videocut

name videocut description 口播基础素材包生成。转录口播、识别口误、生成审核页；用户确认后剪出新视频，Agent 再基于剪后视频重新转写、AI 校对字幕，输出后续口播成片可用的 source_cut.mp4 和 subtitles.srt。触发词：剪口播、处理口播素材、准备口播素材、识别口误、基础素材包 author chengfeng / AI产品自由 source https://github.com/Agentchengfeng/chengfeng-videocut-skills official_accounts GitHub @Agentchengfeng；X @chengfeng240928；小红书/公众号/B站/抖音/视频号 @AI产品自由 剪口播 v3 火山引擎转录 + AI 口误识别 + 网页审核 + 剪后重转写 + AI 字幕校对 快速使用 用户: 帮我剪这个口播视频 用户: 处理一下这个视频 用户: 把这条录屏做成基础素材包 不要再把字幕生成拆成单独 Skill。 剪口播 是口播基础素材包的唯一入口。 用户给一条口播录屏后，本 Skill 默认产出后续 口播成片 可直接使用的基础素材包： source_cut.mp4 # 剪后口播视频 subtitles.srt # 基于剪后视频重新转写并 AI 校对后的字幕 assets/ # 可选截图、评论图、结果页 审核页只负责让用户确认“删哪里”并剪出新视频。字幕不能沿用原始视频字幕，也不能把火山转写初稿直接当最终字幕；Agent 必须基于剪后视频重新转写，并做 AI 校对后，才能写入 subtitles.srt 。 输出目录结构 output/ └── YYYY-MM-DD_视频名/ ├── 剪口播/ │ ├── 1_转录/ │ │ ├── audio.mp3 │ │ ├── volcengine_result.json │ │ └── subtitles_words.json │ ├── 2_分析/ │ │ ├── readable.txt │ │ ├── auto_selected.json │ │ └── 口误分析.md │ └── 3_审核/ │ ├── review.html │ └── video.mp4 → 源视频(符号链接) └── 字幕/ ├── 1_转录/ │ ├── audio.mp3 │ └── volcengine_result.json ├── subtitles_with_time.json └── 3_输出/ ├── video.raw.srt └── video.srt 规则 ：已有文件夹则复用，否则新建。 流程 0. 创建输出目录 ↓ 1. 提取音频 (ffmpeg) ↓ 2. 调用火山引擎录音文件识别 2.0（Seed ASR v3） ↓ 3. 生成 volcengine_result.json ↓ 4. 生成字级别字幕 (subtitles_words.json) ↓ 5. AI 分析口误/静音，生成预选列表 (auto_selected.json) ↓ 6. 生成审核网页 (review.html) ↓ 7. 启动审核服务器，用户网页确认 ↓ 【等待用户确认】→ 网页点击「执行剪辑」 ↓ 8. 服务器只剪出新视频 ↓ 9. Agent 监听剪后视频生成完成 ↓ 10. 基于剪后视频重新提取音频，发火山转写，生成 video.raw.srt ↓ 11. Agent 对照原稿/正文做 AI 校对，写 video.srt ↓ 12. 整理基础素材包：source_cut.mp4 + subtitles.srt + 可选 assets/ 剪后字幕硬规则： 必须基于剪后视频重新转写，不能用原始视频字幕反推。 火山转写只是初稿，输出到 video.raw.srt 。 video.srt / subtitles.srt 只能是 Agent AI 校对后的最终字幕。 校对时对照用户给的口播稿、正文、专名和上下文，修正术语、同音误识别、断句；不能添加视频里没说的话。 执行步骤 步骤 0: 创建输出目录 # 变量设置（根据实际视频调整） VIDEO_PATH= "/path/to/视频.mp4" VIDEO_NAME=$( basename " $VIDEO_PATH " .mp4) DATE=$( date +%Y-%m-%d) BASE_DIR= "output/ ${DATE} _ ${VIDEO_NAME} /剪口播" # 创建子目录 mkdir -p " $BASE_DIR /1_转录" " $BASE_DIR /2_分析" " $BASE_DIR /3_审核" cd " $BASE_DIR " 步骤 1-3: 转录 cd 1_转录 # 1. 提取音频（文件名有冒号需加 file: 前缀） ffmpeg -i "file: $VIDEO_PATH " -vn -acodec libmp3lame -y audio.mp3 # 2. 调用火山引擎录音文件识别 2.0（默认 resource_id=volc.seedasr.auc） SKILL_DIR= "/Volumes/成峰/代码/剪辑Agent/.claude/skills/剪口播" " $SKILL_DIR /scripts/volcengine_transcribe.sh" audio.mp3 # 输出: volcengine_result.json 转录脚本默认使用火山 v3 Seed ASR 2.0： POST /api/v3/auc/bigmodel/submit POST /api/v3/auc/bigmodel/query X-Api-Resource-Id: volc.seedasr.auc 如果要临时回退或对比其他资源，可用环境变量覆盖： VOLCENGINE_ASR_RESOURCE_ID=volc.bigasr.auc " $SKILL_DIR /scripts/volcengine_transcribe.sh" audio.mp3 步骤 4: 生成字级时间轴 node " $SKILL_DIR /scripts/generate_subtitles.js" volcengine_result.json # 输出: subtitles_words.json cd .. 