ZenStory AI

视频解说与剪辑

视频解说怎么做:把本地视频做成有依据的中文解说

Video Recap Skills · 更新于 2026-10-15

创作路径把视频剪成解说 · 第 1/4 步

Video Recap Skills 把中文视频解说拆成理解、编导、写稿、配音与合成。先从你有权使用的本地视频提取场景、对白和素材中的证据,再确定一条观众期待与主视角,只写素材或已提供背景能够支持的内容。最终可交付解说 MP4,也可另导出可编辑草稿。原片不必已经有旁白:下方用原创无对白素材比较两种叙事角度,再写一小段中文解说,把画面上写出的承诺当作还没验证的说法。另一个只有前半段素材的变体说明:素材只拍到起初尝试时,先去要缺的结尾素材,或写一版范围更窄的解说稿;已确认的方向要不要改,由创作者决定。

方法来自video-recap4 个方法文件

所属项目 Video Recap Skills在 GitHub 查看源码

开始之前

  • 先在受支持的 Agent 宿主中安装并配置 Video Recap Skills;按项目页选择当前宿主的安装方式,再用该宿主打开获准视频所在工作区。下文手工命令中的 /ABS/video-recap-skills,指你安装的 skill 仓库的绝对路径。
  • 一个你拥有或获准处理的本地 .mp4、.mov、.mkv 或 .webm,以及 Python 3.10+、PATH 中的 ffmpeg 和足够的中间文件空间。烧录字幕需要 ffmpeg 的 libass/subtitles filter。
  • 远程 ASR、VLM 与默认 TTS 需要 Xiaomi MiMo API key。可用独立 key 选择 Fish Audio,或显式选择自托管 IndexTTS 端点替换 TTS;ASR/VLM 仍用 MiMo。MiMo 和 Fish Audio 是外部服务,IndexTTS 请求的数据流向取决于所选自托管端点。发送获准素材前,先查看相应服务的隐私、地区与计费条款。

操作步骤

  1. AI配音怎么做:先选自己的任务 配音把定稿文字变成声音,语音识别把已有声音转成文字。按你要完成的作品选入口:有获准使用的本地视频,想加中文解说,继续本指南;已经写好短剧角色台词,先看区分角色声音;拿不准哪里留对白、动作声或静默,哪里加旁白,先看原声与旁白分配。本指南从视频开始,先确定文案与画面中的落点,再生成声音;合成后逐段听完整句,并回看片段检查声画衔接。
  2. 先选成片形态 主入口是在已配置宿主中调用安装好的 video-recap skill(宿主若暴露该 slash 名,则用 /video-recap),再提交自然语言简报。原片时间线保持完整、只在合适位置加旁白用 full;长素材要收成短故事用 cut,它先剪片,再按剪后时间轴写稿。说明受众、时长、背景、字幕和必须保留的素材。
  3. 建立视听证据索引 理解阶段检测场景、抽取代表帧、转写对白、寻找静音窗,并融合为 timeline_fusion.json 与 agent_narration_brief.md。它只负责观察:事实与推断分开记录,证据不足就标明不确定。脚本优先入口:python3 /ABS/video-recap-skills/skills/video-understanding/scripts/understand.py /ABS/input.mp4 --work-dir /ABS/work。原片没有旁白,也可能有人物对白:有人说话时照常保留对白证据。确无对白的素材,理解脚本支持 --skip-asr;它只跳过转写,远程视觉理解照常运行,原声也保持原样。转写为空时,台词和动机仍要另找证据。
  4. 分清看见的事与画面中的主张 分别记录可见动作或可读文字、背景由谁提供,以及尚不知道什么。卡片写着“十秒展开”,只能证明卡片作出了这个承诺;演示是否达标,要另有证据。指向一个物件只说明指了哪里,人物职业、内心或“故意拆穿别人”的动机都需要另外的依据。关键画面细节要回看原片核对,因为 VLM 笔记可能漏看或看错。下方示例里的证据笔记是虚构的教学材料。
  5. 先定角度,再写开场 阅读 brief、contact sheet、frame facts 与 ASR,确定观众期待、POV、戏剧问题、情绪终点和暂缓揭示的信息。首次创作比较可成立的故事结构;用户已给方向时忠实落实。把选定主线和“发生了什么变化”的 beats 写进 recap_story_plan.json。只比较素材能支持的角度。下方既可跟随承诺的改写,也可跟随让演示继续的可见动作;两者都不能直接写成“骗局被揭穿”。缺少后续结果时,先指出缺口,结局留给真实素材。可以提出较窄的观众期待或说明边界;方向已固定时,替换前应由创作者决定。
  6. 分配画面、原声与旁白 在 visual_audio_board.json 中为每个 beat 记录画面任务、关键反应或表演、入出点理由、原声锚点和 audio_owner。强对白、动作声或沉默可以独占一拍,不必强铺旁白。cut 模式先写 clip_plan.json;edited_source.mp4 生成后,再看剪后故事板并按输出时间写稿。
  7. 写有证据的中文解说 只有一段旁白承担 context、causal_link、foreshadow、interpretation 或 transition 时才写。画面已经说清楚的事不要复述。人物名、动机、关系和结果必须来自画面、ASR、可靠背景或用户上下文,不能把背景资料伪装成当前镜头事实。每段写成可连续朗读的完整意思,并保住原声句界。
  8. 短审文案,再配音合成 复核每个 beat 是否改变认知、权力、目标、关系、情绪或风险,只听声音能否懂主线,以及有没有无依据断言。想在 TTS 前人工审阅,就走阶段入口:video-understanding 后调用 video-script,检查计划与旁白,再执行 python3 /ABS/video-recap-skills/skills/video-script/scripts/validate.py --work-dir /ABS/work --mode full;通过后才运行各 skill 目录中的 voiceover.py 与 assemble.py。cut 的输出时间轴校验由编排器选择对应模式。
  9. 从已生成的文件继续 通常由已安装 skill 处理内部交接。若要用脚本明确控制 cut 流程,先执行 python3 /ABS/video-recap-skills/skills/video-recap/scripts/recap.py /ABS/input.mp4 --work-dir /ABS/work --edit-mode cut --target-duration 6m。它在分析后退出,把分析结果交给 Agent 的写稿阶段;默认流程由 Agent 接着写稿,无需人工批准。所需 clip plan 或 narration 写好后原样重跑该命令,manifest 会拒绝不匹配的源视频或设置。若选择了阶段审阅,先审完再重跑。已有 timeline.json 后再看草稿导出指南。

