@optima-chat/gen-cli 2.6.0 → 2.6.1

package/.claude/skills/video-compose/scripts/video_compose.py

@@ -1,290 +0,0 @@
-#!/usr/bin/env python3
-"""video-compose — 素材片段 + 口播文案 → 成片（情感配音/选片/字幕/BGM 全自动）
-
-容器版：TTS 走 `gen tts --provider minimax`（key + 计费在后端 optima-generation），
-不直连 MiniMax、不在容器放密钥。依赖：python3 + ffmpeg + `gen` CLI（容器自带）。
-
-两个命令，中间由 Claude 看帧写 proposal.json：
-  python3 $CLAUDE_SKILL_DIR/scripts/video_compose.py frames <proj>
-  # -> Claude Read 每帧，按 script.txt 写 <proj>/work/proposal.json
-  python3 $CLAUDE_SKILL_DIR/scripts/video_compose.py build  <proj>
-
-工程目录：
-  <proj>/inputs/clips/*.mp4   素材（任意命名，按文件名排序得 clip id）
-  <proj>/inputs/script.txt    口播稿，每行一句 = 一个 segment
-  <proj>/inputs/bgm/          (可选) 用户上传的 BGM
-  <proj>/work/                中间产物
-  <proj>/final.mp4            成片
-"""
-import json, subprocess, sys, os, random, shutil, hashlib
-from pathlib import Path
-
-# 脚本日志含大量中文：统一 stdout/stderr 为 UTF-8，避免非 UTF-8 locale 下一行 print
-# 抛 UnicodeEncodeError 连带杀掉整个 build（容器默认 UTF-8，此处是兜底）。
-try:
-    sys.stdout.reconfigure(encoding="utf-8"); sys.stderr.reconfigure(encoding="utf-8")
-except Exception:
-    pass
-
-W, H, FPS, CRF = 1080, 1920, 30, 20
-# 字幕字体：容器需有 CJK 字体；可用 env 覆盖。fc-match 验证见 SKILL §坑。
-SUB_FONT = os.environ.get("VIDEO_COMPOSE_FONT", "Noto Sans CJK SC")
-# 情绪 BGM 库 + 音色样音：随 @optima-chat/gen-cli npm 包一起发布（plugin 的
-# ensure-cli.sh 在 SessionStart 装它），不再放 skill 目录里——否则 5.3MB BGM 会把
-# plugin 的 thin tar 撑过上限（见 optima-gen #<this PR>）。解析顺序：
-#   1. VIDEO_COMPOSE_ASSETS 显式覆盖
-#   2. 已安装的 gen-cli 包内 assets/video-compose/
-#   3. skill 目录（optima-agent baked 老布局 / 本地开发的兜底）
-def _asset_root() -> Path:
-    # 资产（bgm-library/voice-samples）随 @optima-chat/gen-cli 发布在 <gen-cli>/assets/video-compose。
-    # gen-cli 在 prod 里可能：(a) 被 baked 进 optima-agent（PATH 上的 `gen` 是个薄 wrapper
-    # `…/optima-agent/dist/bin/gen.js`，嵌套的 gen-cli 在 …/optima-agent/node_modules/@optima-chat/gen-cli），
-    # (b) 由 plugin ensure-cli 装进 $CLAUDE_PLUGIN_DATA，(c) 直接是 gen-cli 自己的 bin。
-    # 因 wrapper 深度不定，从 `gen` 的真实路径**逐层往上**找，每层试 <anc>/assets/video-compose
-    # 和 <anc>/node_modules/@optima-chat/gen-cli/assets/video-compose，谁存在用谁。
-    REL = Path("assets") / "video-compose"
-    NESTED = Path("node_modules") / "@optima-chat" / "gen-cli" / REL
-
-    env = os.environ.get("VIDEO_COMPOSE_ASSETS")
-    if env and Path(env).exists():
-        return Path(env)
-
-    cpd = os.environ.get("CLAUDE_PLUGIN_DATA")
-    if cpd:
-        c = Path(cpd) / NESTED
-        if c.exists():
-            return c
-
-    gen = shutil.which("gen")
-    if gen:
-        p = Path(os.path.realpath(gen))
-        for anc in [p] + list(p.parents):
-            for c in (anc / REL, anc / NESTED):
-                if c.exists():
-                    return c
-
-    # 兜底：skill 目录（optima-agent baked 老布局 / 本地开发；可能没有资产，_resolve_bgm 会优雅跳过）
-    return Path(os.environ.get("CLAUDE_SKILL_DIR", Path(__file__).resolve().parent.parent))
-
-ASSET_ROOT = _asset_root()
-BGM_LIBRARY = ASSET_ROOT / "bgm-library"
-_AUDIO_EXT = (".mp3", ".wav", ".m4a", ".aac", ".flac", ".ogg")
-DEFAULT_VOICE = "Chinese (Mandarin)_Warm_Girl"
-# 默认明快语速：本工具是抖音/TikTok/小红书短视频出片，语速要快才像平台口播。
-# 1.35 ≈ TikTok 口播那种节奏（实测+用户拍板）。单句想放慢（治愈/抒情）在 proposal
-# 那句写更低的 speed 覆盖即可。
-DEFAULT_SPEED = 1.35
-
-def run(cmd):
-    r = subprocess.run([str(c) for c in cmd], capture_output=True, text=True)
-    if r.returncode != 0:
-        print("CMD FAIL:", " ".join(str(c) for c in cmd)); print(r.stderr[-2000:]); sys.exit(1)
-    return r
-
-def probe_dur(path):
