视频字幕拼图

先确认用户想要的字幕模式，再判断素材是否支持。不要把两种模式混为一种，也不要默默从原生字幕切到绘制字幕。

开始时确认模式

如果用户没有明确指定模式，先用用户当前使用的语言询问，并简短说明两种选择。中文提问可直接使用：

您当前是选择原生字幕还是脚本字幕？原生字幕会保留视频画面里已有的字幕，不重绘文字；脚本字幕会把您确认过的台词或翻译后期绘制到真实视频帧上，并标明是后期字幕。

用户已明确说“原生字幕”“保留画面原字幕”“不重绘字幕”，或“脚本字幕”“把指定台词/翻译绘制到画面上”时，按其选择继续，不重复询问。用户尚未选择时，可以只读检查素材以说明哪种模式可行，但不要执行模式专属的渲染；等用户选择后再继续。若所选模式与素材不匹配，说明具体原因并征求用户是否改选，不能自行切换。

非阻塞版本检查

每个新任务开始、处理素材之前运行一次：

python3 "<SKILL_DIR>/scripts/check_update.py" --json

• 脚本从 Skill 内的 VERSION 读取本地版本，只访问本项目的 GitHub Latest Release；默认 24 小时内复用一次缓存。
• 结果为 update_available 时，用一句话告诉用户当前版本、最新版本和 Release 链接，然后继续当前任务。只提醒，不自动更新、不覆盖本地 Skill。
• 结果为 up_to_date 时无需打扰用户。结果为 unavailable 时也不要阻塞当前任务；若只是运行环境禁止联网，可申请对 GitHub API 的只读访问并用 --force 重试一次，未获授权就继续任务。
• 缓存只包含检查时间、最新版本号和 Release 链接，不写入仓库，也不记录账号、素材或使用行为。

模式路由

条件	模式	成品文字来源	命令
关闭播放器 CC 后，截图里仍有字幕；用户要求保留原字幕	原生字幕模式	视频画面像素	render
视频没有需要的烧录字幕，但用户要求把经确认的台词、翻译或观点排成案例风格	脚本字幕模式	已审核 JSON 中的 text	render-script

• 原生模式不得 OCR 后重绘、翻译、改写或覆盖字幕。
• 脚本模式必须明确称为“脚本字幕”或“后期绘制字幕”，不得宣称文字是画面原字幕。
• 脚本台词必须能回到原视频、用户稿件或其他明确来源复核；不编造人名、数据、引语或翻译含义。
• 用户只说“保留原字幕”时，不能因为原字幕难处理就转脚本模式。

按任务读参考文件

• YouTube 等 URL：先读 references/yt-dlp-and-transcripts.md，获取用户有权处理的视频、元数据和辅助时间轴。URL 任务不能在一次公开请求失败后直接退回“只支持本地视频”：若 YouTube 返回机器人登录验证、年龄验证或用户自己的非公开视频限制，先说明原因并取得授权，再按参考文件用 yt-dlp --cookies-from-browser chrome 继续。字幕和视频分两条命令下载；下载前用 yt-dlp -F 枚举变体并按 AV1 → VP9 → H.264 择优，下载后必须运行 native_subtitle_stitch.py check-source VIDEO --min-height 720（解码前 N 秒无错误、分辨率达标）才能继续；视频报 HTTP 403 或自检失败时按参考文件的格式回退表逐级换变体，低于 720p 的级别须先征得用户确认，每次尝试记入 download-attempts.log；字幕报 429 时缩减语言并放慢请求，都不要无限重试。
• 读长视频 → 选题 → 写文章/帖子 → 配图：读 references/end-to-end-workflow.md。
• 台词条太高、间隔太宽、缺少美感：读 references/visual-style.md。
• 报错、出图异常或结果不对：先查 references/troubleshooting.md，按「症状 → 先查什么 → 怎么处理」逐项排查。
• 本地短视频且时间点已确定：直接执行下面的核心流程。

