一、这个 skill 是做什么的
你录好了一段竖屏口播视频(比如手机录屏讲产品、讲干货),但开头结尾有停顿、没字幕、没配乐、也没封面图——这个 skill 就是帮你把这条「毛坯视频」变成能直接发的成品。
它是一条固定流水线:先用语音识别(Whisper)把你说的话转成文字稿 → 你(或它)核对修正 → 自动剪掉开头结尾的静音气口 → 把字幕烧录进画面 → 混入轻背景音乐 → 再从视频里截一帧生成一张 3:4 的网感封面。最后把「成片」+「封面」一起交给你。
它支持两种字幕风格:默认「极简留白风」(白字黑边,干净);你说要「加粗高亮双语」就切换成中英文双语变体,关键词还会绿色高亮。另外还支持一个特殊需求:讲到某句台词时,全屏叠加一段别的视频画面。
二、什么时候用它
- 「帮我剪这条口播视频」
- 「这个视频剪掉气口、加个字幕」
- 「把这条口播加上背景音乐和封面」
- 直接甩一个竖屏视频路径 +「按之前的参数做」
- 你想要中英文双语字幕、关键词高亮
- 你想在口播某句时全屏叠加一段素材视频
三、前置条件 / 准备
需要的环境
- Python(含 whisper + PIL):本机用的是 AI大模型或AI智能体 自带的独立 Python 环境:
/binaries/python/envs/default/Scripts/python.exe。普通 python 没装这些库,必须用这个路径。
- ffmpeg / ffprobe:已在系统 PATH 里,可直接用。
- 输入素材:一个竖屏口播视频(如 720×1288 手机录屏)。可附带 BGM,不附带则用默认目录
D:\AI工作区\剪辑\BGM 里的第一个音频;目录为空就只保留人声、不加 BGM。
⚠️ Whisper base 模型对中文识别必出错(会把「AI大模型或AI智能体」听成「WOK8」、把「带货」听成「待貨」等)。转录后必须逐条人工核对修正,重要专有名词请务必跟你对一遍再定稿。
四、具体用法(步骤)
- 把视频交给它:给出竖屏口播视频路径;要自带 BGM 就一起给路径;要双语字幕/画中画就说明。
- 转录 + 修字:它用 Whisper 把语音转文字,然后逐条核对修正(高频错词清单已内置,会重点排查)。
- 剪气口:检测开头结尾的静音段,自动剪掉(中间自然停顿保留),产出一份「干净、还没加字幕和 BGM」的剪辑版。
- 生成字幕:按你选的样式生成 SRT/ASS 字幕文件(极简风只要中文;双语风要中英文)。
- 合成成片:把字幕烧进画面、混入 BGM(默认 50% 音量),输出
final_video.mp4。
- 出封面:从干净帧截一张人物图,生成 1080×1440(3:4)网感封面
cover_final.jpg,底部加暗色渐变带放两行提炼文案。
- 交付:成片 + 封面一起给你。
五、可直接照用的示例
你直接对 AI大模型或AI智能体 说:
用 laoyi-koubo-edit 帮我剪这条口播视频:D:\路径\口播.mp4
AI大模型或AI智能体 会:
自动走完整流水线:转录→修字→剪气口→加极简留白风字幕→混入默认 BGM(若默认目录有音频)→生成 3:4 封面,最后把 final_video.mp4 和 cover_final.jpg 一起交给你。
你直接对 AI大模型或AI智能体 说:
用 laoyi-koubo-edit 处理这个口播,字幕用加粗高亮双语变体,BGM 用 D:\音乐\bgm.mp3:
D:\路径\口播.mp4
AI大模型或AI智能体 会:
切到双语变体(中文白字加粗、英文浅绿、关键词绿色高亮),用你指定的 BGM,其余流程不变,交付带双语字幕和封面的成片。
进阶 / 可选:下面是「合成最终视频」这一步的命令行(大白话:把字幕烧进去、把人声和 BGM 混一起)。ASS 字幕文件必须用相对路径 subtitles.ass(放工作目录),Windows 绝对路径的冒号会被 ffmpeg 误解析。
ffmpeg -y -i edited_no_bgm.mp4 -i "BGM.mp3" \
-filter_complex "[0:v]subtitles=subtitles.ass[v];[0:a]volume=1.0[a1];[1:a]volume=0.5[a2];[a1][a2]amix=inputs=2:duration=first[aout]" \
-map "[v]" -map "[aout]" -c:v libx264 -crf 18 -preset medium -c:a aac -b:a 192k -shortest final_video.mp4
六、常见注意 / 避坑
- 中文转录必错,务必修字:AI大模型或AI智能体、Codex、社群、带货、剪辑等词常被听错,定稿前一定和它对一遍。
- ASS 用相对路径:
subtitles=C:\...\xx.ass 里的冒号和反斜杠会被 ffmpeg 当成参数而报错,一律用 subtitles=subtitles.ass。
- 封面别压到画面文字:底图要用「干净的人物帧」(开头几秒最稳),别用带屏幕字、演示画面的帧;文字只放两行提炼文案。
- BGM 听不到就调音量:默认 50%(0.5)能清楚听到且不压人声;说「太大」可降到 0.25~0.35。
- 必须用 managed venv 的 python:默认
python 没有 PIL/whisper,要用 /binaries/python/envs/default/Scripts/python.exe。
七、相关 skill / 延伸
- douyin-video-fetch:先采抖音口播视频,再用本 skill 剪气口、加字幕、出封面,形成「采集→剪辑」闭环。
- video-editor:更通用的本地视频剪辑,做本流水线之外的裁剪/合并可用它。
- voice-site-video:用语音+网站截图做宣传视频,同属「语音驱动视频」思路。
- video-subtitle-author:专门给短视频加字幕/文案,可作为字幕需求的补充。