-    return float(run(["ffprobe","-v","error","-show_entries","format=duration","-of","csv=p=0",path]).stdout.strip())
-
-def list_clips(proj):
-    return sorted((proj/"inputs"/"clips").glob("*.mp4"), key=lambda p: p.name)
-
-def read_segments(proj):
-    txt=(proj/"inputs"/"script.txt").read_text(encoding="utf-8")
-    return [ln.strip() for ln in txt.splitlines() if ln.strip()]
-
-# ---------- frames：抽帧给 Claude 看 ----------
-def cmd_frames(proj):
-    """每个素材自适应抽 3~6 帧（约每 5s 一帧），manifest 记录每帧的**时间戳 t（秒）**。
-    Claude 看帧后在 proposal 每句写 `src_start`= 选中那个子镜头帧的 t；同一素材被多句复用时
-    选**不同的 t**，build 据此精确切不同子镜头，避免重复镜头（见 build 的 _resolve_windows）。"""
-    fdir=proj/"work"/"frames"; fdir.mkdir(parents=True, exist_ok=True)
-    clips=list_clips(proj)
-    manifest={"clips":[], "segments":read_segments(proj)}
-    for p in clips:
-        cid=p.stem; dur=probe_dur(p); frames=[]
-        n=max(3, min(6, int(dur//5)+1))  # 自适应帧数：短片 3 帧，长片至多 6 帧
-        for j in range(n):
-            t=dur*(j+0.5)/n               # 每帧落在等分泳道中心，代表一个子镜头
-            tag=chr(ord('a')+j)
-            out=fdir/f"{cid}_{tag}.jpg"
-            run(["ffmpeg","-v","error","-ss",f"{t:.2f}","-i",p,"-frames:v","1","-q:v","3",out,"-y"])
-            frames.append({"tag":tag,"t":round(t,2),"path":str(out)})
-        manifest["clips"].append({"id":cid,"duration_s":round(dur,2),"frames":frames})
-    (proj/"work"/"clips_manifest.json").write_text(json.dumps(manifest,ensure_ascii=False,indent=2),encoding="utf-8")
-    nframes=sum(len(c["frames"]) for c in manifest["clips"])
-    print(f"[frames] {len(clips)} clips / {nframes} 帧（含时间戳 t）-> {fdir}")
-    print(f"[frames] segments: {len(manifest['segments'])} 句；下一步 Claude 看帧写 proposal.json")
-    print(f"[frames] 提示：每句 assignment 写 src_start=选中帧的 t；同素材复用请选不同 t（防重复镜头）")
-
-# ---------- TTS：gen tts --provider minimax（key/计费在后端）----------
-def gen_tts(text, voice, emotion, speed, out):
-    cmd=["gen","tts",text,"--provider","minimax","--voice",voice,"-o",str(out)]
-    if emotion: cmd+=["--emotion",emotion]
-    if speed is not None: cmd+=["--speed",str(speed)]
-    r=subprocess.run(cmd, capture_output=True, text=True)
-    if r.returncode!=0 or not Path(out).exists():
-        print("TTS FAIL:", " ".join(cmd)); print((r.stderr or r.stdout)[-1500:]); sys.exit(1)
-
-def _ass_time(t):
-    h=int(t//3600); m=int((t%3600)//60); s=t%60
-    return f"{h:d}:{m:02d}:{s:05.2f}"
-
-def _preflight_font():
-    """字体预检（fail-loud）：容器若无对应 CJK 字体，subtitles filter 会把中文渲染成豆腐块
-    且 ffmpeg 不报错（静默翻车）。这里用 fc-match 提前拦截。本地无 fc-match(如 Windows)则跳过。
-    放在 TTS 之前，未命中直接退出，不浪费配音扣费。"""
-    if not shutil.which("fc-match"):
-        return  # 非 fontconfig 环境（如本地 Windows），跳过；容器有 fc-match
-    try:
-        # 显式 utf-8 + errors=replace：避免非 utf-8 locale(如 Windows gbk) 解码 fc-match 输出崩溃
-        r=subprocess.run(["fc-match","-f","%{family}",SUB_FONT],
-                         capture_output=True,encoding="utf-8",errors="replace",timeout=10)
-    except Exception:
-        return  # 检查器自身跑不了 → 不阻塞（best-effort 预检）
-    got=(r.stdout or "").strip()
-    if r.returncode!=0 or not got:
-        return  # 拿不到结果 → 不阻塞
-    norm=lambda s: s.lower().replace(" ","")
-    # fontconfig 命中已装字体时 family 原样返回；未装则回退(如 DejaVu)→ 与请求名不符 → 硬失败
-    if norm(SUB_FONT) not in norm(got):
-        print(f"ERR 字幕字体 '{SUB_FONT}' 未命中（fc-match 回退到 '{got}'）——中文字幕会渲染成豆腐块。")
-        print(f"    解决其一：容器装该 CJK 字体 / 设 VIDEO_COMPOSE_FONT 指向已装 CJK 字体（fc-match 报告的）/ 在 skill bundle 字体。")
-        sys.exit(1)
-
