JimLiu/baocut / skills/baocut/built-in-skills/talking-head-cut
talking-head-cut
Verified一两个人对着镜头说话的录音要剪成能发布的视频时用:去掉口癖、长停顿、录废重来的部分和离题的话,在几遍重录里挑一遍,收紧句间停顿,把最有力的原话挪到开头,再按需要加放大强调、B-roll、竖屏取景和配乐闪避。需要视频的转写。只想从长视频里挑几段短视频时用切短视频。
| File | Kind | Size |
|---|---|---|
| .baocut-meta.json | config | 1.9 KB |
| SKILL.md | skill md | 8.7 KB |
| references/picture-and-sound.md | markdown | 9.8 KB |
references/picture-and-sound.md
View on GitHub# 口播的画面与声音
剪口定下之后再做这些。时间换算见 `SKILL.md` 第 1 节;每一步的字段以 edits_apply 的说明为准。
## 1. 放大强调
在要强调的那句话上把画面放大一点,下一句回到原来的大小。它也能盖住跳切:同一机位的两段接在一起时,景别一变,跳切就成了有意的剪辑。
- 幅度是起点:约 1.1–1.15 倍就看得出;超过约 1.3 倍,多数素材开始发虚,脸也容易出框。素材分辨率低时更保守。
- 做法:用 splitItem 在这句话的开头和下一句的开头(时间线上的秒)把主画面片段切开,放大**中间那个片段自己的画面**;不要在上面再叠一份同素材的副本。画面和声音本来就在这个片段上,口型不会错位;之后的剪口和挪动也会带着它。
- 片段的 place.mode 是 fullscreen(铺满画布)时,setTransform 的缩放不起作用:在同一次 edits_apply 里先用 setStyle 把 mode 改成 pip,再用 setTransform 给 x 50、y 50、铺满所需的宽 w 与 scale(例如 1.12)。素材与画布宽高比相同时 w 是 100;素材比画布更宽时 w = 100 ×(素材宽高比 ÷ 画布宽高比)。
- 放大之后人要还在框里:人不在正中时用 setTransform 的 x、y 挪一挪,别让眼睛和下巴出框。挪动不能露出画布:水平方向 |x − 50| 不超过(w × scale − 100)÷ 2,垂直方向同理按画面的高算;超了就再放大一点或少挪一点。
- 取帧(videos_frames)看到的是素材画面,放大不在里面,所以合成后的效果你看不到:做完请用户在编辑器里看这句话之前、中间、之后的画面,或导出这几秒成片再看;报告里写明哪些没有亲眼看过。
- 用几次由内容决定;每句都放大就等于没有强调。
## 2. B-roll
- **画面给话里没有的**:字幕已经带着原话,B-roll 不再把词画一遍,给的是东西真的在跑、做出来的结果、能当证据的那一屏。没有这样的画面就留在人身上,不拿意思相近的空镜填。
- **画面跟着词来**:B-roll 在提到它的那个词出现(addItem 的 at 取这个词在时间线上的时刻),在讲它的几句话里一直在,在句间停顿处切回人,不在一句话中间切。放在主画面上面的视觉轨上(没有就 addTrack 加一条);用 trimItem 把结尾裁到那个停顿;带声音的 B-roll 视频用 setAudioMix 静音,别盖住人声。要铺满画面时用 setStyle 把 mode 改成 fullscreen。
- 素材来源按这个顺序:用户给的 → 来源和许可清楚的公开素材(由用户提供或同意) → 生成的图片。讲到能截图或录屏的具体东西时,放真实的画面。
- **在用户给的素材里找 B-roll**:素材多、不知道哪段合适时按内容找,不逐个取帧翻。素材导入进这部视频后,用 videos_match_frames(这部视频的 `videoId`,`text` 写这句话讲到的、能看见的东西,`at` 给这句话的时间线时刻)取候选;素材在 Space 的别的视频里时用 space_search_v2(`channels` 给 `["visual"]`)。没有画面索引时按 baocut 主 skill 的做法先给素材建,等不及就用 videos_shots 按镜头取帧挑。候选是一段窗口:`clock` 为 source 的是还没放上时间线的素材,`start`、`end` 是它的源时间,addItem 放在 P 秒后,用 trimItem 把开头裁到 P + start、结尾裁到 P + end,再 moveItem 挪到这句话的时刻;放之前取帧看过。
