少对应滤镜。
解决：
Q2: Undefined constant or missing '(' in 'iw*0.5-tw/2'
原因：ffmpeg drawtext 的 x 表达式中使用了 tw（text width），但某些 ffmpeg 版本中 tw 在 x 参数的上下文中不可用。
解决：脚本已修复此问题（使用像素值 {pixel_x}-text_w/2 代替 iw*{frac}-tw/2）。如果你修改了脚本并遇到此错误，请使用 text_w 而非 tw，并确保 x 表达式中不包含 iw* 动态计算。
Q3: Invalid alpha value specifier '%{eif:...}' (drawtext fontcolor)
原因：试图在 fontcolor 参数中嵌入 %{eif} 表达式来实现透明度渐变，但 ffmpeg 不支持在颜色值中使用此语法。
解决：使用 drawtext 的 alpha 参数（独立于 fontcolor），而非试图在 fontcolor=white@'%{eif:...}' 中嵌入表达式。正确写法：
drawtext=text='hello':fontcolor=white:alpha='if(lt(t,1),t,1)'
错误写法（会报错）：
drawtext=text='hello':fontcolor=white@'%{eif:if(lt(t,1),t,1):d:2}'
Q4: ffmpeg 硬件编码器失败 (h264_videotoolbox / h264_nvenc / h264_qsv 报错)
原因：检测到的硬件编码器不支持当前的视频参数（如特殊分辨率、色彩空间），或驱动版本不兼容。
诊断：
ffmpeg -encoders 2>/dev/null | grep -E "nvenc|videotoolbox|qsv|amf"
解决：在 scripts/utils.py 中临时修改 get_ffmpeg_encoder() 函数，让它直接返回 ("libx264", ["-preset", "fast", "-crf", "18"])。
Q5: 中文字幕显示为方框（豆腐块）
原因：系统中没有可用的中文字体文件。
诊断：
python3 -c "from scripts.utils import find_chinese_font; print(find_chinese_font())"
如果返回 (None, ...)，说明未找到中文字体。
解决：
Q6: Whisper 模型下载失败 / 超时
原因：网络问题，尤其是中国用户无法访问 HuggingFace。
解决：
Q7: pip install faster-whisper 安装失败 / 超时
解决：中国用户使用清华镜像：
pip install faster-whisper -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn
Q8: WSL 环境下 ffmpeg 找不到或版本过旧
诊断：
which ffmpeg && ffmpeg -version | head -1
解决：
sudo apt update && sudo apt install ffmpeg
如果系统源的 ffmpeg 版本过旧（< 4.0），使用 PPA：
sudo add-apt-repository ppa:savoury1/ffmpeg4
sudo apt update && sudo apt install ffmpeg
Q9: 视频质量差 / 模糊
原因：视频经过了多次重编码，每次编码都有质量损失。
解决：必须使用 render_final.py 单次编码。检查是否在流程中使用了 split_video.py + burn_subtitles.py + merge_clips.py + generate_cover.py + add_chapter_bar.py 的旧流程（会导致 4-5 次重编码）。改用 render_final.py --config 一步到位。
Known Issues & Solutions（已知问题与解决方案）
以下问题在实际视频制作（Day 7-8）中遇到并验证了解决方案。
K1: 混合帧率源素材用 concat copy 导致视频冻结
症状：使用 ffmpeg -f concat -c copy 拼接多段 B-roll 素材后，视频在约 1 分钟处画面冻结。
根因：DJI 素材为 30/1 fps，部分 DJI 和所有 iPhone MOV 文件为 30000/1001 (29.97fps)。-c copy 拼接不会重新编码，帧率不同导致时间戳不连续，播放器在切换点卡死。
解决：拼接不同来源的 B-roll 素材前，必须先统一帧率再拼接。对每段素材预处理：
ffmpeg -i clip.MOV -vf "fps=30" -pix_fmt yuv420p -c:a copy clip_30fps.mp4
然后再用 concat 拼接。禁止对混合帧率素材使用 -c copy concat。
检测方法：拼接前用 ffprobe -v 0 -select_streams v:0 -show_entries stream=r_frame_rate 检查每个素材的帧率，如果不一致就必须重编码统一。
K2: 复杂 filter_complex 中音频被截断
症状：音频在视频中途（如 1:55 处）突然消失，画面正常继续播放。
根因：在单个 filter_complex 中同时使用 amix（混合 anullsrc 做静音填充）+ atempo（变速）+ 视频处理，amix 的 duration=longest 与合成的 null 音频源配合不可靠，导致音频流提前结束。
解决：将音频处理拆为独立步骤，不要在一个 filter_complex 中同时做音频填充+变速+视频处理：
adelay 添加封面静音段atempo=1.25 变速处理apad=whole_dur=X 填充到目标时长- 导出为 WAV，然后用
-c:v copy -c:a aac 与视频合并
原则：音频填充 + 变速 + 视频处理，三者不要放在同一个 filter_complex 中。
K3: render_final.py select filter 在大量片段时 OOM
症状：使用 render_final.py 渲染 100+ 片段（如语音旁白配 B-roll 场景）时报 "Cannot allocate memory"。
历史根因：早期 _clips_in_temporal_order() 只检查是否所有 clip 来自同一视频且时间顺序递增，不检查是否有 broll 字段。当所有 clip 引用同一个语音视频（配不同 B-roll 画面）时，仍会走 select filter 路径，生成包含 100+ 个 between() 表达式的巨型 select 过滤器，导致 OOM。
解决：
- clip 级
broll 已会强制走 trim/concat，不再走 select filter。
- 对于
auto_enrich.py 产出的 B-roll cue，优先用 render_final.py --enrich-plan work/enrich_plan.json，它会以定时 video overlay 接入，不需要把口播切成大量小片段。
- 如果仍然手工构造 100+ 个 clip 片段，建议使用手动 ffmpeg 管线：
- 将所有 B-roll 片段统一帧率后 concat 拼接
- 单独处理音频（提取、裁切、变速、填充）
- 用
-c:v copy -c:a aac 合并视频和音频
- 如果必须使用 render_final.py 的大量 clip 模式，确保片段数量在合理范围内（建议 < 50 个片段）
K4: 中文字幕中英文单词被截断
症状：字幕换行时英文单词（如 "OpenClaw"、"Claude Code"）被从中间劈开。
根因：wrap_subtitle_text() 的中文模式按字符数计算行宽，将英文字母视为与汉字等宽的单个字符。在中间位置换行时不感知 ASCII 单词边界，直接截断。
解决：换行函数需要：
- 使用显示宽度计算：CJK 字符 = 1 单位，ASCII 字符约 0.5 单位
- 在查找换行点时，检测 ASCII 单词边界（连续的字母/数字视为一个词），不在英文单词或数字中间断行
- 优先在标点、空格、CJK/ASCII 边界处换行
K5: 封面/结尾卡片不出现
症状：渲染配置中配置了 end_cards，但最终视频中看不到结尾卡片。
根因：B-roll 拼接后的总时长远超所需（如实际需要 215 秒但 B-roll 拼了 431 秒）。将封面+B-roll+结尾卡片 concat 后，用 -t 参数限制总时长时，结尾卡片被截断在时长限制之外。
解决：在拼接封面和结尾卡片之前，必须先将 B-roll 精确裁切到与音频时长匹配：
audio_dur=$(ffprobe -v 0 -show_entries format=duration -of csv=p=0 audio.wav)
ffmpeg -i broll_concat.mp4 -t $audio_dur -c copy broll_trimmed.mp4
原则：拼接前确保每个部分的时长是精确已知的，不要依赖 -t 来事后截断。