-def _audio_in(d):
-    d=Path(d)
-    return sorted([p for p in d.iterdir() if p.suffix.lower() in _AUDIO_EXT]) if d.is_dir() else []
-
-def _resolve_bgm(proj, prop):
-    """BGM 不锁死：proposal.bgm 路径 > inputs/bgm/ 上传 > bgm_mood 情绪库(确定性挑) > 无。
-    情绪库选曲按 proposal 内容做确定性 seed —— 同一项目重跑选同一首(稳定)，不同项目才变化。"""
-    if prop.get("bgm"): return prop["bgm"]
-    up=_audio_in(proj/"inputs"/"bgm")
-    if up: return str(up[0])
-    mood=prop.get("bgm_mood")
-    if mood:
-        lib=_audio_in(BGM_LIBRARY/mood)
-        if lib:
-            sig=mood+"|"+"|".join(a.get("text","") for a in prop.get("assignments",[]))
-            seed=int(hashlib.md5(sig.encode("utf-8")).hexdigest(),16)
-            return str(random.Random(seed).choice(lib))
-        print(f"[bgm] 情绪 '{mood}' 库内无曲（{BGM_LIBRARY/mood}），跳过 BGM")
-    return None
-
-# ---------- 镜头时间窗：同素材复用不重复 ----------
-def _has_overlap(intervals, eps=0.05):
-    """intervals: [(start,end), ...]；排序后判断是否有相邻区间重叠。"""
-    s=sorted(intervals)
-    return any(b0 < a1-eps for (a0,a1),(b0,b1) in zip(s, s[1:]))
-
-def _resolve_windows(segs, clips_dir):
-    """算每句的切片起点，保证**同一素材被多句复用时时间窗不重叠**（消灭重复镜头）。
-    优先级：assignment.src_start(显式，以该时刻为子镜头中心) > 同素材内自动均匀错开(泳道)。
-    显式窗口若仍重叠 → 整组回退为均匀错开并提示。返回 starts[i]=第 i 句的切片起点(秒)。"""
-    by_clip={}
-    for i,s in enumerate(segs):
-        by_clip.setdefault(s["clip"],[]).append(i)
-    starts=[0.0]*len(segs)
-    for clip,idxs in by_clip.items():
-        cdur=probe_dur(clips_dir/f"{clip}.mp4"); k=len(idxs)
-        spans=[min(segs[i]["dur"], cdur) for i in idxs]
-        if k>1 and sum(spans) > cdur+0.1:     # 该片被复用所需的不同画面总时长 > 它本身时长
-            print(f"[mix] 警告: 素材 {clip} 仅 {cdur:.1f}s，被 {k} 句复用共需 {sum(spans):.1f}s 不同画面——"
-                  f"时长不够，可能仍有重复。建议多给素材，或减少该片复用。")
-        def lane(order):                      # 第 order 条均匀落在第 order 个泳道中心
-            c=(order+0.5)*cdur/k; sp=spans[order]
-            return max(0.0, min(c-sp/2, max(0.0, cdur-sp)))
-        st=[]
-        for order,i in enumerate(idxs):
-            ss=segs[i].get("src_start"); sp=spans[order]
-            st.append(max(0.0, min(float(ss)-sp/2, max(0.0, cdur-sp))) if ss is not None else lane(order))
-        if k>1 and _has_overlap([(st[o], st[o]+spans[o]) for o in range(k)]):
-            st=[lane(o) for o in range(k)]
-            print(f"[mix] 素材 {clip} 被 {k} 句复用且窗口重叠/未指定 → 自动均匀错开，避免重复镜头")
-        for order,i in enumerate(idxs): starts[i]=round(st[order],3)
-    return starts
-
-# ---------- build：proposal.json -> final.mp4 ----------
-def cmd_build(proj):
-    work=proj/"work"; clips_dir=proj/"inputs"/"clips"
-    prop=json.loads((work/"proposal.json").read_text(encoding="utf-8"))
-    voice=prop.get("voice", DEFAULT_VOICE)
-    asg=prop["assignments"]
-    avail={p.stem for p in list_clips(proj)}
-    for a in asg:
-        if a["clip"] not in avail:
-            print(f"ERR seg{a['segment_idx']} clip '{a['clip']}' 不存在。可用: {sorted(avail)}"); sys.exit(1)
-
-    _preflight_font()  # 字体不行就早退，别先花钱配音
-
-    # 1) 逐句情感配音（带缓存：engine/voice/emotion/speed/text 未变则复用，不重复扣费）
-    segs=[]; t0=0.0
-    for a in asg:
-        i=a["segment_idx"]; mp3=work/f"vo_{i:02d}.mp3"; keyf=work/f"vo_{i:02d}.key"
-        spd=a.get("speed") if a.get("speed") is not None else DEFAULT_SPEED  # 默认明快，适配短视频平台
-        ck=f"minimax|{a.get('voice',voice)}|{a.get('emotion')}|{spd}|{a['text']}"
-        if not (mp3.exists() and keyf.exists() and keyf.read_text(encoding="utf-8")==ck):
-            gen_tts(a["text"], a.get("voice",voice), a.get("emotion"), spd, mp3)