- **生成的 B-roll** 只配讲概念、比喻、场景或情绪的句子:每张画这句话里能看见的一个具体画面,比例按视频画幅,画面里不要字,整条视频用同一段风格说明。不拿它冒充说话人讲到的真东西(某个产品、某个人、某次活动、某组数据),那里用真实画面或不放。一条视频通常几张就够,静图放上去时镜头取短。怎么调用、怎么写提示词、画不了时怎么办,用 `skills_read` 读 `baocut-catalog-media` 的「生成图片」;生成时带上 `video`,图进候选素材再放上时间线。
- **只用素材里有用的那几秒**:一段素材在整条视频里只用一次。素材比要盖的话短时不循环、不放慢,换一段素材接上,或者早点切回人。
- **画面上的字整行可见**:网页、产品界面、推文放大时,框住一张完整的卡片或一个完整的字段,不在画面边缘切掉半行;小到手机上读不清的,放大到一块能读的,读不清就不放。
- **自带字幕的素材不铺满**:别人的视频烧着字幕时,铺满会和这条视频的字幕叠成两层。只用没有字的那几秒,或者小框放在不碰字幕的位置。
- **图形接素材时首尾对上**:一段动效图形后面紧接一段素材时,图形的最后一帧停在和素材第一帧相同的构图上,切换就看不出来。
- 来源与许可写进报告。
## 3. 竖屏取景
把横屏口播改成竖屏:
- 改画布:edits_apply 的 updateSequence 把 canvas 改成竖屏尺寸(例如 1080×1920)。片段的位置按画幅的百分比保存,会跟着画布走,之后再逐个镜头取景。
- **一个镜头一种取景**:同一个镜头里人的水平位置固定,不跟着每一次晃动;取景只在剪点处变。
- **按位置裁成竖屏**:片段用 setStyle 改成 pip,setTransform 的 w 取铺满画布高所需的宽(16:9 素材放进 9:16 画布约 316,其他比例按宽高比算:w = 100 ×(素材宽高比 ÷ 画布宽高比)),x 决定露出素材的哪一部分:说话人在素材里的水平位置是 f(0 最左、1 最右)时,x = 50 +(0.5 − f)× w,并保持 |x − 50| 不超过(w − 100)÷ 2。说话人的位置要看过画面才知道:用 videos_frames 在每个镜头的开头、结尾和动作最大的地方(时间线上的秒)取几帧,看人在素材的哪一侧、估出 f;取不到或拿不准时先居中,请用户在编辑器里核对有没有出框。裁切后的效果帧里看不到,请用户在编辑器里过一遍。
- **整个横屏画面放进竖屏**(清楚的一份居中,后面垫着同一画面的模糊版):主画面片段用 setStyle 设 mode fullscreen、fit contain、bg blur。
- **两个人**:可以保持完整的横屏画面(不改画布,或用上面的模糊垫底)。跟着说话人切取景、两人上下叠放,这里都没有对应的做法:告诉用户,请用户在编辑器里自己调,或改用保持横屏。
- 这些都是**固定取景**,不跟随走动的人。
## 4. 竖屏短视频:摆法与节奏
要发到短视频平台、一分钟上下的竖屏口播用这一节;横屏长视频、访谈不套这些数。下面的数都是起点,内容需要时可以改,改了在报告里说一句。
- **四种摆法**,每个镜头选一种:
- **人全屏**:说话人铺满,开头和收尾多用这种。
- **推近**:同一机位放大一点(第 1 节),给要强调的那句。
- **上下分屏**:画面在上、人在下,画面要停得久一点又不想丢掉人时用。两个片段都用 setStyle 改成 pip,各用 crop 裁到自己那一块的宽高比(保留的宽度比例 = 那一块的宽高比 ÷ 素材的宽高比,人的那块围着脸的位置分左右裁多少),再用 setTransform 给 w 100、y 放在那一块的中心;两块的高加起来等于画布高,不重叠、不露底,字幕放在两块的接缝附近,不压脸。做完请用户在编辑器里看一眼,帧里看不到这些。
- **画面全屏**:B-roll 铺满,人只剩声音。
- **人要一直在**:说话人在画面里的时间至少占一半;全屏 B-roll 一次不超过约 3.5 秒,长了就改成分屏或切回人。观众是跟着一张脸看下去的。
- **节奏**:第一次换画面在一秒左右,落在第一个有力的词上;多数镜头 1–2 秒,演示或关键的一句要多停就多停。手机上画面久不动,观众就划走了。