示例

示例

下面是一份原创建议简报,适用于把已安装 skill 暴露为这个 slash 名的宿主(否则在宿主中选择或点名 video-recap)。路径与时间戳都是示意占位:

/video-recap 把 /ABS/interview.mov 用 cut 模式做成约六分钟中文解说。我已获准使用录像。让观众看清嘉宾自信的发布承诺怎样在演示失败后变化。失败前跟随嘉宾视角,之后转向工程师反应。完整保留 18:40–19:05 原声,不铺旁白。只使用可见动作、转写对白和我的背景;身份不确定就标明。先建立证据索引与故事/声音方案,再写简洁口语。成片烧录字幕,并保留 timeline.json 以便之后导出草稿。

原创编辑示例——没有对白的展架演示 这是另一个虚构教学案例,与上方的访谈简报无关。A–E 是按原片顺序排列的编辑标签。

创作者提供的背景:物件是一副折叠展架。人物姓名、职业、关系、产品规格和前史都未知。示意素材没有旁白、没有对白,但有环境声和扣件声,它们按原声保留。

按原片顺序记录证据 A. 人物甲把写着“十秒展开”的卡片放在收拢的展架旁。它只建立了一个书面承诺,此时还没有任何实测。 B. 甲拉了两次,展架没有展开。只记下这一点;展架是否坏了、甲是否早知道会失败,都未知。 C. 人物乙指向仍扣着的运输带,甲解开扣件。指向动作可见;乙是工程师、上司,还是有意揭短,都尚未成立。 D. 与 C 连续的同一镜头中,甲随后把展架打开。素材展示的只是这一次的先后过程,其中没有重新计时、检验十秒承诺的尝试。 E. 甲在卡片上划掉“十秒”,写上“先解运输带,再展开”。可确认的是文字被改写;甲是羞愧、愤怒还是松了一口气,都未知。

两个有依据的叙事角度 1. 跟随甲与卡片:一句速度承诺,怎样变成一个准备步骤?开头保留 A,结尾保留 E,用 B–D 连接其间发生的事。兑现的是可见承诺的变化,旁白不评判人物品行。 2. 跟随乙指出的细节:这次卡住的演示,经过哪个可见动作继续下去?重点保留运输带尚扣着、解扣、随后展开的顺序。这能突出这一次演示的操作过程。 本次编辑简报选 1:卡片前后变化,让结尾有具体答案。2 仍是可选方案,有自己的钩子。“专家当场揭穿蓄意骗局”站不住:它额外编出了职业、意图与指控。

一版简短中文稿 开场,围绕 A,提出结尾会回答的问题: “先记住卡片上的‘十秒’。演示结束时,再看这个承诺留下了什么。”

中段 B–D,不另加一句。让未能展开、指向、解扣与展开按顺序播出,手部动作和扣件声交给画面与原声,不逐一口播,也不配虚构对白。本剪法让 C 与 D 保持同一段连续镜头,不在两者之间下剪,观众能自己确认解扣和展开之间发生了什么。

