/video-shots

name: video-shots
version: 1.0.0
description: |
  拉片：把一条成片拆成逐镜头的分析表——每个镜头的时长、景别、类别、运镜、画面。
  分工刻在骨子里：**能量的都由代码量**（切点来自 ffmpeg 场景检测，时长是切点相减，
  运动量是逐帧差分的中位数），模型只判断它真正该判断的那几件事（景别 / 类别 / 运镜 / 画面 / 节奏），
  然后每一条判断都被代码当场对账——**声称推拉摇移却实测几乎不动，门直接拦**。
  看片走联系表（每镜起手帧 + 收尾帧各拼一张大图，一屏二十几个镜头，a/b 对照就是运镜），
  不是一张张翻。检测漏刀多刀用 recut 补刀并刀，自动重编号重算时长，手改边界过不了门。
  产出 shots.json + Markdown 镜头表 + **单页交互式拉片报告**：内嵌播放器（播放时同步高亮镜头、
  点镜头跳转）、镜头节奏带、可搜索可筛选可排序的镜头表（列表 / 卡片两种视图、首尾关键帧并排、
  点图开大图）、景别类别运镜分布、出场人物、质量门、导出 JSON。单文件零依赖，离线双击能开。
  15 道质量门全部由脚本确定性检查。
  零依赖、零 API key，只要 node 和 ffmpeg。
  Use when asked to 拉片、拆镜头、分析视频镜头、镜头时长、景别、运镜、镜头表、
  video shot breakdown、shot list from video。
allowed-tools:
  - Read
  - Write
  - Edit
  - Bash
  - Glob
triggers:
  - video-shots
  - 拉片
  - 拆镜头
  - 镜头分析
  - 分析视频
  - 镜头表
  - 景别
  - 运镜
  - shot breakdown
  - shot list
metadata:
  license: Apache-2.0
  requires:
    bins:
      - node      # >= 18，只用标准库，无 npm 依赖
      - ffmpeg    # 场景检测、运动测量、抽帧、联系表
      - ffprobe   # 片长、帧率、分辨率
  runtimes:
    - claude-code
    - codex

video-shots

给成片**拉片**——把一条片子拆成逐镜头的分析表：**时长、景别、类别、运镜、画面**。

**前提刻在骨子里：镜头边界是量出来的，不是看出来的。** 模型看视频最不可靠的就是报时间—— 「这个镜头大概 3 秒」和「2.97 秒」差的不是精度，是这份表能不能用。所以这里划一条死线：

| 谁来定 | 什么 | 怎么定 | | --- | --- | --- | | **代码** | 切点、时长、片长、帧率 | ffmpeg 场景检测 + ffprobe，两位小数 | | **代码** | 每个镜头的实测运动量 | 逐帧差分曲线的区间中位数（两端剔除，避开切点尖峰） | | **模型** | 景别、类别、运镜、画面、节奏 | 看关键帧判断——**只有这几件事是模型的活** | | **代码** | 判断对不对 | 15 道质量门，逐条对账 |

最硬的一道门是**运镜实测对账**：摄影机真动了，像素不可能不变。所以「声称推/拉/摇/移/跟， 实测帧间变化接近 0」这一向直接拦——这是模型拉片最常见的幻觉。反过来（声称固定、实测很动） **不拦**，只出提示：固定机位前面有人跳舞，帧间差一样会爆。

`{baseDir}` = 本文件所在目录。脚本 `{baseDir}/scripts/video-shots.mjs`，零依赖，`node` 直接跑。

**边界（不做的事）**：不转写语音（没有 ASR，台词靠画面上烧录的字幕读，读不到就留空并说明）、 不做人脸识别与人物自动归并（`cast` 是人工编号）、不评价片子好坏（报告只给事实和统计）、 不剪辑不导出片段、不做镜头内的物体检测。

---

Step 0 — 定输入与范围

只要一个视频文件。先问清两件事，问不到就按默认走并在汇报里说明：

• **拉全片还是拉一段**：全片是默认。只要某一段就先用 ffmpeg 裁出来再拉，别在整片上标一半。
• **拉来干什么**：做仿写参考（重画面与运镜）、做剪辑节奏分析（重时长与类别）、

