视频字幕拼图

先判断字幕来源，再选模式。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。

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。
• 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。
• 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

• 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。
• 4 个字幕条时，主画面约占 70%，每条约占 7.5%，条间距为 0。台词较少时把多余高度留给主画面，不拉高字幕条。
• 只有自动布局确实不适用时，才传 --hero-fraction。
• 不覆盖已有成品。只有用户明确要替换时才添加 --overwrite。
• 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。

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。

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 \
  --aspect 3:4 --width 1440 \
  --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

脚本会尝试 macOS、Windows 和 Linux 常见 CJK 字体。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。
• 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。
• 默认四个字幕条时，主画面约占 68–72%，条与条紧凑相接，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。