Auto Video Editing（自动视频剪辑）
根据语音内容，将口播/脱口秀类视频按句子自动切分，然后按用户选择合成带字幕的最终视频。
Prerequisites（前置要求）
在执行任何操作之前，先运行环境检测：
python3 scripts/utils.py
这会自动检测平台（macOS/Linux/WSL/Windows）、GPU 类型、可用编码器、Whisper 引擎，并给出诊断报告。
如果缺少依赖，提示用户安装：
- ffmpeg:
brew install ffmpeg（macOS）或 apt install ffmpeg（Linux/WSL）或下载 Windows 版本
- whisper:
pip install faster-whisper（推荐，速度快 4 倍）或 pip install openai-whisper
- 中国用户加速安装：
pip install faster-whisper -i https://pypi.tuna.tsinghua.edu.cn/simple
如果项目根目录有 .venv 虚拟环境，运行 Python 脚本前先激活：
source .venv/bin/activate # macOS/Linux/WSL
# Windows: .venv\Scripts\activate
平台说明
- macOS (Apple Silicon): 自动使用 VideoToolbox 硬件编码加速，Whisper 推荐 large-v3-turbo 模型
- macOS (Intel): 使用 VideoToolbox 编码，Whisper 使用 CPU 模式
- Linux: 自动检测 NVIDIA GPU (NVENC)、Intel QSV、AMD AMF
- WSL: 支持，自动检测 Windows 字体路径 (
/mnt/c/Windows/Fonts/)
- Windows: 建议使用 WSL2 环境运行；支持 QSV/AMF 硬件编码
- 无独显 (集成显卡): Intel iGPU 使用 QSV 编码，AMD iGPU 使用 AMF 编码；Whisper 建议 medium 模型（而非 large）
- 中国用户: 自动检测中国区域，使用清华 pip 镜像和 HuggingFace 镜像下载模型，也可通过
--mirror 参数强制启用
Workflow（工作流程）
Phase 1: Audio Extraction（音频提取）
对每个输入视频文件，使用 extract_audio.py 提取音频：
python3 scripts/extract_audio.py "<video_path>"
输出：与视频同目录下的 <video_name>_audio.wav 文件。
Phase 2: Speech Recognition（语音识别）
使用 transcribe.py 对音频进行语音识别，生成带时间戳的逐句文本：
python3 scripts/transcribe.py "<audio_path>" --model auto --language zh
--model auto：根据硬件自动选择最佳模型（NVIDIA GPU → large-v3，Apple Silicon → large-v3-turbo，集成显卡 → medium，纯 CPU → small）- 也可手动指定：
tiny, base, small, medium, large-v3, large-v3-turbo
--engine auto：自动检测 faster-whisper（推荐）或 openai-whisper--mirror：中国用户使用镜像源下载模型--language：zh（中文），en（英文），ja（日文）等，也可省略让 whisper 自动检测
输出：与音频同目录下的 <video_name>_transcript.json 文件，格式如下：
{
"segments": [
{"id": 1, "start": 0.0, "end": 2.5, "text": "大家好"},
{"id": 2, "start": 2.5, "end": 5.1, "text": "今天我们来聊一个话题"}
]
}
转录后检查：如果文本中有明显的识别错误（如产品名、专有名词），应修正 transcript.json 中的文字后再进行后续步骤。
Phase 3: Video Splitting（视频切分）
使用 split_video.py 根据转录结果将视频切分为独立片段：
python3 scripts/split_video.py "<video_path>" "<transcript_json_path>"
输出：在视频同目录下创建 <video_name>_clips/ 文件夹，包含按句子编号命名的片段文件，如 clip_001.mp4, clip_002.mp4 等。
注意：
- 默认 padding 为 0（片段间无重叠），避免合成时出现重复音频。
- 使用精确重编码切割（
-ss 后置 + re-encode），确保音频在句子边界精确切断。
Phase 3.5: Subtitle Burning（字幕烧录）
使用 burn_subtitles.py 为每个片段烧录字幕：
python3 scripts/burn_subtitles.py "<clips_dir>" "<transcript_json_path>"
字幕行为：
- 自动检测语言：中文内容自动使用中文字幕，英文内容使用英文字幕。
- 自动折行：长字幕自动分成两行，不会超出屏幕边界。
- 竖屏优化：字体大小按短边（宽度）缩放，字幕位置在画面 72% 高度处，适配小红书等竖屏平台。
- 中文字体优先级：
- 首先尝试从 Google Fonts 下载 Noto Sans SC（会缓存到 skill 的
fonts/ 目录）
- 如果下载失败，macOS 使用 PingFang SC（苹方）；Windows 使用 Microsoft YaHei（微软雅黑）
- 可用
--font-path 指定自定义字体文件
- 可用
--font-size 调整字号（默认 48，基于 1080p 自动缩放）
输出：<video_name>_clips_subtitled/ 目录，包含带字幕的片段。
注意：此步骤完成后，Phase 4-5 中应使用 _clips_subtitled/ 目录而非 _clips/ 目录。
Phase 4: User Interaction（用户交互）
展示片段列表给用户，格式如下：
视频片段列表：
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
# | 时间区间 | 内容
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
1 | 00:00.0 - 00:02.5 | 大家好
2 | 00:02.5 - 00:05.1 | 今天我们来聊一个话题
3 | 00:05.1 - 00:08.3 | 这个话题非常有意思
...
