video-recap-skills

中文 · English

在 claude code 仅需一句话把视频剪辑成解说视频。 本地只要 ffmpeg 加小米 MiMo Token Plan 的 API Key，不用 GPU、不用下载模型，macOS / Linux / Windows 均可运行。

演示

成片之外，还能一键导出剪映草稿手动精修，原片、解说、BGM、字幕：

这是什么

flowchart LR
    video(["视频"]) --> understand["① 理解<br/>场景 · ASR · VLM"]
    research["背景调研 · 可选"] -.-> understand
    understand --> script["② 写稿<br/>Agent"] --> voiceover["③ 配音<br/>MiMo TTS"] --> assemble["④ 组装<br/>混音 · 字幕"] --> output(["Recap"])
    understand -. 剪辑模式 · 先剪后配 .-> cut["剪辑<br/>先剪成片"] -.-> script
    classDef io fill:#4f86c6,stroke:#3a6298,color:#fff;
    classDef stage fill:#eef6ff,stroke:#4f86c6,color:#1f2937;
    classDef opt fill:#f3f4f6,stroke:#9ca3af,color:#475569;
    class video,output io;
    class understand,script,voiceover,assemble stage;
    class research,cut opt;

为什么用它

• 一个 key 跑全程。 ASR、VLM、TTS 全走小米 MiMo，本地除了 ffmpeg 没别的依赖。
• 该查资料时先查。 片名/剧情明确或 brief 提示素材偏薄时，把人物关系、剧情背景存进 background_research.json，VLM 才更容易认出谁是谁。
• 解说成块，原声也成块。 解说一段段连着讲、整块一次配音，段间留白把精彩原声整段放回满音量——大致七三开。
• 先剪后配，画面对齐。 --edit-mode cut 先把长视频剪成成片，再对着成片写解说，时间轴天然对齐。
• 多视频也能剪，分析可复用。 一次传多个视频，按 source_id 选段剪成一个成片；每个视频的分析沉淀为文件系统素材库，下次 grep 复用、不重算。
• 能接着在剪映里改。 可选导出 schema-driven 的多轨剪映草稿，原片、解说、BGM、字幕各占一轨；ffmpeg 仍是最终成片的判定标准。

安装

① 装插件——在 claude code 里添加本仓库为插件市场并安装：

/plugin marketplace add worldwonderer/video-recap-skills
/plugin install video-recap-skills@video-recap

也可以跳过命令，直接对 Claude Code 说：

安装这个插件：https://github.com/worldwonderer/video-recap-skills

② 装 ffmpeg（不用 pip install：纯标准库 + PATH 上的 ffmpeg，Python 3.10+）：

brew install ffmpeg                        # macOS
sudo apt install ffmpeg                     # Debian/Ubuntu
choco install ffmpeg                        # Windows（或 scoop / winget install ffmpeg）

字幕默认烧进画面，需要带 libass（subtitles 滤镜） 的 ffmpeg——上面这些包基本都自带。如果你的 ffmpeg 没编 libass，开跑前会立刻报错并提示（也可以加 --no-burn-subtitles 输出未遮黑条的 MP4 + .srt 外挂字幕）。用 python3 skills/video-recap/scripts/recap.py --doctor 自检。

③ 配 MiMo API Key（一个 key 同时驱动 ASR / VLM / TTS；先在 platform.xiaomimimo.com 注册获取）：

export MIMO_API_KEY=your-mimo-key
# tp-* 的 Token-Plan key 会自动连集群，可选 cn | sgp | ams：
export MIMO_TOKEN_PLAN_CLUSTER=cn

按量付费的 sk-* key 默认走 https://api.xiaomimimo.com/v1。其它都有默认值；想分别配 key/URL 或改模型、音色、响度、字幕等，可见 配置手册。

在其他 Agent 工具里用（opencode / Codex / OpenClaw）

引擎是纯 Python + ffmpeg + 一个 MiMo key，与具体 Agent 无关，所以也能在别的 Agent CLI 里跑。先备齐共同前置：PATH 上有 ffmpeg、设好 MIMO_API_KEY、Python 3.10+（同上）。