环境与路径

将 <SKILL_DIR> 解析为当前 SKILL.md 所在目录的绝对路径；不要假设 Agent 的工作目录就是 Skill 目录。

# 本地原生字幕
python3 "<SKILL_DIR>/scripts/check_environment.py"

# 中日韩脚本字幕
python3 "<SKILL_DIR>/scripts/check_environment.py" --script-mode

# URL + 脚本字幕
python3 "<SKILL_DIR>/scripts/check_environment.py" --url-mode --script-mode

核心依赖为 Python 3.10+、Pillow，以及 FFmpeg 或 imageio-ffmpeg。URL 模式另需 yt-dlp 和 YouTube 完整解析所需的 JavaScript runtime。环境检查只报告状态；缺失时先说明用途并取得授权，再运行：

python3 -m pip install -r "<SKILL_DIR>/requirements.txt"

不擅自修改系统 Python、shell 配置、浏览器 Cookies 或包管理器。Chrome Cookie 只是在无 Cookie 请求被 YouTube 登录验证拦截后的受控恢复路径；首次读取前必须说明用途并取得用户授权。

共同的默认版式

• 原生字幕默认使用内容自适应布局：保留源宽度，高度为主图和字幕条之和，整图统一等比缩放。用户未指定比例时，不主动添加 --aspect 3:4。
• 脚本字幕默认输出 3:4、1440×1920。
• 默认使用 5 个严格递增的时间点：第一帧是主画面，其余四帧是字幕条。
• 两种模式每张图最多 7 个时间点（1 个主画面 + 6 个字幕条）；台词更多时拆成多张图，不压缩字幕条。
• 脚本固定布局的 4 个字幕条时，主画面约占 70%，每条约占 7.5%。原生模式不强制这个比例，第一句和后续字幕必须保持同一缩放倍数；原视频字号不同则保留差异，不重绘文字。两种模式条间距都为 0。
• 可选 render-script --six-line-card 使用 6 个严格递增的时间点：首句画在主画面底部，其余 5 句各占连续字幕条；固定 3:4 布局，1080×1440 时主画面 870px、每条 114px，六句行距一致。原版默认布局不变。
• 原生模式显式 --aspect 3:4 或 --layout fixed 时，默认 --fit crop：自动识别每句字幕左右边界，对整张拼图统一裁去两侧，最多裁到字幕安全边界，剩余差额留黑边；任一句识别不到字幕边界时不裁切、整图留边。人物偏离中心时用 --crop-center（0–1）移动裁切窗口；用户要求不裁画面时用 --fit pad。不得单独放大主图来填满。--hero-fraction 只调整源主图裁切高度，受真实帧高度限制，不保证占最终含边画布的该比例。脚本模式只有自动布局确实不适用时才传它。
• 不覆盖已有成品。只有用户明确要替换时才添加 --overwrite。
• 受限环境（沙箱、企业策略）下系统 Temp 不可写时，给 sample / band / render / render-script 加 --tmp-dir <可写目录>，或设置环境变量 NSQI_TMP_DIR（参数优先）；默认仍用系统临时目录。目录不存在或不可写会直接报错，抽帧临时文件用完即删。
• 批量 render 默认遇到失败就中止。需要容错时加 --keep-going：单张失败不影响其余，结束时输出失败清单（序号、时间点、原因）并写入 渲染失败报告.json，退出码非零且不生成总览图。向用户报告失败清单，修正 manifest 后加 --resume 只补渲缺失或损坏的卡；已有效的图即使 manifest 改了也不会重渲（要重渲先删掉对应图），总览图和时间点文件会重新生成。
• 渲染器遇到重复画面会中止：所有时间点画面几乎相同（疑似静态封面视频或画面冻结），或原生模式相邻字幕条几乎相同。先用 sample 核对画面并向用户说明；不要为了出图直接加 --allow-duplicate-frames，只有用户确认确实需要时才加。
• 源视频低清时可输出 1440×1920 版面，但必须说明这不等于真实清晰度提升。