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
请选择要合成的片段（示例）：
- 连续范围：1-10
- 多个片段：1,3,5,7
- 混合选择：1-4,6,8-10
如果有多个视频文件，分别展示每个视频的片段列表，让用户跨视频选择。
选好后可将来自不同视频的片段复制到同一个临时目录中，按顺序重新编号后合成。
等待用户回复选择后，进入 Phase 5。
Phase 5: Merge & Export（合成导出）
使用 merge_clips.py 将用户选择的片段合成为最终视频：
python3 scripts/merge_clips.py "<clips_dir>" --select "1-4,6,8" --output "<output_path>"
--select：用户选择的片段编号，支持 1-4（范围）、1,3,5（逐个）、1-4,6,8-10（混合）。--output：输出文件路径，默认为 <clips_dir>/../<video_name>_final.mp4。
输出：合成后的最终视频文件。
Phase 6: Cover Generation（封面生成）
合成完成后，为视频生成封面图片。
交互流程：
- 询问用户是否要为视频命名以及封面标题怎么写。
- 如果用户提供了标题，直接使用该标题。
- 如果用户没有特别要求，先从 transcript JSON 中读取所有句子文本，然后 站在观众的角度 总结出一个吸引人的封面标题：
- 标题应简短有力（建议 6-15 个字）
- 从观众视角出发，突出视频的核心看点或价值
- 例如：「3 分钟学会拍小红书封面」而非「我今天教大家拍封面」
- 确认标题后，使用 generate_cover.py 将封面写入视频：
python3 scripts/generate_cover.py "<final_video_path>" --title "封面标题文字" --transcript "<transcript_json_path>"
--title：封面上显示的标题文字--transcript：转录 JSON 路径（当未提供 --title 时，脚本会输出全文供 AI 总结）--font-path：可选，指定自定义字体--output：可选，指定输出路径，默认为 <video_name>_with_cover.mp4
注意：
- 封面标题会自动过滤特殊字符和 emoji，避免乱码。
- 脚本会提取视频第一帧，叠加白色粗体标题文字（带黑色描边和阴影），然后将这一帧替换回视频的第一帧，生成新的视频文件。原视频不会被修改。
- 中文字体使用与字幕相同的查找逻辑（Google Noto Sans SC > 系统字体）。
输出：<video_name>_with_cover.mp4
Phase 7: Chapter Timeline Bar（章节时间轴）
为最终视频添加可视化的章节进度条。
使用 add_chapter_bar.py 在视频上叠加章节时间轴：
python3 scripts/add_chapter_bar.py "<video_path>" --transcript "<transcript_json_path>"
自动行为：
- 根据 transcript 自动将视频分为若干章节（每章约 15-30 秒，最多 8 章）
- 每章使用不同颜色的色块，带白色播放进度指示
- 章节切换时自动显示章节标题（3 秒后淡出）
- 横屏视频：时间轴在视频底部，章节标题在时间轴上方
- 竖屏视频：时间轴在视频顶部（避开底部平台 UI），章节标题在时间轴下方
也可以提供自定义章节 JSON：
python3 scripts/add_chapter_bar.py "<video_path>" --chapters chapters.json
chapters.json 格式：
{
"chapters": [
{"title": "开场", "start": 0.0, "end": 15.0},
{"title": "正题", "start": 15.0, "end": 60.0}
]
}
参数说明：
--transcript：从转录 JSON 自动生成章节--chapters：使用自定义章节 JSON--style color（默认）：彩色分段，每章不同颜色--style mono：单色风格，灰白交替，更简约--max-chapters：自动分章的最大章节数（默认 8）--font-path：自定义字体--output：输出路径，默认为 <video_name>_chapters.mp4
输出：<video_name>_chapters.mp4，同时在终端打印 YouTube 兼容的章节时间戳。
Phase 8: Post-merge Validation（合成后验证）
合成完成后，对最终视频执行一次验证流程：
- 提取最终视频的音频
- 重新进行语音识别
- 检查识别结果中是否存在相邻片段的文字重复（前一句末尾 2-3 个字与后一句开头重复）
- 如发现技术性重复（非自然语言重复），需要回到 Phase 3 重新切分相关片段
Important Notes（注意事项）
- 精确切割：视频切分使用重编码模式（非 stream copy），确保音频在句子边界精确切断，避免相邻片段出现重复的尾音。
- 多视频处理：如果用户提供多个视频，对每个视频独立执行 Phase 1-3.5，然后在 Phase 4 统一展示所有视频的片段列表，支持跨视频混合选择片段。
