video-recap-skills
中文 · English
在 Claude Code、Codex CLI、OpenCode 或 OpenClaw 里，用一句自然语言把视频变成中文解说成片。 本地只需要 Python、ffmpeg 和一个小米 MiMo 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 导演 · 剪辑 · 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；本地运行时只有 Python 标准库和
ffmpeg，不用 pip install。
- 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。
- 先做创作决定，再分配声音。 Agent 先比较剪辑假设，锁定 POV、主线、具体画面与原声锚点；旁白有明确任务时才整块配音，强对白、动作声或沉默可以完整主导一个 beat。七三开只是在素材判断不足时的粗略回退，不是配额。
- 先剪后配，画面对齐。 剪辑模式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、字幕和本地图片叠层都可编辑；视频/音频/图片默认打包进
Resources/local 并建立素材索引，clone 或搬目录后仍可用。ffmpeg 仍是最终成片的判定标准。
- 可选 MiMo 成片顾问，不当门神。 需要时可让 MiMo 在合成前或成片后给出语义/审美建议；缺 key、限流、超时或模型输出异常都只提示，绝不阻断或自动改片。
安装
1. 通用前置
- Python 3.10+
PATH 上可用的 ffmpeg；默认烧录字幕，因此需要带 libass / subtitles 滤镜- 一个小米 MiMo API Key，同时驱动 ASR、VLM 和 TTS
brew install ffmpeg # macOS
sudo apt install ffmpeg # Debian / Ubuntu
choco install ffmpeg # Windows，也可用 scoop / winget
export MIMO_API_KEY=your-mimo-key # macOS / Linux
export MIMO_TOKEN_PLAN_CLUSTER=cn # tp-* key 可选：cn | sgp | ams
Windows PowerShell 使用 $env:MIMO_API_KEY="your-mimo-key"。按量付费的 sk-* key 默认连接 https://api.xiaomimimo.com/v1；模型、音色、响度和字幕等高级配置见配置手册。
2. 选择 Agent 宿主
Claude Code
在 Claude Code 内执行：
/plugin marketplace add worldwonderer/video-recap-skills
/plugin install video-recap-skills@video-recap
也可以直接说：
安装这个插件：https://github.com/worldwonderer/video-recap-skills
Codex CLI
codex plugin marketplace add worldwonderer/video-recap-skills
codex plugin add video-recap-skills@video-recap
本地仓库可把第一条命令的源换成目录路径。以上流程已使用隔离的 CODEX_HOME 在 Codex CLI 0.144.1 完成安装烟测。
OpenCode
OpenCode 官方 Agent Skills 文档规定项目级技能放在 .opencode/skills/<name>/SKILL.md。克隆仓库后，从仓库目录启动 OpenCode：
git clone https://github.com/worldwonderer/video-recap-skills.git
cd video-recap-skills
mkdir -p .opencode
ln -s ../skills .opencode/skills # macOS / Linux
opencode debug skill
Windows 可把 skills\* 复制到 .opencode\skills\。本 PR 已在 OpenCode 1.14.32 上实际验证：opencode debug skill 能发现全部 6 个技能。日常端到端制作使用 video-recap；只做策划或写稿时可调用 video-script；其余四个技能负责工具阶段。
OpenClaw
克隆仓库后导入 Claude 插件包，并检查技能列表：
openclaw plugins install ./video-recap-skills
openclaw skills list
不要把同一份技能同时注册到多个发现目录，否则可能出现重名或重复触发。
安装完成后，可以让 Agent 自检环境：
检查 video-recap 的运行环境，告诉我 Python、ffmpeg/libass 和 MiMo 配置是否就绪。
怎么用