保留画面原比例

“人物原比例 / 不裁横屏 / 原生尺寸”是画面几何要求，不等于选择原生字幕模式。字幕来源仍按用户的选择处理。

• 用户要求保留完整横屏构图时使用 --layout natural：保留源宽度，高度按主画面与字幕条相加；不再强制 3:4。
• 不传 --width 时保留源宽度；传入宽度时仅等比缩放。裁切后禁止把画面 resize 回原来的宽高，也禁止把成品直接拉成 1440×1920。
• 原生字幕模式保留从画面顶部到 --band-bottom 的主图和完整字幕条；不重绘文字。
• 脚本字幕模式可用 --frame-top / --frame-bottom 仅裁去不需要的源画面区域，默认保留全帧。先预览边界，不能裁掉人物关键部位；--band-center 相对裁切后的画面。
• natural 不与 --aspect / --hero-fraction 合用；70% 主图验收只适用于脚本固定布局。两种布局都不得非等比拉伸。
• 选源优先多机位、景别有变化的视频；固定单机位（大师课、网课式录制）是高风险素材，六张主图容易几乎一样。确需使用时可传 --hero-zoom 1.0,0.9,0.95（render 与 render-script）：逗号分隔的每卡主图缩放系数，范围 0.8–1.0，按卡循环，默认不启用且输出不变。它只裁掉更多主图画面再放大，不改字幕条、文字、条间距和 --six-line-card 几何；原生模式的裁切窗口不进入字幕条。源清晰度不足时主图会更模糊，不等于真实清晰度提升。render-script 只出一张图，取第一个系数。
• 缓解手机上的拥挤感可选 --strip-gap N（条间黑色呼吸缝，0–8px，默认 0）与 --hero-divider line（主图与字幕条之间插入 2px 细分隔线，默认 none），render 与 render-script 均支持。二者只新增背景像素，不覆盖或重绘任何画面，原生字幕仍只经历整图统一缩放；脚本固定画布总尺寸不变，字幕条相应变矮；与 --six-line-card 不兼容（固定几何）。

python3 "<SKILL_DIR>/scripts/native_subtitle_stitch.py" render-script VIDEO \
  --script script.json --out natural.jpg --layout natural \
  --frame-bottom 0.72

上例 0.72 只是裁切示例，不是所有视频的默认值。

共同前半流程

1. 检查来源与字幕类型

确认本地视频或 URL，素材使用权，视频时长、语言和目标图片数。用真实截图判断字幕是烧录字幕还是独立字幕轨，不能只看是否下载到 VTT/SRT。

时间点不明时，先生成候选帧总览：

python3 "<SKILL_DIR>/scripts/native_subtitle_stitch.py" sample VIDEO \
  --out candidate-contact-sheet.jpg

已有文字稿候选时间点时，围绕每个点生成前、中、后三帧：

python3 "<SKILL_DIR>/scripts/native_subtitle_stitch.py" sample VIDEO \
  -t 61.2 -t 68.9 -t 74.5 -t 82.0 -t 88.4 \
  --around 0.8 --out focused-candidates.jpg

2. 选主题与稳定帧

一张图只表达一个连贯观点。候选句需要语义递进，并且每个时间点都能回到视频验证。避免空字幕、同句重复、字幕切换残影、转场、黑帧、广告贴片、播放器 UI 和人物闭眼。

主图（每张图的第一个时间点）由你来选，渲染器不识别人脸、也不自动挑帧，manifest 或 lines JSON 写的是哪个时间点就用哪一帧：

• 固定主图时间点：选定后把时间点直接写进 manifest 或 JSON，渲染前用 sample -t 时间点 --around 0.8 回看前后画面，确认主体是说这句话的人、构图完整、没有闭眼或动作模糊。
• 高风险素材：两人并排的宽景对谈、主持人与嘉宾同框的节目，主图很容易落在主持人或画面另一侧的人身上。优先找说话人的单人近景；整段都没有时，向用户说明，不要拿错的人凑数。
• 固定机位素材：一套图的主图容易几乎一模一样。先用 sample 看整段有没有景别或动作变化，尽量为每张图挑不同的画面；源视频只有一个机位时，向用户说明这是素材限制。
• 第三方水印、台标、角标：默认保留，不遮盖、不模糊、不涂抹，交给用户决定。用户在意时只能换时间点，或在用户同意后调整裁切位置避开。