- **列举时一项一个画面**:说话人一口气说出几样东西时,每一样在它被说出的那个词上换一个画面,或者在同一张卡片上加一行。
- 换得再勤也照第 2 节:画面可以在词上进来,切回人仍落在句间停顿。
## 5. 声音
- 人声优先。某一段人声太小或太大时,改那个片段自己的声音:setAudioMix 的 volume,不要另叠一条音轨。和用户说音量用分贝,写进操作时换成线性倍数:倍数 = 10^(dB ÷ 20)(+6 dB 约 2 倍,−6 dB 约 0.5 倍)。
- 配乐可有可无,用户没要就不加,交付时可以提一句能加。用的话压在人声下面,说话时字听得清,旋律不抢。
- 配乐从哪来、怎么生成、怎么放:用 `skills_read` 读 `baocut-catalog-music`,照它做。要点:用户给了音乐就用用户的;用户要配乐又没有音乐时,本机能生成就生成纯音乐,风格按口播的内容与情绪写,稀疏、动态平稳、不要突出的主旋律,例如 `ambient, soft piano, warm pads, slow tempo, sparse arrangement, steady dynamics, understated`;剪完、时长定了再生成,一次提交等完成;不能生成时照那一页告诉用户,不到网上找。
- 放上去:单独一条音频轨,底音量先放低(setAudioMix 的 volume 0.3 左右),片头淡入、片尾淡出 2–3 秒;再用 setDucking 让它在人说话时自动压低:口播已经转写过,trigger 用 `{"kind":"speech"}`(按文稿的词时间,只在说话时压,剪掉的词不算);target 指向配乐轨,depth 默认 10 dB。人声轨上有不在文稿里的声音也要压时,改用 `{"kind":"items","trackIds":[人声所在的轨道]}`。口播有剪口时,配乐连续铺着能盖住剪口处底噪的跳变,不要跟着剪口一起切。来源与许可写进报告(本机生成的只许非商业用途)。
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| slack-gif-creatoranthropics/skillsKnowledge and utilities for creating animated GIFs optimized for Slack. Provides constraints, validation tools, and animation concepts. Use when users request animated GIFs for Slack like "make me a GIF of X doing Y for Slack." | Stars: 198k | Updated | Claude CodeCodex | Verified | Install |
| ponytailDietrichGebert/ponytailLazy senior dev mode for any coding task: the smallest change that fully solves it, and a reply a busy human understands in one read. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-debtDietrichGebert/ponytailHarvest every shortcut: comment into one debt ledger, so deferrals get tracked instead of forgotten. One-shot report. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |
| ponytail-debtDietrichGebert/ponytailList every `shortcut:` comment (and older `ponytail:` ones) as a debt ledger. One-shot report, changes nothing. Use for "ponytail debt", "what did ponytail defer", "list the shortcuts", /ponytail-debt. | Stars: 194k | Updated | Claude CodeCodex | Verified | Install |