口播剪辑竖屏短视频字幕烧录封面生成

口播视频剪辑(laoyi-koubo-edit)

把竖屏口播视频自动剪成「去气口 + 字幕 + 轻 BGM + 网感封面」的成品

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

三、前置条件 / 准备

需要的环境

⚠️ 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)

  1. 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。
  2. 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)。
  3. 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。
  4. 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)。
  5. 合成成片:把字幕烧进画面、混入 BGM(默认 50% 音量),输出 final_video.mp4。
  6. 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。
  7. 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

七、相关 skill / 延伸

← 返回 SKILL 库