Smart Video Editor
会看画面的 AI 剪辑 Skill
不是把视频首尾相接，而是先看懂每一段拍了什么、哪几秒能用，再决定取舍、顺序、节奏、调色和配乐。
English · 中文
这个 Skill 解决什么问题
你手机里存了 5 段旅行视频，想剪成一条能发小红书的成片。
普通的 AI 剪辑工具会这样做：读取文件名 → 按 1、2、3、4、5 顺序拼接 → 加个转场 → 套个滤镜 → 导出。它从头到尾不知道你拍的是什么。
结果就是：开头 2 秒手抖的糊画面留着，中间 8 秒对着同一棵树的重复镜头留着，最精彩的那 3 秒和废镜头一样长。
这个 Skill 会这样做：
抽帧 → 逐帧看懂内容 → 打可用性分 → 砍废片段 → 按叙事重排 → 调节奏 → 选调色 → 配乐 → 渲染
它知道第 3 段的前 4 秒是失焦的，知道第 1 段和第 4 段拍的是同一个场景（所以不能连着放），知道最后一段有人物出现（所以适合当收尾）。
智能体现在哪
1. 真的在"看"，不是在"猜"
每段素材按固定间隔抽帧，每一帧都交给视觉模型判断：
- 主体是什么、场景是什么、有没有人物
- 构图如何、有没有明确的视觉焦点
- 是否模糊、失焦、抖动、过曝、死黑、镜头遮挡、空镜、转场中间态
- 综合可用性打 1-5 分
帧文件名把时间戳编码进去（clip1__t3.5.jpg），所以视觉判断能无歧义地映射回时间轴——第 3.5 秒画面糊，就精确地从 3.5 秒开始砍。
2. 会做取舍，不是全都要
一段 15 秒的素材，如果 5-8.5 秒和 4.5 秒处几乎是同一个画面，它会直接砍掉——画质满分但信息增量为零的片段，留着只是拖节奏。
真实案例里，36.5 秒原素材最后只用了 18.8 秒，砍掉的都有明确理由。
3. 按叙事排序，不是按文件名
拿到全部画面信息后，它按内容逻辑重排：
| 叙事结构 | 排法 |
|---|
| 空间叙事 | 全景开场 → 中景 → 细节特写 → 人物收尾 |
| 时间叙事 | 按事件发生顺序 |
| 情绪叙事 | 平静起 → 高潮 → 回落收尾 |
同一段素材可以被拆成多个片段插在不同位置，也可以整段丢弃。
4. 节奏和调色都是判断，不是默认值
节奏：短视频单段 1.5-3 秒，慢节奏 vlog 单段 4-6 秒。同类画面连续出现会自动缩短，避免观感重复。有 BGM 时切点尽量落在节拍上。
调色：9 种预设，根据画面内容选，不套默认值。
| 调性 | 适合 |
|---|
clean | 通用，轻微提对比和锐度，最安全 |
film | 电影感，中对比曲线 + 轻暗角 + 冷调阴影 |
warm | 食物、室内、人物、日落 |
cool | 城市、雪景、雨天、科技感 |
soft | 日系清淡、柔和小清新 |
vivid | 风景、明亮活泼、需要抓眼球 |
fresh | 阴天/漫射光户外，提通透但不染色，绿植类首选 |
bw | 黑白 |
none | 不调色 |
5. 自己找免费商用 BGM
不用你提供音乐。它会从 Pixabay Music、Free Music Archive（CC0）、Incompetech、Musopen 找，下载后验证是真音频，缓存到本地复用。
找不到就先出无声版让你看到剪辑效果，同时给出具体选曲指引：风格关键词（中英文）、BPM 区间（跟切点密度匹配）、情绪描述、时长要求、去哪找。你拿到音乐后只需重新渲染一次，不用重新分析素材。
绝不从 YouTube / 网易云 / QQ 音乐抓有版权的商业音乐——发到平台会被静音或限流。
6. 有设计感的片头标题
不用系统默认字体（一眼就是"没设计过"）。内置 15 个免费商用字体库，按画面调性选：
| 画面类型 | 字体方向 |
|---|
| 运动、骑行、city walk、潮流 | 得意黑（倾斜粗黑，有速度感） |
| 风景、旅行、治愈、慢生活 | 霞鹜文楷、思源宋体（文艺质感） |
| 产品、UI、数据、干货 | 思源黑体、Inter（干净克制） |
| 生活记录、日常、轻松 | 寒蝉圆黑、站酷快乐体（亲和力强） |
| 国风、节气、题字 | 马善政毛笔楷书 |
| 纯英文/数字 | Bebas Neue、Playfair Display |
7 种入场动画：fade / fade-up / zoom-in / zoom-out / blur-in / typewriter / slide-left
适合什么场景
✅ 很适合
| 场景 | 说明 |
|---|
| 小红书 / 抖音 / 视频号 | 竖屏成片，15-30 秒，自动配文艺标题和 BGM |
| 旅行 vlog | 手机拍的零散片段，自动挑好镜头、按空间逻辑排序 |
| 朋友圈 / 微博 | 快速出一条不土的短片 |
| 产品演示 | 屏幕录制剪成节奏紧凑的功能展示 |
| 横屏素材转竖屏 | 自动判断主体位置，选裁切或模糊铺底 |
| 多段素材质量不齐 | 自动淘汰糊片、抖动、空镜 |
❌ 不适合
- AI 生成视频 — 这是纯剪辑工具，不做文生视频
- 精确到帧的专业剪辑 — 抽帧间隔判断，帧级精度请用 Final Cut / Premiere
- 需要复杂特效/合成 — 只做基础调色、转场、变速
- 口播视频去语气词 — 不做 ASR
