lecture-video

# 讲课视频（录音 ＋ 课件 → mp4） **原则：录音是主资产，一个字都不动。** 视频只做一件事——讲到哪，课件翻到哪、框到哪。 ## 流程（一节） ```bash SK=~/.claude/skills/lecture-video/scripts # 0. 录音：由 lecture-voice skill 产出（一节一节讲、认可后存现场原声）；这里默认它已经在 media/ 里 # 1. 逐字时间戳（faster-whisper large-v3）。⭐ 有 GPU 就用 GPU：八节一起、一卡一节，90 秒全部跑完； # CPU 只有 0.3× 实时左右（8 分钟录音要二十多分钟）。GPU 版把 WhisperModel 改成 device="cuda", compute_type="float16"， # 并把 venv 里 nvidia/cublas、nvidia/cudnn 的 lib 目录加进 LD_LIBRARY_PATH setsid nohup ~/.venvs/fw/bin/python $SK/align.py s<N>.wav s<N>-words.json > align.log 2>&1 & # 2. 句级字幕：文字用原稿（术语准），时间用识别结果 python3 $SK/srt.py s<N>.txt s<N>-words.json s<N>.srt # 3. 看页面结构、给每张图截 PNG，量子区域 python3 $SK/inspect_page.py 页面.html '#s<N>的id' /tmp/lv [--open 'details:has(#某动画)'] # 4. 写提示表 s<N>-cues.json（格式见 references/cues.md），at 用台词开头几个字 python3 $SK/resolve.py s<N>-cues.json s<N>-words.json s<N>.txt s<N>-timed.json # at 必须照抄文字稿；时间来自全局对齐 # 5. 渲染（12 片并行，8 分钟一节约 2 分半）；先 --until 40 出个短片看构图 python3 $SK/render.py s<N>-timed.json out.mp4 --shards 12 # 6. 加字幕、压体积 → 进课件 $SK/finalize.sh out.mp4 s<N>.srt media/<课>-video-s<N>.mp4 ``` 环境：`python3 -m venv ~/.venvs/fw && ~/.venvs/fw/bin/pip install faster-whisper`；系统 python 要有 `playwright`（chromium）和 ffmpeg。 ## 验收（出片后必做） 抽 8–10 个提示时间点截帧拼成一张图看：框是不是框在正在讲的那块、滚动有没有把目标切掉、动画有没有在放。 **时机错** → 改 `at`；**位置错** → 改 `sub`；**看不全** → 目标太高时会自动改看子区域，必要时拆成两条提示。 ## 放进课件 每节开头一个「录音 ＋ 视频」各占一半的条（专题五：`topic03_page.lecture_media`），文件名约定 `media/<课>-lecture-s<N>.mp3`、`media/<课>-video-s<N>.mp4`，文件在就显示、不在就只显示录音。 带时间轴的文字稿（`s<N>-words.json`、`s<N>.srt`）跟录音放在一起进仓库，以后对内容、对口型都以它为准。 ## 坑 - whisper 会把术语听成同音字（归约→规约）、把中文数字写成阿拉伯数字（百分之九十七→97%）。逐句找开头会在这些地方跑偏、一偏后面全挤到结尾 —— 所以 srt/resolve 都走 `tmap.py` 的**整篇全局对齐**，对不上的段落两头插值。 - **TTS 偶尔会漏念整句**（第零节就漏了三句）：srt.py 会打印「录音里像是没念」，这些句子不出字幕；要补就重录那一节。 - 页面自带的分步播放器会自己暂停：render 把 video 全换成没挂监听的新节点、逐帧设 `currentTime`，**不要**让页面自己播。 - 折叠在 `<details>` 里的动画要在 `open` 里点名打开，否则量不到位置。 - 课件上的录音/视频条渲染时会藏掉（`.lecaudio,.lecmedia`），免得画中画。 - 视频要进 git：用 finalize 压（crf 28 + stillimage，8 分钟约 20 MB），别直接提交渲染原片（40 MB+）。 - **要传 YouTube / B 站，单独出一版 4K，别拿网页版凑合**：`render.py … --scale 2` ＋ `finalize.sh --hd`。 `--scale 2` 是把设备像素比设成 2：版面不变，字和线条按两倍像素重画（不是放大），出 3840×2160。 网页版糊有两个原因：一是 1080p 本身把小字压到只有几个像素高，二是 crf 28 把灰色小字压出了块状噪点。 而平台会按上传分辨率分配码率，传 1080p 二压后更糊。4K 成片不进 git，字幕 .srt 另外单独上传， 平台上观众就能开关字幕。