video-recap-skills

video-recap-skills

中文 · English

一句话，把视频做成中文解说 recap。 在 Claude Code 里说一声就开跑，本地只要 ffmpeg 加一个小米 MiMo 的 API Key——不用 GPU、不下模型，macOS / Linux / Windows 都能跑。

演示

https://github.com/user-attachments/assets/92698ec6-0d23-4f9f-8825-c3684ef57aff

成片之外，还能一键导出剪映草稿手动精修——原片、解说、BGM、字幕各一轨：

这是什么

flowchart LR
    research["背景调研"] --> understand
    video(["视频"]) --> understand["理解<br/>场景·ASR·VLM"] --> script["写稿<br/>Agent"] --> voiceover["配音<br/>MiMo TTS"] --> assemble["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:#eef6ff,stroke:#4f86c6,color:#1f2937;
    classDef opt fill:#f3f4f6,stroke:#9ca3af,color:#374151;
    class video,output io;
    class research,cut opt;

为什么用它

• 一个 key 跑全程。 ASR、VLM、TTS 全走小米 MiMo，本地除了 ffmpeg 没别的依赖。
• 先查资料再写稿。 跑前把剧情、人物查清楚存进 background_research.json，VLM 才认得出谁是谁。
• 解说成块，原声也成块。 解说一段段连着讲、整块一次配音，段间留白把精彩原声整段放回满音量——大致七三开。
• 先剪后配，画面不串。 --edit-mode cut 先把长视频剪成成片，再对着成片写解说，时间轴天然对齐；出稿前还有一道 LLM 评审挑幻觉、钩子和主线。
• 能接着在剪映里改。 可选导出多轨剪映草稿，原片、解说、BGM、字幕各占一轨；核心渲染只靠 ffmpeg，不装剪映照样出片。

安装

① 装插件——对 Claude Code 说：

安装这个插件：https://github.com/worldwonderer/video-recap-skills

② 装 ffmpeg（流水线本身不用 pip install，脚本都是标准库 + PATH 上的 ffmpeg，Python 3.10+）：

brew install ffmpeg                        # macOS
sudo apt install ffmpeg                     # Debian/Ubuntu
choco install ffmpeg                        # Windows（或 scoop / winget install ffmpeg）

字幕默认烧进画面，需要带 libass（subtitles 滤镜） 的 ffmpeg——上面这些包基本都自带。如果你的 ffmpeg 没编 libass，开跑前会立刻报错并提示（也可以加 --no-burn-subtitles 输出未遮黑条的 MP4 + .srt 外挂字幕）。用 python3 scripts/recap.py --doctor 自检。

③ 配 MiMo API Key（一个 key 同时驱动 ASR / VLM / TTS，放环境变量、别写进仓库）：

export MIMO_API_KEY=your-mimo-key
# tp-* 的 Token-Plan key 会自动连集群，可选 cn | sgp | ams：
export MIMO_TOKEN_PLAN_CLUSTER=cn

按量付费的 sk-* key 默认走 https://api.xiaomimimo.com/v1。其它都有默认值；想分别配 key/URL 或改模型、音色、响度、字幕等，见 配置手册。

怎么用

把视频丢给它，顺手给点视频背景：

给 /path/to/video.mp4 做个解说。这是《庆余年》第一集，主角是范闲。

它会分析视频、照背景写解说，产出带字幕的 recap_<名>.mp4。想要别的花样，照样一句话：

把 /path/to/long.mp4 剪成十分钟左右的解说短片，字幕压进画面。

背后是编排器把几个阶段串起来跑，中间停下来让 Agent 写解说（剪辑模式会停两次：先写 clip_plan.json 挑片段，剪成成片后再对着成片写 narration.json）。第一次跑前先自检环境：

python3 skills/video-recap/scripts/recap.py --doctor

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（--consolidate 索引默认开）	视频 → scenes / asr_result / vlm_analysis / silence_periods / timeline_fusion / agent_narration_brief.md
video-script	写作规则（SKILL.md）+ 评审（LLM 评委）+ lint/校验	brief + 索引 → 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 + --doctor	视频 → recap_<名>.mp4

输出

• recap_<video>.mp4：成片（固定输出名，每次运行原地覆盖，迭代解说时刷新同一文件）。subtitles.srt（默认烧录字幕，同时产出 subtitles.ass；--no-burn-subtitles 关闭）
• work_dir/narration.json：解说脚本（narration_lint.json 时间诊断、narration_review.md 评审意见）
• work_dir/agent_narration_brief.md：给 Agent 的时间和场景 brief
• work_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/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

参考文档

• 各 skill 的契约：每个 skills/<skill>/SKILL.md（写作规则在 video-script 的 SKILL.md 里）
• 数据结构 · 配置手册 · 多轨时间线 / 剪映导出
• 背景调研指南 · VLM prompt 模板

致谢

• linux.do
• 剪映草稿导出参考了 pyJianYingDraft、capcut-mate（均 Apache-2.0）的草稿结构。

许可

MIT，见 LICENSE。