多人对话与访谈

渲染器只按时间点顺序拼图，不识别谁在说话；字幕条只裁画面底部，读者会默认整张图都是主画面人物说的。访谈、播客、对谈、辩论等多人素材必须先做说话人区分，再选句：

1. 先标说话人：YouTube 字幕轨和普通 Whisper 文字稿都不带说话人。有说话人分离（diarization）的转写就使用它；没有时，在文字稿里逐句写上说话人，并用 sample -t ... --around 0.8 回看画面（口型、机位、画面内名牌）确认。无法确认归属的句子不用。
2. 默认一张图只放一个人的话：同一说话人连续表达一个观点；主画面必须是这个人在说话的稳定帧。
3. 问答结构要明确：用户要“一问一答”时，先向用户确认结构；问与答必须在原视频中相邻，不得跳过对方插话后把两人的句子拼成一个人的观点。原生模式无法在画面上补标说话人，问答图要在交付说明里逐句写明说话人；脚本模式可在每句写 speaker 并用 --speaker-prefix on-change 在画面上标出（见 4B）。
4. 核对每个时间点的说话人：两人交替快或抢话时，同一时间点画面里的字幕可能是对方的话。逐个时间点回看完整画面，而不是只看裁出的字幕条。

原生字幕模式

3A. 预览字幕区域

单行字幕从 0.78–0.96 开始；两行字幕或位置偏高时，先预览再扩大到例如 0.62–0.96。

python3 "<SKILL_DIR>/scripts/native_subtitle_stitch.py" band VIDEO -t 61.2 \
  --band-top 0.78 --band-bottom 0.96 --out band-preview.jpg

4A. 建立 manifest 并渲染

{
  "images": [
    {
      "title": "模型独立工作时长正在快速增长",
      "times": [61.6, 69.3, 75.0, 82.4, 88.8]
    }
  ]
}

python3 "<SKILL_DIR>/scripts/native_subtitle_stitch.py" render VIDEO \
  --manifest manifest.json --out-dir OUTPUT_DIR \
  --band-top 0.78 --band-bottom 0.96

title 只用于文件名，不画进图片。times 必须来自已回看的稳定帧。输出包含逐张 JPG、原生字幕时间点.json 和 final_contact_sheet.jpg。

脚本字幕模式

3B. 建立已审核的时间点 + 台词 JSON

{
  "lines": [
    {"t": 61.6, "text": "第一句已核对台词"},
    {"t": 69.3, "text": "第二句已核对台词"},
    {"t": 75.0, "text": "第三句已核对台词"},
    {"t": 82.4, "text": "第四句已核对台词"},
    {"t": 88.8, "text": "第五句已核对台词"}
  ]
}

• t 必须严格递增且小于视频时长。
• text 必须是已核对的单行台词；过长时拆句，不靠极小字号硬塞。
• 翻译台词要先核对含义、人名、数字和专有名词。
• 第一帧优先表情、手势和构图，其余帧优先台词连贯与背景可读性。

4B. 渲染脚本字幕

python3 "<SKILL_DIR>/scripts/native_subtitle_stitch.py" render-script VIDEO \
  --script script.json --out OUTPUT.jpg \
  --aspect 3:4 --width 1440

可选六句卡（脚本字幕）：准备 6 句已核对、时间点严格递增的 script.json，然后运行：

python3 "<SKILL_DIR>/scripts/native_subtitle_stitch.py" render-script VIDEO \
  --script script.json --out six-line.jpg \
  --six-line-card --aspect 3:4 --width 1080

此预设默认在源画面高度的 60% 处取字幕条；必要时仍可用 --band-center 调整。它不接受 --hero-fraction，因为主画面高度由五条连续字幕条反推。--six-line-card 仅影响后期绘制的脚本字幕，不改变原生字幕模式。

可选说话人前缀（仅脚本字幕）：经用户确认的问答、对谈图，在每句加 speaker，说话人写在这里，不写进 text：

{"lines": [
  {"t": 37.2, "speaker": "主持人", "text": "在这么竞争激烈的行业里，"},
  {"t": 38.8, "speaker": "主持人", "text": "你觉得是什么让你脱颖而出？"},
  {"t": 44.0, "speaker": "王薇薇", "text": "说实话，我觉得是运气。"}
]}

python3 "<SKILL_DIR>/scripts/native_subtitle_stitch.py" render-script VIDEO \
  --script script.json --out qa.jpg --speaker-prefix on-change

• --speaker-prefix none（默认）不画前缀；on-change 只在换人时画，推荐用于问答；every 每句都画，画面较挤，只在用户要求时用。
• 启用前缀时每句都必须有 speaker；前缀比台词小一号、用强调色，字号不随台词缩小，台词放不下时只缩台词。
• 说话人名称同样要核对：确认不了身份时写“主持人”“嘉宾”等角色，不猜人名。单人独白不用前缀。

