Vlog Video Edit Skill

对用户录制的 vlog 视频进行智能剪辑：通过语音识别对比口播稿，自动标记需要剪辑的片段，经用户确认后执行精确剪切。

输入

• 原始视频文件路径（raw.mp4，支持 MP4/MOV 等常见格式）
• 口播稿文件路径（speech.md，用于对比参考）
• 特殊剪辑要求（可选）

前置条件

# 确保 speaches Docker 服务已启动
curl http://localhost:8000/v1/models
# 确保 ffmpeg 已安装
ffmpeg -version

核心流程

Step 1: 语音识别（转录）

从视频中提取音频，调用 speaches API 进行语音识别：

python3 scripts/transcribe.py \
  --input ~/vlog_projects/{project}/raw.mp4 \
  --output ~/vlog_projects/{project}/transcript.json \
  --api-url http://localhost:8000

输出 transcript.json 包含带时间戳的逐段文字。

Step 2: AI 智能分析（由 Agent 执行）

Agent 读取 transcript.json 和 speech.md，进行对比分析：

1. 对齐口播稿和实际录音：找出两者的对应关系
2. 标记需剪辑的片段：
   • 🔴 重复内容：同一段内容说了多次，保留最好的一次
   • 🔴 说错/卡壳：明显的口误或停顿过长
   • 🟡 多余口头禅：过于频繁的"嗯"、"那个"
3. 保留自然过渡：
   • ✅ 保留必要的语气词（适量的"嗯"、"啊"、"这个"）
   • ✅ 保留章节间的自然过渡和停顿
   • ✅ 保留情感表达（笑声、感叹等）

Step 3: 生成剪辑方案

Agent 生成 cut_plan.json，格式如下：

{
  "keep_segments": [
    {"start": 0.0, "end": 45.2, "note": "开场白，表现自然"},
    {"start": 48.5, "end": 120.3, "note": "第一部分正文"},
    {"start": 125.0, "end": 180.0, "note": "第二部分，跳过了 120.3-125.0 的卡壳"}
  ],
  "removed_segments": [
    {"start": 45.2, "end": 48.5, "reason": "重复了开场白最后一句"},
    {"start": 120.3, "end": 125.0, "reason": "卡壳停顿 5 秒"}
  ]
}

Step 4: 用户确认

向用户展示剪辑方案：

• 列出所有要删除的片段及原因
• 告知预计剪辑后时长
• 等待用户确认或调整

Step 5: 执行剪辑

python3 scripts/cut_video.py \
  --input ~/vlog_projects/{project}/raw.mp4 \
  --plan ~/vlog_projects/{project}/cut_plan.json \
  --output ~/vlog_projects/{project}/edited.mp4

剪辑原则

必须剪掉

• 完全重复的段落（保留表现最好的一次）
• 明显的口误后重新开始的部分
• 超过 3 秒的无意义停顿

谨慎保留

• 短暂的思考停顿（1-2 秒）→ 保留，显得自然
• 偶尔的"嗯"、"那个" → 保留，避免机器感
• 语气加重、情感表达 → 一定保留
• 章节过渡处的自然停顿 → 保留

剪辑技巧

• 剪在语句间隙：在句子的自然停顿处剪切，而非句中
• 保留呼吸音：不要把呼吸声也剪掉，会显得不自然
• 前后 buffer：每个保留片段前后各留 0.1-0.3 秒缓冲

输出

• 剪辑后的视频：~/vlog_projects/{project}/edited.mp4
• 剪辑报告：删除了哪些部分、原因、前后时长对比