直接给出视频路径、期望成片和必要背景。用户不需要手动运行仓库里的 Python 脚本。
完整视频解说：
给 /path/to/video.mp4 做一个中文解说成片。这是《庆余年》第一集，主角是范闲，字幕烧进画面。
长视频剪成短解说：
把 /path/to/long.mp4 剪成十分钟左右的解说短片，保留关键原声和人物反应。
多视频合成一个故事：
用 /path/to/ep1.mp4 和 /path/to/ep2.mp4 做一个十分钟解说，围绕同一条主线剪辑，不要分成两个小总结。
Agent 会自动完成理解、故事与视听规划、剪辑、写稿、配音和合成。剪辑模式内部会先确定保留片段，生成剪后成片后再按输出时间轴写旁白；这些暂停和续跑也由 Agent 处理。
常用进阶需求
复用已经分析过的素材：
分析 /path/to/ep1.mp4，并把可复用的理解产物保存到 /path/to/.video-materials；后续制作时优先复用这个素材库。
素材库只保存 JSON / Markdown 和索引，不复制原始媒体、不建数据库、不做 embedding。需要检索时，Agent 直接在文件系统中查找。
增加建议型质量复核并导出剪映草稿：
给 /path/to/video.mp4 做解说，合成前和成片后都做 MiMo 质量复核，并导出可继续编辑的剪映草稿。
MiMo 复核始终是 advisory：每个阶段最多一次请求，失败开放，不会自动修改或阻断成片。
让新字幕贴合原片硬字幕位置：
先检测 /path/to/video.mp4 的原片字幕区域并让我确认预览，再把解说字幕贴到同一区域生成成片。
检测结果会保存在 .subtitle_measure/ 下供确认；当前要求方形像素视频和底部对齐字幕。该能力适配自 ops120/video-recap-skills-plus。
克隆有授权的参考音色：
用 /path/to/voice-ref.wav 的音色给 /path/to/video.mp4 做解说；我已获得音色所有者授权。
参考音频会发送给 MiMo 用于合成，其内容指纹参与缓存校验。仅在获得音色所有者授权时使用。
英语视频译成中文并保留原音色：
把 /path/to/english.mp4 翻译成中文配音，保留原说话人的声音。
这会替换原始台词，而不是在原声上叠加解说。当前版本支持单说话人整轨替换，暂不分离背景音乐。
架构
| Skill | 职责 | 输入 → 输出（work_dir 契约） |
|---|
| video-understanding | 场景检测 · 抽帧 · ASR（mimo-v2.5-asr）· VLM（mimo-v2.5）· 时间轴融合 · 生成 brief | 视频 → scenes / asr_result / vlm_analysis / silence_periods / timeline_fusion / agent_narration_brief.md |
| video-script | 导演/故事/画面/声音方案 + 解说写作 + 建议型评审 + lint/校验 | brief + 索引 → recap_story_plan.json + visual_audio_board.json + [clip_plan.json] + narration.json |
| video-cut | 片段计划 → 拼剪成片（剪辑模式先剪后配，解说按成片时间轴写，无需重映射） | clip_plan.json + 视频 → edited_source.mp4 |
| video-voiceover | 合成解说音频（MiMo TTS，mimo-v2.5-tts） | narration.json → tts_segments/ + tts_meta.json |
| video-assemble | 混音 · 压低原声 · 渲染字幕 · 多轨时间线（可选导出剪映） | 视频 + tts_meta → recap_<名>.mp4 + subtitles.srt/.ass + timeline.json |
| video-recap | 编排器与环境诊断 | 视频 → recap_<名>.mp4 |
输出
recap_<名>.mp4：成片（固定输出名，每次运行原地覆盖）；字幕默认烧录，同时产出 subtitles.srt 与 subtitles.asswork_dir/narration.json：解说脚本（narration_lint.json 时间诊断、narration_review.md 评审意见）work_dir/recap_story_plan.json · visual_audio_board.json：Agent 的故事、画面与声音决定；供续写和建议型评审使用，不是渲染硬门禁work_dir/agent_narration_brief.md：给 Agent 的时间和场景 briefwork_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work_dir/mimo_qc.json：可选的组装前/成片后 MiMo 建议（多阶段聚合、永不阻断）
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
致谢
许可
MIT，见 LICENSE。