做投放素材盘点（重产品镜与字卡）。用途不同，`note` 里该多记什么不同——**表的结构是一样的**。

Step 1 — seed 工作底稿 ⛔ 切点在这一步定死

cd <输出目录>
node {baseDir}/scripts/video-shots.mjs seed <video> --track track.json --title "<片名>" > shots.json

stderr 会报：片长、帧率、分辨率、检测到几个切点、合并后几个镜头。**先看这一行再往下走**：

• 平均镜长十几秒、镜头数明显偏少 → 阈值高了，`--threshold 0.15` 重跑（暗戏、慢片、

同机位对话多的片子都要往下调）

• 镜头数比肉眼数的多出一截 → 阈值低了，往 `0.4` 调，或留到 Step 4 用 `recut --merge` 并
• 一条 3 分钟的片子跑完只要几秒钟，**多跑两遍比将就一份烂底稿划算**

底稿里 `start` / `end` / `seconds` / `motion` 已经填好，`size` / `category` / `camera` / `frame` 是空的—— **那四个空格子才是模型的活**。

Step 2 — 抽关键帧与联系表

node {baseDir}/scripts/video-shots.mjs frames shots.json --video <video>
node {baseDir}/scripts/video-shots.mjs sheet shots.json --cols 4 --rows 6
node {baseDir}/scripts/video-shots.mjs sheet shots.json --cols 4 --rows 6 --pick b

每镜两张：`frames/S01a.jpg`（起手 15% 处）和 `S01b.jpg`（收尾 85% 处）。 联系表把它们各拼成一张大图（行优先，S01 在左上），**a 表看内容，b 表看运镜**—— 同一格前后对照，取景变没变一眼就知道。

**先看联系表，再看单帧。** 一张张翻完整部片是浪费额度：一张联系表 = 二十几个镜头， 只在判不准的那几个镜头上回去看单帧（`Read frames/S07a.jpg`）。

Step 3 — 逐批填四个字段

一批 ≤ 25 个镜头（正好一张联系表）。每批拿到：

• `{baseDir}/references/taxonomy.md`（四张词表 + 判据，**照着填**）和 `{baseDir}/references/analysis-pass.md`（怎么看、常见病）
• 这一批的镜头底稿（镜号、起止、时长、**实测运动**）
• 这一批的 a / b 两张联系表

填的顺序：**景别 → 类别 → 运镜 → 画面 → 节奏**。运镜看 a/b 取景差 + 实测运动值， 两者打架时**信实测**。顺带记 `subjects` / `onscreenText` / `audio`—— **画面上烧录的对白字幕算台词**，进 `audio` 并带上说话人；片名、字卡、界面文字进 `onscreenText`。

**节奏（`rhythm` + `rhythmNote`）回答的是「观众为什么还没划走」**： 钩子 / 铺垫 / 递进 / 重音 / 转折 / 兑现 / 换气 / 收口，八个角色选一个， 再用一句话写清**观众这一刻看到什么**（判据见 `taxonomy.md` 第五节）。 **可选字段：不做节奏分析就一镜都别标；标了就得整片标全**，门会拦半张表。 标满之后校验会顺带提示三件事：开篇有没有钩子、兑现前面有没有铺垫、有没有连着六镜节奏发平。

编辑 `shots.json` 时**只动那几个字段**：`start` / `end` / `seconds` / `motion` / `seedCuts` / `meta` 是机器字段，改了就是伪造证据，门会点名。

Step 4 — 补刀与并刀（发现漏切就修，别将就）

场景检测必然在两个地方出错：叠化和暗场对暗场**漏刀**，手持晃动和闪光**多刀**。 a 帧和 b 帧根本是两个场景，就是漏刀的铁证。

node {baseDir}/scripts/video-shots.mjs recut shots.json --track track.json \
  --split 63.5 --split 127.37 --merge 45.97 > shots.new.json && mv shots.new.json shots.json