时间戳规则： generate_subtitles.js 必须兼容 result.utterances （v3）和旧版 utterances 。 v3 结果里的无效时间戳 token（常见为空格， start_time/end_time = -1 ）必须过滤，否则会制造假静音。 2026-06-25 的 180 秒样本评估：Seed ASR 2.0 相对校对字幕时间窗的词级边界偏移中位数约 80ms，P90 约 240ms，最大约 620ms；可作为默认剪口播时间轴，但长句仍需按词级时间戳重新切成字幕行。 步骤 5: 分析口误（脚本+AI） 5.1 生成易读格式 cd 2_分析 node -e " const data = require('../1_转录/subtitles_words.json'); let output = []; data.forEach((w, i) => { if (w.isGap) { const dur = (w.end - w.start).toFixed(2); if (dur >= 0.2) output.push(i + '|[静' + dur + 's]|' + w.start.toFixed(2) + '-' + w.end.toFixed(2)); } else { output.push(i + '|' + w.text + '|' + w.start.toFixed(2) + '-' + w.end.toFixed(2)); } }); require('fs').writeFileSync('readable.txt', output.join('\\n')); " 5.2 读取用户习惯 先读 用户习惯/ 目录下所有规则文件。 5.3 生成句子列表（关键步骤） 必须先分句，再分析 。按静音切分成句子列表： node -e " const data = require('../1_转录/subtitles_words.json'); let sentences = []; let curr = { text: '', startIdx: -1, endIdx: -1 }; data.forEach((w, i) => { const isLongGap = w.isGap && (w.end - w.start) >= 0.5; if (isLongGap) { if (curr.text.length > 0) sentences.push({...curr}); curr = { text: '', startIdx: -1, endIdx: -1 }; } else if (!w.isGap) { if (curr.startIdx === -1) curr.startIdx = i; curr.text += w.text; curr.endIdx = i; } }); if (curr.text.length > 0) sentences.push(curr); sentences.forEach((s, i) => { console.log(i + '|' + s.startIdx + '-' + s.endIdx + '|' + s.text); }); " > sentences.txt 5.4 脚本自动标记静音（必须先执行） node -e " const words = require('../1_转录/subtitles_words.json'); const selected = []; words.forEach((w, i) => { if (w.isGap && (w.end - w.start) >= 0.2) selected.push(i); }); require('fs').writeFileSync('auto_selected.json', JSON.stringify(selected, null, 2)); console.log('≥0.2s静音数量:', selected.length); " → 输出 auto_selected.json （只含静音 idx） 5.4b 头尾裁剪（转录盲区，必做） 🚨 火山只转语音， 结尾的未转录杂音/收尾动作不在字幕里，所有检测器都看不见 。必须比对视频时长补出来。见 用户习惯/3-静音段处理.md 。 VDUR=$(ffprobe -v error -show_entries format=duration -of csv=p=0 "file: $VIDEO_PATH " ) node -e " const fs=require('fs'); const w=require('../1_转录/subtitles_words.json'); const auto=require('./auto_selected.json'); const VDUR= $VDUR , last=w[w.length-1]; if(VDUR - last.end > 0.3){ // 结尾未覆盖 → 补尾元素并预选 w.push({text:'',start:last.end,end:VDUR,isGap:true,reason:'结尾未转录(杂音/收尾)'}); auto.push(w.length-1); fs.writeFileSync('../1_转录/subtitles_words.json',JSON.stringify(w)); fs.writeFileSync('./auto_selected.json',JSON.stringify([...new Set(auto)].sort((a,b)=>a-b),null,1)); console.log('补尾元素 idx',w.length-1,'['+last.end+'→'+VDUR+']'); } else console.log('尾部已覆盖'); if(w[0].start>0.3) console.log('⚠️ 开头',w[0].start,'s 未覆盖，考虑补头元素'); " 5.5 AI 分析口误（追加到 auto_selected.json） 🚨 核心原则：删前保后。