可选金句强调（仅脚本模式）：--emphasize-line last（最后一句）或 --emphasize-line N（从 1 起算）给一句台词加暖色、加粗描边和轻微半透明底衬；也可在 script.json 某句写 "emphasis": true。默认不启用，输出不变；行号越界会报错。仍属后期绘制，需按脚本模式标注；原生模式不支持，不得重绘原字幕。图内不绘制卡片小标题，本 Skill 无此功能。

脚本会尝试 macOS、Windows 和 Linux 常见 CJK 字体；台词含谚文时优先尝试韩文字体（macOS AppleSDGothicNeo、Windows Malgun Gothic），--font 始终最优先。无法自动找到时，用 --font /path/to/font.ttc 指定已获授权的字体。需要调整字幕条在原帧中的垂直采样位置时，使用 --band-center；不要把它当作行距参数。

逐张质检与有界返工

先看缩略总览，再打开每张原尺寸 JPG。

• 字幕完整、稳定、无重复，时间顺序与原视频一致。
• 多人素材：每条字幕的说话人与文字稿标注一致；默认同一张图只有一个说话人，主画面就是该说话人。脚本模式启用 --speaker-prefix 时，画面前缀与 JSON 的 speaker 一致，并且台词字号没有因前缀明显变小。
• 原生模式没有改字；脚本模式的文字与已审核 JSON 一致。
• 主体完整，没有异常切脸、巨大空白、无关 UI 或变形。
• 原生模式检查第一句与后续字幕是否使用同一缩放倍数、没有横向裁字；固定画布允许外侧留边。--fit crop 的成品要逐张确认每句字幕两端完整、人物没有被两侧裁切切脸，并在交付中说明渲染输出的裁切或留边结果。脚本固定布局默认四条时主图约占 68–72%；内容块之间没有额外间距。
• 脚本模式的字号、描边、对比度在原尺寸与手机缩略图中都可读。
• 文件数量、尺寸、比例、JSON 和总览一致。

发现问题时只调整对应变量：时间点通常移动 0.3–1.5 秒；原生字幕被裁时调整 band 边界；台词条太高时先恢复自动布局；文字过长时先拆句。连续三轮仍找不到稳定画面时，换片段或报告限制，不无限微调。

与其他工具或 Skill 协作

• yt-dlp：获取用户有权处理的在线视频、元数据和字幕轨；不负责最终渲染。
• 字幕轨或 Whisper：生成带时间戳的内容索引。原生模式只用它定位；脚本模式可把已复核文字写入 JSON。
• 视频理解、选题或内容分析 Skill：提名主题、时间范围和句子顺序。
• 写作 Skill：产生配套文章或帖子；它不能在原生模式中改变画面字幕。
• 本 Skill：管理最终时间点、真实视频帧、字幕来源标识、拼图和视觉 QA。

复用上游已经下载的视频、文字稿和缓存，不重复消耗网络或转写成本。不假设用户一定安装了某个命名 Skill；缺少上游 Skill 时，自行完成最低限度的文字稿阅读和主题选择。

停止条件

• 用户没有下载、处理或发布来源素材的权限。
• 链接需要绕过 DRM、付费墙、地区限制或其他访问控制。
• 用户要求原生字幕，但画面没有烧录字幕；此时先说明，只有用户同意才转脚本模式。
• 原生模式找不到字幕完整稳定的帧。
• 脚本模式的台词或翻译尚未核对，或没有可用 CJK 字体。
• 源画质、遮挡或 UI 严重到无法达到可读交付。

登录、年龄验证、机器人验证或用户自己的非公开视频需要 Cookies 时，必须先取得授权；授权后优先让 yt-dlp 通过 --cookies-from-browser chrome 临时读取用户自己的已登录会话，而不是让用户粘贴密码或导出 Cookie 文件。不得把浏览器数据写入仓库。

交付

提供输出路径、逐张成品、时间点/lines JSON、总览图与已完成的视觉和技术检查。明确标记使用的字幕模式。只有用户需要分享包时再生成 ZIP；不得把未逐张打开检查的图片报告为完成。