自动重编号、重算时长与实测运动，补的刀记进 `manualCuts`（`boundary` 门认它）。 **边界没动过的镜头标注原样保留；被拆被并的镜头标注清空并在 `note` 里写明出身**—— 这两半是不是一回事，得重新看画面，不许把旧描述顺下去。

改完重抽这些镜头的帧（`frames` 会覆盖整个目录，直接重跑就行），把清空的格子补上。

Step 5 — 校验 ⛔ 不能跳

node {baseDir}/scripts/video-shots.mjs validate shots.json --track track.json --frames frames

15 道门全是代码：时间轴连续（按序、首尾相接、从 0 到片尾）、时长自洽（`seconds` = `end − start`， 短镜必须带 note）、镜号连号、**景别/类别/运镜三张词表**、转场枚举、**画面描述可核对** （中文 ≥12 字 / 英文 ≥8 词 + 空话词表 + 不许「这个镜头…」「This shot…」开头）、**画面描述不重复**、主体对账 `cast`、 **类别要有证据**（对话必须有台词、字卡必须有画面文字、反应必须写是谁、空镜里不许有人）、 **运镜实测对账**、**边界来自检测**（自己加的刀必须在 `manualCuts` 里声明）、关键帧齐全、 **节奏分析可核对**（可选字段：整片标或整片不标；标了就得写清为什么，空话照拦）。

**有违规逐条修，改完重跑，直到通过。** 跳过的门会明说原因（没给 `--track`、没建 `cast`、 关键帧目录不存在）——**跳过不是通过**，汇报时要讲。拉英文片加 `--lang en`， 门的名字和违规信息都会用英文说。

「提示（不拦）」那一栏不是错误，是需要人判断的地方：固定机位实测偏高， 多半是主体在动，也可能是你把一次缓推看漏了，自己回去看一眼那一镜。

Step 6 — 出报告与汇报

node {baseDir}/scripts/video-shots.mjs render shots.json --md --track track.json > shots.md
node {baseDir}/scripts/video-shots.mjs render shots.json --html --track track.json \
  --video <原片相对报告的路径> > shots-report.html

`--video` 给报告里的播放器指原片（默认用 JSON 里的 `source`；观众也能在页面上现场选本地文件）。 界面语言用 `--lang zh|en`（默认中文）。`render` 自动去 `frames/` 找关键帧， **先抽帧再 render**，缺图明说缺、不摆占位图充数。

报告是**单文件交互页**（样式与交互来自 `{baseDir}/scripts/report.css` 和 `report.js`， render 时整段内联；这三个文件必须一起拷走）：

• **播放器**：播放时同步高亮当前镜头、填充时间轴进度；点任意镜头或时间轴片段跳过去
• **镜头节奏带**：片宽 = 时长占比，颜色深浅 = 景别远近
• **镜头表**：列表 / 卡片两种视图，首尾关键帧并排（对照着看就是运镜），可搜索（镜号、画面、

台词、人物）、可按类别筛选、可按时长排序；点关键帧开大图

• **统计分布 / 出场人物 / 质量检查**：默认收起，按需展开；人物卡点一下筛出他的全部镜头
• 页头一行给结论（`14 项通过 · 1 条提示`），提示里点名的镜号可以点着跳过去

汇报一句话说清：**多少镜、平均镜长、每分钟切次、景别与运镜的大头、最长和最短的镜头在哪、 报告路径**；补了几刀并了几刀、哪几道门跳过了、哪几条提示需要人看，明说。

最终落地：

<输出目录>/
├── shots.json              ← 拉片主数据
├── track.json              ← 运动曲线（机器证据，别手改）
├── shots.md
├── shots-report.html       ← 双击就能开
├── frames/                 ← S01a.jpg / S01b.jpg …
└── sheets/                 ← sheet-a01.jpg / sheet-b01.jpg …（联系表）

---

边界

• **没有语音转写。** 台词只来自画面上烧录的字幕；没有字幕的片子 `audio` 大面积留空是正常的，

这时把 `dialogue` 判成 `subjec