结尾,在 E 之后,分清已见结果与未验证的承诺: “现在卡片写的是‘先解运输带,再展开’,原来的‘十秒’被划掉了。十秒到底能不能做到,素材并没有重新计时的结果。”

开场引导观众留意 E 确实改写的承诺;结尾说明素材还留着哪个问题。中间不必每个动作都配一句话。这些句子属于文案与编辑方案,要在素材里找到实际的时间窗口、核对朗读时长后,才写进 narration.json。

容易写出、但没有依据的版本 “他明知展架坏了还在吹嘘,工程师当场拆穿骗局,修好以后终于兑现十秒承诺。”知情欺骗、工程师身份、修理行为、成功计时,A–E 里一样都没有。句子前面加上“也许”,这些情节照样没有依据。删掉这些主张,保留可见过程和较窄的结果。同样,如果真实素材只有 A–B,就别借本示例的 C–E 替它补完结局。

只有 A–B 时:保留证据缺口,获准后再缩窄承诺 这是另一个独立的原创编辑变体。此次提供的素材到两次没有拉开为止;即使上方完整教学例子写了 C–E,对这次剪辑而言,它们仍未知。

先分清要做哪件事: - 保留已经选定的“卡片承诺前后变化”主线。它需要可读的改后卡片,以及其间展开过程的证据。先列出缺失的来源位置或补要素材,承诺的结尾等证据到了再写。如果方向已固定,较窄的观察短片只作备选建议,由创作者决定是否采用。 - 经创作者同意,改做只说明现有画面交代了什么的短片。承诺变成“这段能确认哪些尝试”,“问题怎样解决”“卡片最后写了什么”都移出承诺。保留 A–B 的顺序,从开头就交代范围。

针对较窄版本的一段中文稿: “卡片写着‘十秒展开’,这里能看到的是两次没有展开的尝试。原因是什么、后来有没有打开,这段素材没有给出答案。”

这段话指出卡片主张与现有记录的边界。让两次尝试在画面上看得清,不必每拉一下再配一句。两次没拉开,十秒承诺仍未经过检验。在素材中找到合适的朗读窗口后,再安排这句旁白。

C 的指向、运输带与扣件声,D 的展开,E 的划字,都不要借进这个变体。标题和开头只承诺现有结尾能回答的问题,不写“看到最后揭晓真相”。回放的是同一次拉动,尝试仍是两次;要用回放,就明确标注。

素材没给后续画面时,后来是否拍过、是否有人隐瞒、事情是否发生,都按未知处理。如果只是笔记不全、原片还在,先回到相应素材再加强结论。如果现有录像本身就止于 B,重做分析也补不出后续影像;保留缺口或补充材料,未知就写成未知。

针对不完整素材的有范围请求: 只使用我提供的真实前半段证据及来源位置,把后续动作与结果都当作未知。先指出我选定的观众期待还有哪一部分无法兑现。如果我要求完整的前后变化故事,就列缺失素材,停在写结尾之前;否则提出明确较窄的观察稿,并说明放弃了什么,不默默替换已确认方向。不加修理、卡片改写、对白、后续事件声音或计时结果。只做文字提案,不远程分析、不配音、不渲染。 [把教学标签换成自己的真实素材笔记与范围。]

用于自己素材的纯文字编辑请求 使用我提供的真实证据笔记与来源位置,不套用虚构的 A–E。分开观察、人物或画面中的主张、外部提供的背景和未决问题。若我还没选方向,比较两个有依据的角度,再按选定承诺给出节拍顺序与简短中文稿;已有方向就沿用。缺少必要证据索引时先列缺项,不自动调用远程分析。停在文本方案,不配音、不渲染、不加 BGM;等我选定剪法、剪后视频确实存在,再用实际输出时间映射编排旁白。

预期文件

  • 视频理解文件:scenes.json、asr_result.json、vlm_analysis.json、silence_periods.json、timeline_fusion.json 与 agent_narration_brief.md。
  • 编导交接:recap_story_plan.json、visual_audio_board.json、可选 style_card.json、narration.json;cut 模式另有 clip_plan.json 与 edited_source.mp4。
  • 交付文件:TTS WAV 分段与元数据、recap_<name>.mp4、subtitles.srt/.ass 和 timeline.json;可编辑草稿是独立的可选导出。
  • 需要具体剪辑判断时,可读原声与旁白怎样分工:原创收音机五拍示例说明何时让对白、动作声或停顿主导;audio_owner 是编导标签,实际听到的混音由写入的旁白块、原声留白与混音设置决定。

检查结果

  • 配音前抽查人名、动作、引用对白和因果是否能对回画面与 ASR,并朗读一遍旁白,确认意思完整、停顿可说。
  • 交付前以正常速度完整看一次实际成片,再只听声音一次,并检查保留原声前后的接点。自动报告用来定位候选问题,最终以实际播放为准。

来源

全部指南