- 长视频（>5 分钟） — 抽帧和视觉分析成本会明显上升
真实案例：城市里的绿色缝隙
5 段手机拍的骑行素材（共 36.5 秒）→ 一条 18.8 秒竖屏成片
素材情况
| 文件 | 时长 | 内容 |
|---|
| IMG_8071.mov | 4.62s | 林荫绿道第一视角推进 |
| IMG_8072.mov | 5.64s | 路边绿色金属围栏 |
| IMG_8074.mov | 7.10s | 绿道空镜，中后段出现行人 |
| IMG_8075.mov | 15.48s | 最长一段，穿过公园绿道 |
| IMG_8076.mov | 3.68s | 换机位，右侧有花丛前景 |
视觉分析结论（节选）
IMG_8071 | 2.31s | 汇聚线构图工整、中心对称，光线柔和 | 无缺陷 | 5/5
IMG_8072 | 3.66s | 围栏后一片树林，竖向线条杂乱无主体 | 网格视觉干扰 | 3/5
IMG_8074 | 6.80s | 行人背影居中，步道向消失点延伸 | 无 | 5/5
IMG_8075 | 6.68s | 内容与 4.55s 处近乎同帧同景 | 信息增量为零 | 5/5*
IMG_8076 | 3.50s | 两侧树木成天然画框，通透感最好 | 天空略过曝 | 5/5
* 画质满分但内容重复，最终被砍
剪辑决策
| 顺序 | 素材 | 用了 | 为什么 |
|---|
| 1 | IMG_8075 | 0.3–3.2s | 全片最干净的引导线构图，当开场定场 |
| 2 | IMG_8071 | 1.8–4.62s | 均分最高（4.7/5），构图工整光线好 |
| 3 | IMG_8072 | 4.5–5.64s | 只留 1.1 秒当过渡，这段整体最弱 |
| 4 | IMG_8075 | 8.5–11.7s | 林荫加深，画面层次开始变丰富 |
| 5 | IMG_8075 | 12.6–15.4s | 树影光斑最多，视觉高潮 |
| 6 | IMG_8076 | 1.4–3.68s | 换机位，花丛前景，画面通透 |
| 7 | IMG_8074 | 3.4–7.1s | 远处有行人，唯一有主体的画面，收尾 |
砍掉的：
- IMG_8075 的 3.2–8.5s（5 秒）— 中段与前面同帧同景，纯拖节奏
- IMG_8072 的 0–4.5s — 拍的是围栏网格，视觉杂乱无主体
- IMG_8074 的 0–3.4s — 无主体空镜，前面已有足够空镜
- 各段开头 0–0.3s — 天空过曝
叙事逻辑：空镜开场 → 林荫渐深 → 光斑高潮 → 换机位提通透 → 有人出现收尾。整体是"进入 → 深入 → 遇见"的递进。
调色
阴天漫射光素材，clean 太灰撑不起来，vivid 过头（路面被染成蓝绿色、绿叶接近荧光）。最终用 fresh——提通透但不整体染色，锐化克制。
标题
- 文字：城市里的绿色缝隙
- 字体：得意黑（Smiley Sans Oblique）— 倾斜粗黑 + 斜切转角，对得上骑行的运动感
- 动画：
fade-up，从下方升起，0.4s 出现 → 稳定 2.5s → 3.6s 消失
- 配色：暖白
#FFF3E0 + 深棕描边 #3D1F0C（比纯白+纯黑柔和，跟绿道自然色调更搭）
BGM
LoFi Chill（Pixabay，免费商用免署名，112 BPM）。112 BPM 对应 2-3 秒的切点密度正好。原声去掉了——骑行第一视角的风噪对短视频是干扰。
成片
▶ demo.mp4 · 完整 EDL
安装
前置依赖
# macOS
brew install ffmpeg
# 确认 ffmpeg 带 libass（标题功能需要）
ffmpeg -version | grep libass
# Python 依赖（仅字体名查询需要）
pip3 install fonttools
注意：部分 ffmpeg 分发版不含 ffprobe。检查 which ffprobe，缺失的话从 evermeet.cx 单独下载。
安装 Skill
Claude Code / Cola
git clone https://github.com/Fagan1024/smart-video-editor.git
cp -R smart-video-editor ~/.claude/skills/ # Claude Code
cp -R smart-video-editor ~/.cola/skills/ # Cola
OpenClaw
npx clawhub install smart-video-editor
其他兼容 Agent Skills 格式的工具
npx skills add Fagan1024/smart-video-editor --global
字体库（可选，标题功能需要）
字体因体积原因不含在仓库里。docs/FONTS.md 列出了全部 15 个字体的下载源和 family name。放到 ~/.cola/assets/fonts/ 即可。
怎么用
装好后直接说人话：
把这个文件夹里的视频剪一条小红书
这几段素材剪成 20 秒的 vlog，加个片头字"周末去了个新地方"
横屏的旅行视频转成竖屏，配点轻松的音乐