-            keyf.write_text(ck,encoding="utf-8")
-        d=probe_dur(mp3)
-        segs.append({**a,"audio":mp3,"start":t0,"end":t0+d,"dur":d}); t0+=d
-    total=t0; print(f"[voiceover] {len(segs)} 句 / {total:.2f}s")
-
-    # 2) 配音轨
-    (work/"vo_list.txt").write_text("".join(f"file '{s['audio'].as_posix()}'\n" for s in segs),encoding="utf-8")
-    voiceover=work/"voiceover.m4a"
-    run(["ffmpeg","-y","-f","concat","-safe","0","-i",work/"vo_list.txt","-c:a","aac","-b:a","192k",voiceover])
-
-    # 3) 切片对齐（竖版 crop；按 _resolve_windows 用 -ss 精切不同子镜头，防重复）
-    #    素材比该句短时：慢放填满（setpts），**不 loop**——loop 会在一句内重复画面。
-    starts=_resolve_windows(segs, clips_dir)
-    seg_mp4s=[]
-    base_vf=f"scale={W}:{H}:force_original_aspect_ratio=increase,crop={W}:{H}"
-    for k,s in enumerate(segs):
-        src=clips_dir/f"{s['clip']}.mp4"; dur=s["dur"]; st=starts[k]; cdur=probe_dur(src)
-        out=work/f"seg_{s['segment_idx']:02d}.mp4"
-        if cdur < dur-0.05:                      # 整片比该句短 → 慢放至该句时长，无重复
-            vf=f"{base_vf},setpts=PTS*{dur/cdur:.4f},fps={FPS},setsar=1"; ss=[]
-        else:
-            vf=f"{base_vf},fps={FPS},setsar=1"; ss=["-ss",f"{st:.3f}"]
-        run(["ffmpeg","-y",*ss,"-i",src,"-t",f"{dur:.3f}","-an","-vf",vf,
-             "-c:v","libx264","-crf",CRF,"-pix_fmt","yuv420p",out])
-        seg_mp4s.append(out)
-    (work/"v_list.txt").write_text("".join(f"file '{p.as_posix()}'\n" for p in seg_mp4s),encoding="utf-8")
-    silent=work/"video_silent.mp4"
-    run(["ffmpeg","-y","-f","concat","-safe","0","-i",work/"v_list.txt","-c","copy",silent])
-
-    # 4) 字幕 ASS（Format 与 Dialogue 字段数必须一致）
-    head=("[Script Info]\nScriptType: v4.00+\nPlayResX: %d\nPlayResY: %d\n\n"
-          "[V4+ Styles]\nFormat: Name,Fontname,Fontsize,PrimaryColour,OutlineColour,BackColour,Bold,Outline,Shadow,Alignment,MarginL,MarginR,MarginV,Encoding\n"
-          "Style: D,%s,58,&H00FFFFFF,&H00000000,&H64000000,1,3,1,2,40,40,180,1\n\n"
-          "[Events]\nFormat: Layer,Start,End,Style,Text\n") % (W,H,SUB_FONT)
-    body="\n".join(f"Dialogue: 0,{_ass_time(s['start'])},{_ass_time(s['end'])},D,{s['text']}" for s in segs)
-    ass=work/"subs.ass"; ass.write_text(head+body+"\n",encoding="utf-8")
-    ass_esc=ass.as_posix().replace(":","\\:")
-
-    # 5) BGM ducking + 烧字幕 -> final
-    bgm=_resolve_bgm(proj, prop); final=proj/"final.mp4"
-    if bgm and Path(bgm).exists():
-        print(f"[bgm] {bgm}")
-        fc=("[2:a]aloop=loop=-1:size=2e9,volume=0.25[bg];[1:a]asplit=2[vo][sc];"
-            "[bg][sc]sidechaincompress=threshold=0.02:ratio=8:attack=5:release=300[bgd];"
-            "[vo][bgd]amix=inputs=2:duration=first:normalize=0[aout]")
-        run(["ffmpeg","-y","-i",silent,"-i",voiceover,"-i",bgm,
-             "-filter_complex",fc+f";[0:v]subtitles='{ass_esc}'[v]",
-             "-map","[v]","-map","[aout]","-t",f"{total:.3f}",
-             "-c:v","libx264","-crf",CRF,"-pix_fmt","yuv420p","-c:a","aac","-b:a","192k","-shortest",final])
-    else:
-        print("[bgm] none（用户未提供且 proposal 未设 bgm_mood，仅人声）")
-        run(["ffmpeg","-y","-i",silent,"-i",voiceover,"-vf",f"subtitles='{ass_esc}'",
-             "-map","0:v","-map","1:a","-c:v","libx264","-crf",CRF,"-pix_fmt","yuv420p","-c:a","aac",final])
-    print(f"[done] {final}  ({probe_dur(final):.2f}s)")
-
-if __name__=="__main__":
-    # `assets-dir` prints the resolved BGM/voice asset root (so SKILL.md resolves it
-    # the same way this script does). No project arg needed.
