yfge/video-clipper

Video Clipper — 长视频智能切片

依赖

• ffmpeg / ffprobe: 视频切片、静音检测、trim+concat（系统已安装）
• whisperx venv: scripts/.venv-whisperx/（用于二次质检）
• 转写 JSON: 需要 video-to-text skill 的带时间戳 JSON 输出（用于精确定位和口吃检测）
• 脚本集（均在 workspace/scripts/）：
  • batch-clip-v4.sh — 主批量切片脚本（去静音 + 去口吃 + crossfade）
  • smart-silence.py — 智能静音处理（长静音删除 / 短静音压缩）
  • stutter-detect.py — 口吃检测（基于原始转写 JSON）
  • clip-postcheck.py — WhisperX 二次扫描 + 自动修复残留口吃
  • batch-postcheck.sh — 批量二次质检脚本
  • iterate-until-clean.py — 单条 clip 反复迭代（转写→检测→修复→再转写）直到零问题

完整四阶段流程

Phase 1: 素材准备
Phase 2: 切片点定位（观点边界）
Phase 3: 批量切片（去静音 + 去口吃 + crossfade）← batch-clip-v4.sh
Phase 4: 二次质检（WhisperX 重转写 → 残留口吃检测修复）← batch-postcheck.sh

---

Phase 1: 素材准备

1. 确认输入文件，获取总时长
2. CJK 文件名处理：含中文则建英文 symlink，后台 nohup 命令需用英文路径

   ln -sf "/path/to/直播回放.mp4" /tmp/livestream-input.mp4
   

3. 确认转写 JSON 存在：video-to-text skill 的输出（含 word_segments 级时间戳）

---

Phase 2: 切片点定位

最关键的一步——不能凭直觉猜时间戳，必须基于转写文字精确定位。

2.1 候选话题来源

• 优先用 insight-extractor 输出中的金句和时间戳
• 或人工给出话题名，再用转写 JSON 定位

2.2 用转写 JSON 校准边界

import json

with open("transcript.json") as f:
    data = json.load(f)

for seg in data["segments"]:
    if START <= seg["start"] <= END:
        m, s = divmod(int(seg["start"]), 60)
        h, m = divmod(m, 60)
        ts = f"{h}:{m:02d}:{s:02d}" if h else f"{m}:{s:02d}"
        print(f"  [{ts}] {seg['text'].strip()}")

2.3 精确边界原则

1. 观点完整：从引入/铺垫 → 结论/反应，不截断
2. 前不带冗余：切掉闲聊、过渡、无关内容
3. 后不拖尾：观点讲完即切，不带下一话题开头
4. 扩展确认：向前后各扩 2-3 分钟，确认边界无误

2.4 时间戳格式

• < 60 分钟：MM:SS（如 41:40）
• ≥ 60 分钟：H:MM:SS（如 1:50:08）

---

Phase 3: 批量切片（主流程）

使用 scripts/batch-clip-v4.sh。

三层清理管道

1. 精确粗切 (ffmpeg -ss ... -to ...)：从原视频按时间段切出原始片段
2. 静音 + 口吃跳切 (smart-silence.py + stutter-detect.py)：
   • 长静音（≥0.5s）：完全跳过
   • 短静音（0.25-0.5s）：压缩到 0.12s（保留呼吸感）
   • 口吃（重复词/短语）：基于原始转写 JSON 检测，跳过第一次出现
3. filter_complex trim+concat + crossfade：
   • 视频：plain concat（避免视觉闪烁）
   • 音频：链式 acrossfade（每拼接点 20ms，消除"咔哒"感）

⚠️ 关键约束

• 不能用 select/aselect：长视频音视频时间基不同，会产生漂移
• 必须用 nohup 后台运行：14 条 × 每条约 2-3 分钟，总耗时 ~20-30 分钟
• macOS zsh 无 mapfile：用 while IFS= read -r line 替代
• 时间戳 >59:59 时：必须用 H:MM:SS 格式（109:30 → 1:49:30）

运行方式

# 确认 symlink 存在
ln -sf "/path/to/原始视频.mp4" /tmp/livestream-input.mp4

# 后台运行
nohup bash workspace/scripts/batch-clip-v4.sh > /tmp/batch-clip-v4.log 2>&1 &

# 监控
tail -f /tmp/batch-clip-v4.log

修改切片列表

编辑 batch-clip-v4.sh 中的 clips=() 数组，格式为 "start|end|name"：

clips=(
  "30:16|31:58|01-胆子够大"
  "1:50:08|1:52:20|02-AI后背发凉"
  ...
)

