Videocut:剪口播

剪口播 v2

火山引擎转录 + AI 口误识别 + 自动剪辑 + 剪后音频重转录 + AI 字幕文字校对

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

首次安装后的引导

在处理任何视频前，先检查当前 skill 是否已经完成首次配置：

bash "$SKILL_DIR/scripts/check_setup.sh"

如果用户是小白、没有配置 .env，或者 VOLCENGINE_API_KEY 为空，不要继续抽音频/上传/转录。先用简单中文引导用户：

1. 打开火山引擎控制台：https://console.volcengine.com/
2. 搜索 语音识别 / 智能语音 / 豆包语音 / Speech
3. 开通语音识别服务，创建或复制 API Key
4. 在仓库根目录创建 .env：cp .env.example .env
5. 把 Key 填到 .env：VOLCENGINE_API_KEY=你的_key
6. 详细教程见：docs/API_KEY_SETUP.md

注意：这里要的是语音识别/ASR Key，不是随便一个火山方舟大模型 Key。只有检查通过后，才开始处理视频。

默认走全自动模式：不打开审核网页，直接输出剪后 MP4、基于剪后 MP4 音频重新识别的 *_raw_final.srt，以及经过 AI 字幕文字校对后的 *_final.srt。

重要：*_final.srt 必须是 AI 校对后的交付字幕；未经过 AI 校对的 ASR 原稿只能命名为 *_raw_final.srt，不能作为最终交付。

只有用户明确说“我要审核”“打开审核页”“人工确认”时，才走网页审核模式。

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)
    │   │   ├── *_cut.mp4
    │   │   ├── *_raw_final.srt          # 剪后音频 ASR 原稿
    │   │   ├── *_final.srt              # AI 校对后的最终字幕
    │   │   ├── *_ai_polish_prompt.md
    │   │   └── *_字幕校对报告.md
    │   └── 4_成片字幕/
    │       └── *_mp3_reasr/
    │           ├── *_final_192k.mp3
    │           ├── volcengine_result.json
    │           └── upload_response.json
    └── 字幕/
        └── 3_输出/
            ├── *_raw_final.srt
            └── *_final.srt

规则：已有文件夹则复用，否则新建。

流程

-1. 首次配置检查：bash "$SKILL_DIR/scripts/check_setup.sh"
    ↓
0. 创建输出目录
    ↓
1. 提取音频 (ffmpeg)
    ↓
2. 上传获取公网 URL (uguu.se)
    ↓
3. 火山引擎 API 转录
    ↓
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. 全自动生成 delete_segments.json（不打开审核网页）
    ↓
7. 自动剪辑生成 *_auto_cut.mp4
    ↓
8. 从剪后 MP4 抽音频，重新转录，生成 ASR 原始字幕 (*_raw_final.srt)
    ↓
9. AI 字幕文字校对：只改文字，不改编号/时间戳/cue 数
    ↓
10. 结构校验 + 错词扫描，通过后写入最终字幕 (*_final.srt)
    ↓
输出：剪后 MP4 + 最终 SRT

可选审核模式

审核网页不是默认路径。只有用户明确要求人工审核时，才执行：

生成 review.html → 启动 review_server.js → 用户确认 → 执行剪辑 → 生成最终字幕

最终字幕硬规则

最终交付字幕必须基于“剪后成片音频”重新识别，再经过 AI 文字校对生成。

• 原始 subtitles_words.json / 原片字幕可以用于分析口误、生成预览和辅助定位。
• 不要把原片字幕按删除段重排后当作最终字幕交付。
• 剪辑、重编码、片段拼接、MP3 编码延迟和容器时长差异都会造成累计偏移，典型表现是“越往后越不准”。
• 正确路径：剪后 MP4 → 抽取 MP3 → 重新语音识别 → 用剪后 MP4 静音/尾部人声做轻量校准 → 输出 *_raw_final.srt → AI 文字校对 → 校验通过 → 输出 *_final.srt。
• 中间推算字幕如需保留，只能标为 preview/remap，不能命名为 final。

最终字幕 AI 校对硬规则

剪后音频 ASR 会出现上下文错词，典型如 Agentt、批准时代、皇叔、尾系、a i、AJ。这些不能只靠固定词典处理，必须由 Codex/AI 结合全文上下文校对。

AI 校对必须遵守：

1. 只改字幕文字，不改编号、时间戳、cue 数量、cue 顺序。
2. 不合并、不拆分、不新增、不删除字幕块。
3. 不重写口播，只修正 ASR 错词、术语、英文大小写、明显语义错误和必要标点。
4. 以当前 SRT 的时间段语义为准，不把后面内容提前，也不把前面内容挪后。
5. 校对后必须验证 *_raw_final.srt 与 *_final.srt 的 cue 数、编号、时间戳完全一致。

常见术语优先校准：

• Agentt / AJ / a卷 / a准 / 批准 / 一卷 → Agent
• 皇叔 → 黄叔
• a i → AI
• 尾系 → 维系
• walkbody → Work Party
• 爱马仕 → Hermes
• Wechat → WeChat
• 隐不隐 → 赢不赢
• 结群聊 → 总结群聊

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. 上传获取公网 URL
curl -s -F "files[]=@audio.mp3" https://uguu.se/upload
# 返回: {"success":true,"files":[{"url":"https://h.uguu.se/xxx.mp3"}]}

# 3. 调用火山引擎 API
SKILL_DIR="/path/to/videocut-skills/剪口播"
"$SKILL_DIR/scripts/volcengine_transcribe.sh" "https://h.uguu.se/xxx.mp3"
# 输出: volcengine_result.json

步骤 4: 生成字幕

node "$SKILL_DIR/scripts/generate_subtitles.js" volcengine_result.json
# 输出: subtitles_words.json

cd ..