-    if len(sys.argv)>=2 and sys.argv[1]=="assets-dir":
-        print(ASSET_ROOT); sys.exit(0)
-    if len(sys.argv)<3:
-        print("usage: video_compose.py [frames|build|assets-dir] <proj-dir>"); sys.exit(1)
-    cmd, proj = sys.argv[1], Path(sys.argv[2]).resolve()
-    {"frames":cmd_frames,"build":cmd_build}[cmd](proj)

package/.claude/skills/video-edit/SKILL.md

@@ -1,332 +0,0 @@
----
-name: video-edit
-description: "剪辑用户【已有的】口播视频——你直接重写成片应该说什么的脚本，系统用文本对齐回原始音频时间戳。
-
-  必备前提：用户已经有视频文件（拍好的、上传的、或给出文件路径）。
-
-  触发：用户上传/给出视频文件 + 说'剪一下'/'去卡顿'/'变流畅'/
-  '剪辑'/'剪短点'/'加字幕'/'cut'/'edit'/'trim'/'让视频更紧凑'。"
-version: 1.0.1
-owner_repo: Optima-Chat/optima-gen
----
-
-# Video-Edit Skill — Descript 模式：你写脚本，系统对齐
-
-用户给原始视频，你交付剪好的成片。
-
-## Step 0：指令清单读回（≥ 2 个动作时必跑）
-
-**为什么必跑**：用户反馈"发给 AI 的多个指令总有漏掉，要重新生成"。LLM 直接读多指令时容易抓 1-2 个执行，剩下的被吞。**没有 checklist 也没有回读 → 用户只能等成片出来才发现漏了 → 全流程重做**。
-
-### 触发判定
-
-| 用户消息 | 是否必跑 Step 0 |
-|---|---|
-| "剪一下" / "加字幕" / "去卡顿"（单一动作） | 跳过 |
-| "剪一下，剪到 30 秒"（1 动作 + 1 修饰） | 跳过 |
-| "剪一下 + 加 banner 'XYZ'"（≥ 2 个动作） | **必跑** |
-| "字幕用白色 + 加 BGM + 压到 30 秒"（≥ 2 个动作） | **必跑** |
-| 任何**迭代消息**改 ≥ 2 项（"banner 换成 X，字幕换成 Y"） | **必跑** |
-
-模糊判定：宁可读回，不要漏。
-
-### 操作（在执行任何 `video-edit ...` 命令之前）
-
-1. **拆指令**：把用户消息切成原子动作清单（每条 ≤ 15 字）。常见类别：
-   - 剪辑：剪一下 / 去卡顿 / 剪到 30 秒 / 删开头 5 秒
-   - 字幕：加字幕 / 不要字幕 / 字幕用白色 / 字幕加大
-   - Banner：加 banner "XYZ" / 不要 banner / banner 换成 "ABC"
-   - 节奏：去 NG / 保留所有重复
-   - 输出：竖版 / 横版 / 不变
-
-2. **一条消息内输出读回 + 等确认**（**不要边读边动手**）：
-
-   ```
-   我理解你要做的：
-   1. 剪一下（默认去卡顿 + NG）
-   2. 加 banner "日发四万单"
-   3. 字幕用粗体白色
-   4. 压到 30 秒以内
-
-   全对回"开始"/"对"；要改/补告诉我哪条。
-   ```
-
-3. **用户确认后**：按清单顺序执行；每条对应到下文 skill 流程的具体步骤；执行完一条在内部 TaskList 标记 done；**全部 done 才报"成片完成"**。
-
-4. **交付汇报里逐条回扣**：
-
-   ```
-   成片 xxx_subbed.mp4 完成：
-   1. ✅ 剪一下 → 时长 28s（原 65s）
-   2. ✅ banner "日发四万单" 顶部
-   3. ✅ 字幕粗体白色已烧
-   4. ✅ 28s < 30s
-   ```
-
-### 严禁
-
-- ❌ 跳过 Step 0 直接执行 ≥ 2 个动作 — ≥ 2 动作时**附带的细粒度参数（"字幕 30pt"）**最容易被漏；不读回必发生
-- ❌ 读回时省掉某条 / 合并两条为"剩下默认" — 漏掉的同义词
-- ❌ 全部执行完才在交付汇报里说"我做了 1/2/3" — 用户已经等了 5 分钟,这时发现漏掉要重做
-- ❌ 用户给迭代指令（"banner 换成 X，字幕加大"）时直接动手 — 迭代同样要读回
-
-**细粒度参数本身是否触发 Step 0**：单一动作 + 单一参数（"剪到 30 秒" / "字幕 30pt" 单独说）**不触发**，按上方触发表跳过。Step 0 是给 ≥ 2 个独立动作准备的；单参数请求按单动作走。
-
-## 用户怎么说，你交付什么
-
-**默认所有剪辑都带字幕**——中文短视频 99% 需要字幕，"剪一下"的潜台词就是"给我能直接发的成片"。
-
-| 用户说 | 你交付 |
-|---|---|
-| "剪一下" / "去卡顿" / "变流畅" | `<video>_subbed.mp4`（剪 + 字幕） |
-| "剪成 X 秒短视频" / "30 秒" | `<video>_subbed.mp4`（压到目标时长 + 字幕） |