---

Phase 4: 二次质检（WhisperX post-check）

为什么需要二次质检？

口吃检测基于原始转写 JSON，但原始转写有时会漏掉某些口吃（没有转写出来）。
编辑后的 clip 可能仍含残留口吃，需要用 WhisperX 重新转写 clip 本身，再做检测。

原始转写 JSON → stutter-detect.py → 跳切 → clip
                                              ↓
                                   clip-postcheck.py（WhisperX 重转写）
                                              ↓
                                   发现残留 → 自动二次修复

运行 post-check

# 激活 whisperx venv
source scripts/.venv-whisperx/bin/activate

# 单条检测（不修复，只报告）
python3 scripts/clip-postcheck.py clips/02-AI后背发凉.mp4

# 单条检测 + 自动修复（-fixed.mp4 会替换原文件）
python3 scripts/clip-postcheck.py clips/02-AI后背发凉.mp4 --fix

# 批量检测 + 自动修复全部 clips/
bash scripts/batch-postcheck.sh

clip-postcheck.py 检测项

1. 单字重复（AA 型）：运运、对对对 → 保留最后一个
2. 短语重复（ngram 2-4 字）：就是就是、当时的当时 → 保留后一个
3. 低置信度簇：3 个以上 score<0.05 的连续字，且与后文重叠 → 标记为跳切残留

有效叠词白名单（不误判）：试试、看看、谢谢、刚刚、常常、爷爷、妈妈 等 100+ 词

单条反复迭代（最严格模式）

对质量要求极高的 clip，用 iterate-until-clean.py：

source scripts/.venv-whisperx/bin/activate
python3 scripts/iterate-until-clean.py clips/02-AI后背发凉.mp4

每轮：WhisperX 转写 → 检测 → 修复 → 替换 → 再转写验证。
最多 5 轮，通常 1-2 轮收敛。

每条耗时

WhisperX 转写 1 分钟 clip ≈ 60-90 秒（CPU）。
14 条全部 post-check ≈ 15-20 分钟。务必后台运行。

---

Phase 5: 最终检查

for f in clips/*.mp4; do
  [ -f "$f" ] || continue
  sz=$(du -h "$f" | cut -f1)
  dur=$(ffprobe -v error -show_entries format=duration -of csv=p=0 "$f" 2>/dev/null | cut -d. -f1)
  min=$((dur/60)); sec=$((dur%60))
  printf "%-35s %5s  %d:%02d\n" "$(basename "$f")" "$sz" "$min" "$sec"
done

---

输出规格

• 位置：workspace/clips/<编号>-<名称>.mp4
• 命名：01-胆子够大.mp4、02-AI后背发凉.mp4
• 编码：H.264 CRF23 + AAC 128kbps + faststart
• 大小：3-25MB/条（取决于时长）
• 压缩率：比原始切片平均短 20-30%（静音 + 口吃 + crossfade）

---

与其他 Skill 的衔接

video-to-text       →  转写 JSON（时间戳 + 口吃检测来源）
    ↓
insight-extractor   →  观点摘要（切片候选来源）
    ↓
video-clipper       →  短视频切片（本 skill）
    ├── Phase 3: batch-clip-v4.sh（去静音 + 去口吃 + crossfade）
    └── Phase 4: batch-postcheck.sh（WhisperX 二次质检）
    ↓
（人工 / 剪映加字幕）→  发布短视频平台

---

踩坑记录

| 问题 | 原因 | 解决 | |------|------|------| | 音画不同步 | select/aselect 滤镜音视频时间基不同 | 改用 trim/atrim + concat | | 时间戳不认 | 109:30 格式超过 59:59 | 改为 H:MM:SS（1:49:30）| | macOS zsh 报错 | mapfile 不存在 | 用 while IFS= read -r line | | 中文文件名乱码 | nohup 后台 + CJK 路径 | 建英文 symlink | | exec session 超时 | 15-30 分钟任务被 SIGTERM | 所有批量任务必须 nohup | | 残留口吃 | 原始转写漏识别，stutter-detect 抓不到 | Phase 4 WhisperX post-check | | 跳切"咔哒"声 | trim+concat 拼接点音频突变 | 每拼接点加 20ms acrossfade | | 口吃误判叠词 | 试试/看看/谢谢 被当作重复 | VALID_REDUP 白名单过滤 |

---

性能参考

| 切片数 | 总原始时长 | Phase 3 耗时 | Phase 4 耗时 | |--------|-----------|-------------|-------------| | 6 条 | ~15 min | ~8 min | ~10 min | | 14 条 | ~35 min | ~20 min | ~20 min | | 20 条 | ~50 min | ~30 min | ~28 min |