- 识别模型选择：中文视频建议使用
large 模型，base/small 模型中文识别率较低。large 模型约需 2.9GB 下载空间。
- 工作目录：所有中间文件（音频、转录、片段）都保存在视频文件所在目录下，便于管理。
- 错误处理：如果某一步失败，向用户报告具体错误信息，并建议可能的解决方案。
- 字幕字体：ffmpeg 需要编译包含
libass 和 libfreetype。macOS 可通过 brew install ffmpeg 获取。
- 竖屏适配：字幕位置和字体大小已针对 9:16 竖屏视频（如小红书、抖音）优化。横屏视频同样支持。
- 速度调整：如需调整播放速度，可使用 ffmpeg：
ffmpeg -i input.mp4 -filter_complex "[0:v]setpts=PTS/1.25[v];[0:a]atempo=1.25[a]" -map "[v]" -map "[a]" -c:v libx264 -preset fast -crf 18 -c:a aac -b:a 192k output_1.25x.mp4
FAQ / Troubleshooting（常见问题诊断）
遇到错误时，先运行环境诊断：
python3 scripts/utils.py
Q1: No such filter: 'drawtext' 或 No such filter: 'ass'
原因：ffmpeg 编译时未包含 libfreetype（drawtext 所需）或 libass（字幕所需）。
诊断：
ffmpeg -hide_banner -filters 2>/dev/null | grep -E "drawtext|ass|subtitles"
如果无输出，说明缺少对应滤镜。
解决：
Q2: Undefined constant or missing '(' in 'iw*0.5-tw/2'
原因：ffmpeg drawtext 的 x 表达式中使用了 tw（text width），但某些 ffmpeg 版本中 tw 在 x 参数的上下文中不可用。
解决：脚本已修复此问题（使用像素值 {pixel_x}-text_w/2 代替 iw*{frac}-tw/2）。如果你修改了脚本并遇到此错误，请使用 text_w 而非 tw，并确保 x 表达式中不包含 iw* 动态计算。
Q3: Invalid alpha value specifier '%{eif:...}' (drawtext fontcolor)
原因：试图在 fontcolor 参数中嵌入 %{eif} 表达式来实现透明度渐变，但 ffmpeg 不支持在颜色值中使用此语法。
解决：使用 drawtext 的 alpha 参数（独立于 fontcolor），而非试图在 fontcolor=white@'%{eif:...}' 中嵌入表达式。正确写法：
drawtext=text='hello':fontcolor=white:alpha='if(lt(t,1),t,1)'
错误写法（会报错）：
drawtext=text='hello':fontcolor=white@'%{eif:if(lt(t,1),t,1):d:2}'
Q4: ffmpeg 硬件编码器失败 (h264_videotoolbox / h264_nvenc / h264_qsv 报错)
原因：检测到的硬件编码器不支持当前的视频参数（如特殊分辨率、色彩空间），或驱动版本不兼容。
诊断：
ffmpeg -encoders 2>/dev/null | grep -E "nvenc|videotoolbox|qsv|amf"
解决：在脚本命令后添加 --force-cpu 参数（如脚本支持），或手动替换编码参数。也可以在 scripts/utils.py 中临时修改 get_ffmpeg_encoder() 函数，让它直接返回 ("libx264", ["-preset", "fast", "-crf", "18"])。
Q5: 中文字幕显示为方框（豆腐块）
原因：系统中没有可用的中文字体文件。
诊断：
python3 -c "from scripts.utils import find_chinese_font; print(find_chinese_font())"
如果返回 (None, ...)，说明未找到中文字体。
解决：
Q6: Whisper 模型下载失败 / 超时
原因：网络问题，尤其是中国用户无法访问 HuggingFace。
解决：
Q7: pip install faster-whisper 安装失败 / 超时
解决：中国用户使用清华镜像：
pip install faster-whisper -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn
Q8: WSL 环境下 ffmpeg 找不到或版本过旧
诊断：
which ffmpeg && ffmpeg -version | head -1
解决：
sudo apt update && sudo apt install ffmpeg
如果系统源的 ffmpeg 版本过旧（< 4.0），使用 PPA：
sudo add-apt-repository ppa:savoury1/ffmpeg4
sudo apt update && sudo apt install ffmpeg