-| "加字幕"（不需要剪） | `<video>_subbed.mp4`（仅字幕） |
-| "剪一下不要字幕" / "无字幕版" | `<video>_edited.mp4` |
-
-只有当用户提到平台但**没说目标时长**时（如"剪成 TikTok"无时长），才追问"目标多长？"。
-其他情况**直接动手**，不要废话。
-
-## 核心原则：你直接写最终脚本
-
-剪辑工具有两种模式：
-- **旧模式（`cut`）**：在 proposal 里给短语标 `#` 删除——只能删整段
-- **新模式（`smart-cut`）✅ 默认用这个**：你直接写"成片应该说什么"，系统找原始音频里对应的位置剪出来
-
-新模式的杀手锏是：你**不受短语边界限制**，可以：
-- 跳过填充词（"嗯"/"那个"）
-- NG 重拍中只保留你认为最好那遍
-- 把同一句话的不同片段拼起来
-- 保留某句的前半 + 另一句的后半
-
-**约束**：
-- 不能凭空造内容——脚本里的字必须出自原始转写，否则匹配不上
-- 不能调换顺序——内容按原片时间顺序保留
-- 字面错别字会"匹不上"被丢——必须用转写文本里的原字（whisper 怎么识的就怎么写）
-
-## 你的内部流程
-
-### 默认剪辑（剪 + 字幕，最常见）
-
-```bash
-video-edit analyze <video>
-```
-
-读 `<video>.work/cut_proposal.md` 了解原片内容（每行是个短语单元，带时间戳和文本）。
-
-然后基于这些短语，**自己写一份最终脚本**到 `<video>.work/final_script.txt`：
-
-**格式**：每个短语段两行——中文一行（带 `**关键词**` 标记，1-2 个），英文翻译一行；段与段之间空行。
-
-```
-做**跨境电商**是有**捷径**的
-Cross-border e-commerce has shortcuts
-
-我最不缺的
-What I lack the least
-
-就是**囤货**
-It is just hoarding goods
-```
-
-写脚本时的判断：
-
-**你的唯一任务:识别 NG 重拍 + 完全无意义填充语,删掉。其它一律保留。**
-
-> ⚠️ 这条规则 2026-05-08 重写过(之前是"保留率 ≥ 60% + 三类必留 + 两类才删"):
->
-> 实证显示百分比硬规则不工作 — LLM 心算字数飘 + 用户感觉"删多了"的真实原因是误删了非 NG 的内容句。改成**只删两类,边界明确**,不再设字数门槛。**卡顿/停顿由工具阈值控制**(下方 smart-cut 已放宽),不是 prompt 层判断。
-
-**只删两类**(明确边界 + 反例):
-
-1. **NG 重拍** = whisper 转写中**字面相同字串 ≥ 4 字**且**位于相邻短语**(在 cut_proposal 里前后挨着)。通常因为主播照稿子念时卡顿,从前面几个字重念。
-   - ✅ 删:相邻短语 `我们在义乌开了一个TK日更100条视频的` + `我们在义乌开了一个TK日更100条的实操训练营` → 字面 13 字相同,删第一遍
-   - ✅ 删:同短语内 `我们在我们在做跨境电商` → 删一份 `我们在`(留 `我们在做跨境电商`)
-   - ✅ 删:同短语内 `批量打爆批量打爆你的店铺` → 删一份 `批量打爆`
-
-   **以下不算 NG,默认全部保留**(过去因这一点删多了,严格收窄):
-   - **2-3 字相同但不是 NG**(如 `没有单量` 出现在钩子句和条件句两处、`实操` 出现在两段、`如果` 句式重复)— 中文 2-3 字相同太常见,**不删**
-   - **跨非相邻短语的相同字串**(中间隔了 ≥ 1 个其它短语)— 不是当场 NG 重拍,**不删**
-   - **同义不同字**(如 `我做这个挺久了` / `做了三四年了`)— 字面不重复,**留两个**(留措辞流畅那个亦可,不强制)
-   - **同事实换措辞强调**(如 `日发四万单` + `我们日均出货四万`)— 字面不重复,**不删**
-   - **同概念不同角度**(如 `海外货盘` + `一件代发`)— 信息有增量,**全留**
-   - **判定阈值**:字面相同字串 **≥ 4 字 + 相邻短语**,跟 smart-cut 工具 HARD 阻断保持一致
-   - 关键启发:**LLM 不可靠判断"同义",但可靠判断"字面相同长字串"。NG 收窄到字面级 + 长度 ≥ 4 + 相邻**
-
-2. **完全无意义填充语**:`嗯`/`啊`/`呃` 单字**独立成短语**(不嵌在句中)。嵌在句中作为停顿语气词的**不删**。
-
-**其它一律保留**:钩子条件句、背景前缀、重申/铺垫、引导词、CTA、即使你觉得"不那么核心"的句子。**不确定就留**。
-
-**卡顿/短停顿/词尾喘气由 smart-cut 工具自动处理**(silencedetect + RMS 软停顿 + 残留验证三层),**不是你的工作**。短停顿(< 0.30s)是自然语流,工具会保留;长停顿才删。
-
-**通用约束**(写法层):
-- **中文必须用原文措辞**——不要润色或改写,否则匹配不上
-- **每行 ≤ 10 个汉字**——超过会显示挤、可能溢出视频边界
-- **`**关键词**` 标记 1-2 个**:挑能传达这句"重点信息"的实词(名词/动词),不要标助词、口头禅;短语里没明显重点就 0 个标记
-- **英文翻译要地道、口语化**——给海外用户看的,不是直译。短句即可,可省略主语。