所有重复/口误，删前面的，保后面的。 按检测类型分工，多 Agent 并行执行 ： 每个 Agent 只负责一种检测，prompt 更短更精确，避免规则互相干扰。 Agent 输入 检测内容 删除范围 A-句间重复 sentences.txt 相邻/隔一句开头≥5字相同 删 前句 整句 B-句内重复 sentences.txt 同一句内 A+中间+A 模式 只删前面 片段 ，不删整句 C-残句 sentences.txt 话说一半+静音+后面重说 删残句 整句 脚本可直接处理（不需要 AI） ： 卡顿词（那个那个、就是就是）→ 正则匹配 语气词（嗯、啊、呃）→ 标记待人工确认 复核（verify）—— 按风险投放，不要铺满 （见 用户习惯/10-删除风险分层.md ）： 低风险免验 ：静音、逐字子集重复（删的是保留内容的逐字开头，如删「我把同一句」保「我把同一句话」）、≤3字纯卡壳/语气词 → 直接进 auto_selected，交网页人工兜底。 高风险必验 ：整句删除、"开头撞结尾岔"（如「超出了 预算 」vs「超出了 路线规划能力 」）、长片段重复 → 派对抗 reviewer 复核，确认没把独有内容删掉。 教训：曾对全部候选铺开 2× 复核，命中仅 ~4/91 且全落在高风险类（见 log/ ）。verify 很贵，砸在容易删错的地方就好。 Agent prompt 模板 ： 给每个 Agent 的 prompt 包含： 1. 只放该 Agent 对应的一条检测规则（从用户习惯/读取） 2. 完整的 sentences.txt 内容 3. 明确要求：返回要删除的 idx 范围列表 4. 🚨 强调"删前保后"：删前面的版本，保留后面更完整的版本 Agent 返回格式 ： | 句号 | idx范围 | 类型 | 内容摘要 | 处理 | |------|---------|------|----------|------| 删除idx列表: [所有要删除的idx] 合并结果 ： 收集所有 Agent 返回的 idx 列表 → 合并到 auto_selected.json → 去重排序 范围整段删除规则 ：标记口误时，从 startIdx 到 endIdx 之间的 所有元素 （含中间的 gap）全部加入 auto_selected。不要逐个挑选文字 idx 而跳过 gap。 🚨 关键警告：行号 ≠ idx readable.txt 格式: idx|内容|时间 ↑ 用这个值 行号1500 → "1568|[静1.02s]|..." ← idx是1568，不是1500！ 口误分析.md 格式： ## 句间重复 (Agent A) | 句号 | idx范围 | 内容摘要 | 处理 | |------|---------|----------|------| | 5 | 212-233 | 与句6重复，句6更完整 | 删前句 | ## 句内重复 (Agent B) | 句号 | idx范围 | 内容摘要 | 处理 | |------|---------|----------|------| | 16 | 492-510 | "很多人一提到CLI命令"前半重复 | 删片段 | ## 残句 (Agent C) | 句号 | idx范围 | 内容摘要 | 处理 | |------|---------|----------|------| | 7 | 266-275 | "为了解释为了回答这个"未完成 | 删整句 | 5.6 口播稿对齐补漏（有口播稿时） 若用户提供口播稿/原文稿（口播是照稿读的），用它做 句子级对齐 补漏 —— 见 用户习惯/11-口播稿对齐.md 。 口播稿 = 语义 ground truth（措辞会变，如"两个模型"↔"两个大模型"，别逐字 diff）。把每个转录句对齐到口播稿句，抓纯文本检测漏掉的 整句级口误 ：整句重说、残句、无对应口误 —— 尤其 技术名词卡壳 （Mindverse / δ-mem / LoRA 念错重来、"Delta Mam"、孤立单字"从"）。这类整句删除属高风险 → 走复核，确认保留版覆盖了口播稿原意。 步骤 6-7: 审核 cd ../3_审核 # 6. 生成审核网页（传入视频文件，自动创建符号链接） node " $SKILL_DIR /scripts/generate_review.js" ../1_转录/subtitles_words.json ../2_分析/auto_selected.json " $VIDEO_PATH " # 输出: review.html, video.mp4(符号链接) # 7. 启动审核服务器 node " $SKILL_DIR /scripts/review_server.js" 8899 " $VIDEO_PATH " # 打开 http://localhost:8899 ⚠️ 必须用 review_server.js ，不能用 python3 -m http.server 替代。 原因：视频播放依赖 HTTP Range 请求（206），python 简易服务器不支持，会导致视频无法播放/无声音。 普通用户保持这个终端窗口开着即可；Claude Code / Codex 由 Agent 使用当前环境可用的后台任务能力托管。不要要求用户安装 tmux。 用户在网页中： 播放视频画面确认 勾选/取消删除项 左键按住滑过文字可批量标删/恢复，支持跨行滑动；拖过头时不松手往回拉，选区会实时收窄 点击「执行剪辑」 步骤 8: 监听剪后视频 用户点击审核页按钮后， review_server.js 只会剪出新视频，并在审核目录写入 cut_done.json 。Agent 必须监听这个文件，确认剪后视频真实生成且大小稳定。 # 在另一个 Agent 任务/终端里等待用户确认后的剪辑结果