• Codex CLI（已验证）——直接读本仓库的 .claude-plugin/marketplace.json：

  codex plugin marketplace add worldwonderer/video-recap-skills
  codex plugin add video-recap-skills@video-recap
  

  （仓库 push 后可用 owner/repo 形式；本地可用 codex plugin marketplace add ./video-recap-skills。）

• OpenClaw（已验证）——直接导入 Claude 插件包。克隆本仓库后，把参数指向克隆出的目录运行：

  openclaw plugins install ./video-recap-skills
  

  6 个 skill 会成为原生、可自动触发的技能（openclaw skills list 可见）。

• opencode（按其文档，未在本机实测）——opencode 自动发现 .claude/skills / .agents/skills / .opencode/skills 下的 skill。克隆本仓库后，把 skills/ 暴露到其中之一即可：

  mkdir -p .claude && ln -s ../skills .claude/skills   # macOS / Linux
  # Windows：先建 .claude\skills 目录，再把 skills\* 复制进去
  

各 Agent 跑脚本的工作目录不一定是 skill 目录；每个 SKILL.md 顶部的「Running the scripts」说明了如何用绝对路径调起（脚本用 __file__ 自定位）。 别重复注册：同一套 skill 经多条发现路径（仓库 skills/、~/.agents/skills 拷贝、各 Agent 的安装缓存）同时注册，会命名冲突或重复自动触发——只启用一条。

怎么用

把视频丢给它，顺手给点视频背景：

给 /path/to/video.mp4 做个解说。这是《庆余年》第一集，主角是范闲。

它会分析视频、照背景写解说，产出带字幕的 recap_<名>.mp4。

把 /path/to/long.mp4 剪成十分钟左右的解说短片，字幕压进画面。

背后是编排器把几个阶段串起来跑，中间停下来让 Agent 写解说（剪辑模式会停两次：先写 clip_plan.json 挑片段，剪成成片后再对着成片写 narration.json）。第一次跑前可先自检环境：

多视频剪辑 MVP 只支持剪辑模式：

python3 skills/video-recap/scripts/recap.py ep1.mp4 ep2.mp4 --edit-mode cut --target-duration 10m --work-dir work_dir_multi_story

它会在 work_dir_multi_story/sources/<source_id>/ 分别沉淀每个源视频的理解产物，在项目级 multi_source_manifest.json 里记录 source_id → source_path，并要求 clip_plan.json 的每个片段写明 source_id。

可选素材库也是纯文件系统，方便以后 grep 复用已分析素材：

python3 skills/video-recap/scripts/recap.py ep1.mp4 --edit-mode cut \
  --material-library-dir .video-materials --save-materials

grep -R "范闲" .video-materials

python3 skills/video-recap/scripts/recap.py ep1.mp4 ep2.mp4 --edit-mode cut \
  --material-library-dir .video-materials --use-materials

素材库只保存 JSON/MD 小文件和追加式 materials_index.jsonl，不复制原始媒体、不建数据库、不做 embedding/语义搜索。

python3 skills/video-recap/scripts/recap.py --doctor

效果增强：贴源字幕与克隆音色解说

本节效果增强适配自 ops120/video-recap-skills-plus；感谢 @ops120 公开并维护该下游实现。

让新字幕贴到原视频烧录字幕的位置（自动启用该字幕带遮罩；默认 0.6 半透明且只在解说时出现，原声留白保持干净画面）：

python3 tools/measure_subtitle.py /path/to/video.mp4 --accept-detected
python3 skills/video-recap/scripts/recap.py /path/to/video.mp4 \
  --subtitle-y-top 610 --subtitle-y-bot 660

第一条命令仅依赖现有的 Python 标准库 + ffmpeg，会为每个源视频生成 .subtitle_measure/<视频名-source-id>/preview/ 网格红框预览与带来源信息的 subtitle_positions.json；不加 --accept-detected 可查看预览后手动确认坐标。坐标属于 ffmpeg 自动旋转后的显示画布，使用半开区间 [top, bot)，当前仅支持方形像素（SAR 1:1）视频，并要求底部对齐字幕（SUBTITLE_ALIGNMENT=1|2|3）。遮罩可用 SUBTITLE_MASK_OPACITY（0..1）和 SOURCE_SUBTITLE_MASK_TIMING=all|narration 调整；烧录校订版原声字幕时，对应时间窗会自动使用全不透明遮罩，避免和原片硬字幕重影。