-
-**写完后必做的自查（保存前）**：把 final_script 当成一段**连续口播稿**通读一遍——不是一行行检查，是**整体读**。问自己：
-
-1. **是否误删了内容句?**（最近几次 review 发现 LLM 倾向于把"2-3 字字面重复但不是 NG"的句子删掉。范例:钩子句 "没有单量的同学们" + 条件句 "一直没有单量" — `没有单量` 4 字虽然相同但**不在相邻短语**，是合理重复，**两段都留**）
-2. **逻辑有跳跃/断点吗?**（如果有，缺哪句话补哪句，前提是原片说过）
-3. **任何一段是"上一段的翻版"吗?**（删一段）
-
-**这一步不可省略**——`smart-cut` 现在会硬阻断字面 4+ 字重复，但语义级重复（同义不同字）只能靠你这一遍通读发现。
-
-写完自查通过后：
-
-```bash
-video-edit smart-cut <video>
-```
-
-`smart-cut` 用 difflib 把脚本对齐回原始 word 时间戳。**如果输出 `[FAIL] 检测到字面重复`**：
-
-1. 看报错指出的"第 X 段 vs 第 Y 段"
-2. 打开 final_script.txt 删掉重复的那段（一般留措辞更流畅的那遍）
-3. 重跑 `smart-cut`
-4. 直到不再 FAIL 才能继续
-
-**剪完之后必跑 review**（语义级 NG 兜底检测）：
-
-```bash
-video-edit review <video>
-```
-
-如果报告里有 `HARD: repeated-content`：删 `final_script.txt` 里对应的重复段，重跑 `smart-cut` + `review`，直到 HARD = 0。
-
-review 通过后再烧字幕：
-
-```bash
-video-edit subtitle <video>
-```
-
-### Banner（顶部持续标语横幅）
-
-视频顶部持续显示 4-12 字大字标题，牌匾风（深酒红实心底色块 + 米白思源黑体加粗 72pt）。
-
-**这是默认动作，不是可选**：在烧字幕**之前**直接加 banner，不要判断脸位置、不要询问用户。唯一跳过条件——用户初始 prompt 已明确说"不要标题/不要 banner"。
-
-**关键流程**：banner 必须在烧字幕**之前**注入到 subs.ass，这样只烧 1 次（合并 banner + 字幕一并烧录），比"先烧字幕再注入 banner 重烧"省一半时间。
-
-#### Step 1：从 final_script 自动提炼标题
-
-读 `final_script.txt`，从中提一个 4-12 字的核心卖点作为 banner 文字。优先级：
-
-1. **数字 + 主体**（最有冲击力）：把脚本里的具体数字（"日更100条"、"3天涨粉1万"、"7天瘦5斤"）跟主体词（产品/服务/课程名）拼在一起
-2. **痛点 + 解法**：脚本前段的钩子句压成短语（"流量没起色 → 流量起飞秘籍"）
-3. **品牌 + 品类**：脚本主推的品牌或产品 + 品类标签（"XX牌洗面奶 敏感肌可用"）
-4. **兜底**：脚本里出现频率最高 / 加粗 `**...**` 标记的实体名词
-
-通用规则：
-- 4-12 字（汉字）
-- 短语之间**用半角空格分隔**，banner-tool 会自动按空格换行成两行
-- 不要写整句完整话（"我们今天来聊聊..."），banner 是招牌不是字幕
-- 跟视频内容的卖点对齐，不要用脚本里没有的概念
-
-#### Step 2：先生成 subs.ass（不烧）→ 注入 banner → 一次烧录
-
-```bash
-# 1. 只生成 ass，不烧字幕（替代原来的 video-edit subtitle）
-video-edit subtitle <video> --gen-only
-
-# 2. 注入 banner 到 subs.ass
-TITLE="<上一步定的标题>"
-DURATION=$(ffprobe -v quiet -show_format -of default=nk=1:nw=1 -show_entries format=duration <video>_edited.mp4)
-banner-tool inject <video>.work/subs.ass --text "$TITLE" --duration "$DURATION"
-
-# 3. 一次烧录（subs.ass 已存在 → 只烧不再重写，banner 跟主字幕一并烧出）
-video-edit subtitle <video>
-```
-
-最终成片 `<video>_subbed.mp4` 顶部出现牌匾标语横幅。完成后告诉用户用了什么 banner 文字，用户不喜欢可以让你换。
-
-**速度对比**（旧 → 新）：
-- 旧流程：subtitle 烧 1 次（~60s）→ banner inject → subtitle 重烧 1 次（~60s）= 120s/视频
-- 新流程：gen-only（~1s）→ banner inject → subtitle 烧 1 次（~30s 用 veryfast preset）= 30s/视频
-- **4 视频从 ~8 分钟压到 ~2 分钟**
-
-### 用户要求调整时
-
-**如果是 ≥ 2 项调整**（"banner 换成 X，字幕加大"）→ **先回到 Step 0 读回 + 等确认**，再动手。迭代是漏指令的高发场景（上一轮的已生效项 + 这一轮的新要求容易混）。