Agent 会自己走完：探测素材 → 抽帧 → 视觉分析 → 剪辑决策 → 找 BGM → 生成标题 → 渲染 → 交付时说明每段为什么这么剪。
手动调用（进阶）
# 1. 探测素材
python3 scripts/probe.py ~/Videos/raw/
# 2. 抽帧
python3 scripts/extract_frames.py ~/Videos/raw/clip1.mov /tmp/frames --interval 1.5 --max 8
# 3. 生成标题
python3 scripts/make_title.py \
--text "城市里的绿色缝隙" --font "Smiley Sans Oblique" \
--out title.ass --anim fade-up --size 142 \
--color "#FFF3E0" --outline 1.7 --outline-color "#3D1F0C"
# 4. 校验 EDL
python3 scripts/build.py edl.json --dry-run
# 5. 渲染
python3 scripts/build.py edl.json
EDL 结构
剪辑决策以 JSON 表达，人和 Agent 都能读写：
{
"output": "output/成片.mp4",
"aspect": "9:16",
"fps": 30,
"look": "fresh",
"fill_mode": "crop",
"transition": { "type": "cut" },
"keep_original_audio": false,
"bgm": {
"path": "assets/bgm/music.mp3",
"volume": 0.9,
"fade_in": 0.8,
"fade_out": 1.8,
"original_volume": 0.25
},
"title": {
"ass": "title.ass",
"fonts_dir": "~/.cola/assets/fonts"
},
"segments": [
{ "src": "raw/clip1.mov", "in": 0.3, "out": 3.2 },
{ "src": "raw/clip2.mov", "in": 1.8, "out": 4.6, "speed": 1.0 }
]
}
| 字段 | 说明 |
|---|
aspect | 9:16 16:9 1:1 4:5 3:4 |
resolution | 可选 [宽,高]，给了就覆盖 aspect |
look | 见上文调色表 |
fill_mode | crop 裁满 / pad 黑边 / blur_pad 模糊铺底 |
transition.type | cut fade dissolve fadeblack wipeleft slideleft smoothleft |
keep_original_audio | 保留原声，和 BGM 同开会自动混音 |
segments[].in/out | 该片段在源素材中的起止秒 |
segments[].speed | 2.0 快放一倍，0.5 慢放 |
改一段重新渲染：EDL 是纯文本，改完跑一次 build.py 就行，不用重新分析素材。
一个踩坑记录
开发时用视觉模型验证字体是否生效，结果它把霞鹜文楷判成"系统默认黑体，加载失败了"。
实际上字体是正常生效的——视觉模型分不清楷体和黑体。
libass 找不到字体名时会静默 fallback 到系统默认字体，不报错。要客观验证，得故意用一个不存在的字体名再渲一版当对照组，比 PSNR：
# PSNR 明显低于 inf（15-20dB 量级）= 两版画面不同 = 字体确实生效了
ffmpeg -y -i 待验证.png -i fallback对照.png -lavfi psnr -f null - 2>&1 \
| grep -o "average:[0-9.]*"
这条已经写进 SKILL.md 了。
目录结构
smart-video-editor/
├── SKILL.md Agent 读取的指令文件
├── scripts/
│ ├── probe.py 探测素材（时长/分辨率/朝向/音轨/旋转）
│ ├── extract_frames.py 抽帧，时间戳编码进文件名
│ ├── make_title.py 生成标题 ASS 字幕（7 种动画）
│ └── build.py 按 EDL 渲染成片
├── examples/cycling-greenway/ 真实案例：骑行绿道
│ ├── demo.mp4 成片
│ ├── edl.json 完整剪辑决策
│ ├── title.ass 标题字幕
│ ├── storyboard.jpg 关键帧
│ └── title-frame.jpg 标题效果
└── docs/
├── FONTS.md 15 个免费商用字体索引
└── font-preview.png 字体预览图
License
MIT
字体和 BGM 各自遵循其原始许可（详见 docs/FONTS.md）。仓库本身不包含字体和音乐文件。