用任意参考音频克隆解说音色（与整轨翻译的 --edit-mode dub 不同，这是给 recap 旁白换音色）：

python3 skills/video-recap/scripts/recap.py /path/to/video.mp4 --voice-ref /path/to/voice-ref.wav

参考音频仅在需要生成新 TTS 时转成一次 24 kHz 单声道 WAV，之后所有解说段复用；全量命中缓存时不转码。参考文件内容也进入 TTS 缓存指纹，替换音频后不会误用旧配音。仅在获得音色所有者授权时使用；参考音频会发送给 MiMo 服务用于合成。

英语视频→中文配音 · 保留原音色

把英文视频翻译成中文，并用原说话人的音色配音（克隆，而非固定音色），画面不变。这与「解说」不同：解说在原声上叠加中文评述，配音则把原始台词替换成忠实翻译的中文。和解说一样用自然语言触发：

把 /path/to/english.mp4 翻译成中文配音，保留原说话人的声音。

它先做英文识别、按句切分、取一段参考音，然后停下来让 Agent 逐句写中文译稿；继续运行即用 mimo-v2.5-tts-voiceclone 克隆原音色逐句配音，按原句时间轴贴合（只在会超出下一句时才压速，绝不整体提速，避免人声比画面提前结束），整轨替换后输出 dub_<名>.mp4。v1：单说话人、整轨替换（暂不保留背景音乐）。

架构

输出

• recap_<名>.mp4：成片（固定输出名，每次运行原地覆盖）。subtitles.srt（默认烧录字幕，同时产出 subtitles.ass；--no-burn-subtitles 关闭）
• work_dir/narration.json：解说脚本（narration_lint.json 时间诊断、narration_review.md 评审意见）
• work_dir/agent_narration_brief.md：给 Agent 的时间和场景 brief
• work_dir/vlm_analysis.json · asr_result.json · silence_periods.json · timeline_fusion.json：理解产物
• work_dir/clip_plan.json · edited_source.mp4 · recap_phase.json：剪辑模式产物（解说在成片时间轴上写，recap_phase.json 记录剪/配进度供断点续跑）
• work_dir/multi_source_manifest.json · work_dir/sources/<source_id>/：多视频 cut 的来源清单与每个源视频的理解产物
• <material-library-dir>/materials/<material_id>/material.json|material.md · materials_index.jsonl：可选素材库，方便 grep -R 查找/复用已分析素材
• work_dir/timeline.json · work_dir/assembly_manifest.json · tts_segments/ · tts_meta.json：多轨时间线、渲染记录与 TTS 音频

自带原声字幕（可选，更准）

解说块之间的原声留白会把【原声台词】烧成字幕（用 「」 和解说区分开）。默认这份字幕由 Agent 校对、ASR 兜底——但 ASR 时间偏粗，偶尔会和原声对不上。想要更准，直接放一份字幕文件到 work_dir，它会作为首选来源：

• work_dir/user_subtitles.json：[{"start": 秒, "end": 秒, "text": "台词"}]，按成片时间轴直接使用；或包一层 {"timeline": "source", "lines": [...]} 用原片时间轴，系统按剪辑计划自动映射到成片。
• work_dir/user_subtitles.srt / .ass：默认按原片时间轴解析并映射到成片。

优先级：你的字幕文件 › Agent 校对的 original_subtitles.json › ASR 兜底。来源准确时按句精确落到对应留白，不再用粗略的估时。

参考文档

• 各 skill 的契约：每个 skills/<skill>/SKILL.md（写作规则在 video-script 的 SKILL.md 里）
• 数据结构 · 配置手册 · 多轨时间线 / 剪映导出
• 背景调研指南 · VLM prompt 模板

致谢

• linux.do
• 剪映草稿导出参考了 pyJianYingDraft、capcut-mate（均 Apache-2.0）的草稿结构。
• 剪映导出的 schema / builder / writer 分层参考了 duoec/duo-video 的设计思路。

许可

MIT，见 LICENSE。