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）

5.5 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。

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

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 |

步骤 6-10: 全自动剪辑和最终字幕（默认）

当 auto_selected.json 已生成并完成 AI 口误补充后，直接执行：

cd ../3_审核

bash "$SKILL_DIR/scripts/auto_cut_from_selection.sh" \
  "$VIDEO_PATH" \
  ../1_转录/subtitles_words.json \
  ../2_分析/auto_selected.json \
  "草稿名_auto_cut.mp4"

# 输出:
# 1. 3_审核/草稿名_auto_cut.mp4
# 2. 3_审核/草稿名_auto_cut_raw_final.srt（剪后音频 ASR 原稿）
# 3. 3_审核/草稿名_auto_cut_final.srt（待 AI 校对后写回）
# 4. 3_审核/delete_segments.json
# 5. 4_成片字幕/草稿名_auto_cut_mp3_reasr/volcengine_result.json
# 6. 3_审核/草稿名_auto_cut_ai_polish_prompt.md
# 7. 3_审核/草稿名_auto_cut_字幕校对报告.md
# 8. 字幕/3_输出/草稿名_auto_cut_raw_final.srt
# 9. 字幕/3_输出/草稿名_auto_cut_final.srt

这个脚本会自动：

1. 把 auto_selected.json 的 idx 转成 delete_segments.json。
2. 调用 cut_video.sh 自动剪辑，不打开审核网页。
3. 调用 generate_final_subtitles.sh，从剪后 MP4 抽 MP3 并重新转录。
4. 保存 *_raw_final.srt，并生成 AI 校对提示 *_ai_polish_prompt.md。
5. Codex 必须执行 AI 字幕文字校对，把校正版写回 *_final.srt。
6. Codex 必须执行结构校验和错词扫描，通过后才可以向用户汇报完成。

关键：全自动模式下，review.html 可以完全不生成。

步骤 9: AI 字幕文字校对（必须执行）

generate_final_subtitles.sh 完成后，读取同目录的 *_ai_polish_prompt.md，由 Codex/AI 校对 *_final.srt。

校对方式：

1. 以 *_raw_final.srt 为结构基准。
2. 将 *_final.srt 改成校正版。
3. 只替换时间戳下面的文字。
4. 结合全文上下文、视频主题和常见术语修正错词。
5. 生成或更新 *_字幕校对报告.md。

步骤 10: 校验和同步（必须执行）

RAW_SRT="草稿名_auto_cut_raw_final.srt"
FINAL_SRT="草稿名_auto_cut_final.srt"

python3 "$SKILL_DIR/scripts/srt_guard.py" \
  validate "$RAW_SRT" "$FINAL_SRT"

python3 "$SKILL_DIR/scripts/srt_guard.py" \
  scan "$FINAL_SRT" Agentt 皇叔 "a i" AJ 一卷 批准 尾系 walkbody 爱马仕 A卷 a卷 a准 隐不隐 结群

如果 scan 命中明显 ASR 错词，必须继续 AI 二次校对，直到没有明显残留。校验通过后，把校正版同步到 字幕/3_输出/。

审核模式（仅用户明确要求时）

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。 启动时不要在命令末尾加 &（shell 后台），用 run_in_background 参数即可。

用户在网页中：

• 播放视频画面确认
• 勾选/取消删除项
• 点击「执行剪辑」

手动补生成最终字幕（兜底）

剪辑完成后，必须对剪后的 MP4 再生成最终字幕：

cd ../3_审核

# 假设剪后成片为 xxx_cut.mp4
bash "$SKILL_DIR/scripts/generate_final_subtitles.sh" "xxx_cut.mp4"

# 输出:
# 1. 3_审核/xxx_cut_raw_final.srt
# 2. 3_审核/xxx_cut_final.srt（必须再经 AI 校对）
# 2. 4_成片字幕/xxx_cut_mp3_reasr/volcengine_result.json
# 3. 字幕/3_输出/xxx_cut_final.srt

这个脚本会自动：

1. 从剪后 MP4 抽取 192k MP3。
2. 上传 MP3。
3. 调用火山引擎重新识别剪后音频。
4. 根据剪后 MP4 的实际尾部静音检测做轻量校准。
5. 输出 *_raw_final.srt 和待校对的 *_final.srt。
6. 生成 *_ai_polish_prompt.md，提示 Codex 必须执行 AI 字幕文字校对。

关键：这里处理的是剪后的成片音频，不是原片音频，也不是把原始字幕时间轴做数学平移。脚本结束后还没有完成最终交付，必须继续执行 AI 字幕文字校对和结构校验。

数据格式

subtitles_words.json

[
  {"text": "大", "start": 0.12, "end": 0.2, "isGap": false},
  {"text": "", "start": 6.78, "end": 7.48, "isGap": true}
]

auto_selected.json

[72, 85, 120]  // Claude 分析生成的预选索引

剪辑编码（硬性规则）

⚠️ 匹配原片参数重编码，帧级精确切割。

cut_video.sh 的工作方式：

1. 自动检测原片编码参数（codec/profile/pix_fmt/bitrate）
2. 用 filter_complex trim+concat 帧级精确切割
3. 以相同参数重编码：-profile:v high -b:v {原片码率} -pix_fmt yuv420p

关键：重编码画质取决于是否匹配原片参数，不是 CRF 值。

• ✅ -b:v {原片码率} -profile:v high -pix_fmt yuv420p → 肉眼无区别
• ❌ 只指定 -crf N 不指定 profile/pix_fmt → 可能有偏差

配置

火山引擎 API Key

cd /path/to/videocut-skills
cp .env.example .env
# 编辑 .env 填入 VOLCENGINE_API_KEY=xxx