-
-单项调整直接做：
-1. 编辑 `<video>.work/final_script.txt`（加/删内容）
-2. 删 `<video>.work/subs.ass`
-3. 重跑 `smart-cut` + `subtitle`
-
-### 限时长精剪（用户给了目标时长）
-
-写 final_script 时**额外做这些**：
-- 估算字数：中文口播 ~3-4 字/秒，30 秒约 90-120 字
-- 找钩子句放最前面（脚本开头那段）
-- 压到目标时长（更激进地删）
-
-### 仅字幕（用户明确说不剪）
-
-```bash
-video-edit subtitle <video>
-```
-
-没有 `_edited.mp4` 时，命令直接对原片烧字幕。
-
-### 无字幕版（用户明确说不要字幕）
-
-```bash
-video-edit analyze <video>
-# 写 final_script.txt
-video-edit smart-cut <video>
-```
-
-不跑 subtitle，交付 `<原片>_edited.mp4`。
-
-## 写脚本的心法
-
-读 proposal 时**逐 phrase 判断**(简化决策树):
-
-1. 这句是 NG 重拍?(口误/吞字后当场重说同一句)→ 删较差那遍
-2. 这句是孤立 `嗯/啊/呃` 单字独立短语?→ 跳过
-3. 其它(包括钩子/背景/重申/引导/听起来"不太核心"的句子)→ **保留**
-
-不算字数,不设比例。**疑则留**。
-
-**关键纪律 1**:脚本里的字**必须**来自原始转写——直接复制 proposal 里的 phrase 文本最稳。
-你想怎么润色都不行(系统按字符匹配,改了字就匹不上)。
-
-**关键纪律 2**:**只识别 NG,卡顿交给工具**。你不要在 prompt 层做"内容是不是太长" / "保留率够不够"的判断 — 那是工具阈值的事,smart-cut 会自动删卡顿/短停顿/喘气。
-
-> ⚠️ 这条纪律 2026-05-08 重写过(经历两次反转):
-> - 2026-05-07 之前:"宁可激进删,删多了用户能加回来"
-> - 2026-05-07:反转为"宁可保守 + 60% 保留率",理由是开拍对比发现我们删多了内容(钩子/重申被删)
-> - 2026-05-08:再次重写为"只识别 NG,其它全留",理由是 60% 硬规则 LLM 心算飘 + 工具阈值同步放宽,prompt 层不需要数字约束
->
-> 现在的模型:**agent 只判断 NG;静音/卡顿由 smart-cut 工具阈值控制**(`DELETE_SILENCE_MIN=0.30s`/`RESIDUAL_PAUSE_MAX=0.50s`)。两层职责不再交叉。
->
-> 详见 [P0 spec](https://github.com/Optima-Chat/video-edit-skill-spec/blob/main/docs/spec/P0-content-preservation.md) 和 [ADR](https://github.com/Optima-Chat/video-edit-skill-spec/blob/main/docs/decisions/2026-05-07-stop-pause-tightening.md)。
-
-## 交付怎么说
-
-简洁，**只说结果**：
-
-- ✅ "剪好了，xxx_subbed.mp4，时长 23 秒"
-- ❌ "我用了 video-edit smart-cut，写了 final_script.txt..."
-
-## 不要做的事
-
-- ❌ 跳过 final_script 直接 smart-cut——会失败（找不到脚本文件）
-- ❌ 在脚本里写转写以外的字——匹配不上，那部分会被丢
-- ❌ 用 `both` 或 `cut`——已弃用，质量差
-- ❌ 把命令名/路径暴露给用户——内部细节
-- ❌ 用户说"剪掉前 X 秒"/"剪掉中间一段"——定点裁剪不是去卡顿，告诉用户"我擅长去卡顿停顿，定点裁剪请用别的方式"
-- ❌ **跳过通读自查直接 smart-cut**——重复内容是用户最反感的问题，省这一步省不出去
-- ❌ **跳过 review 直接 subtitle**——subtitle 烧完字幕的成片重复不可逆，必须先通过 review
-- ❌ **多指令场景跳过 Step 0 读回**——用户给 ≥ 2 个动作时不读回必有漏指令
-
-## 命令参考（你内部用）
-
-| 命令 | 用途 |
-|---|---|
-| `video-edit analyze <video>` | 转写 + 静音检测 + 生成 proposal（**默认入口**）|
-| `video-edit smart-cut <video>` | 按 final_script.txt 对齐剪辑（**默认主力**）|
-| `video-edit subtitle <video>` | 对成片重新转写 + 烧字幕，输出 `<原片>_subbed.mp4` |
-| `video-edit cut <video>` | 旧模式：按 proposal 的 `#` 标记剪辑（弃用，质量差）|
-| `video-edit both <video>` | 旧模式：analyze + cut 一步到位（弃用，跳过审片）|
-| `video-edit review <video>` | 诊断用：检查 `_edited.mp4` |