- name
SKILL.md
स्किल फ़ाइल पब्लिशर की रिपॉज़िटरी में ही रहती है।
कॉपी की गई कमांड टर्मिनल में पेस्ट करें। यह इस SKILL.md को उस एजेंट में इंस्टॉल करती है।
npx skills add JimLiu/baocut --skill shorts-segments -a cursor -yकॉपी की गई कमांड टर्मिनल में पेस्ट करें। यह इस SKILL.md को उस एजेंट में इंस्टॉल करती है।
npx skills add JimLiu/baocut --skill shorts-segments -a claude-code -yकॉपी की गई कमांड टर्मिनल में पेस्ट करें। यह इस SKILL.md को उस एजेंट में इंस्टॉल करती है।
npx skills add JimLiu/baocut --skill shorts-segments -a codex -yकॉपी की गई कमांड टर्मिनल में पेस्ट करें। यह इस SKILL.md को उस एजेंट में इंस्टॉल करती है।
npx skills add JimLiu/baocut --skill shorts-segments -a grok -yकॉपी किया गया संदेश Grok Bot चैट में भेजें। Bot यह SKILL.md GitHub से लाता है और उसे उन स्किल में जोड़ देता है जो आपके सभी Bot साझा करते हैं।
Install this skill: https://github.com/JimLiu/baocut/tree/HEAD/skills/baocut/built-in-skills/shorts-segmentsपब्लिशर से
刷到这条短视频的人没看过长视频,也不知道前面讲了什么。头三秒没抓住他,他就划走了;中间出现「刚才说的那个」,他就不知道在说什么。所以一段短视频要自己站得住:开头就是钩子,只讲一件事,停在结论上。
挑的单位是话题:一件事从提出到讲完。一个观点和它的理由,一个问题和它的回答,一个故事和它的落点。一支短视频就是一个话题完整的一段,不多也不少。
最容易挑坏的两种样子:
交付的是可编辑的子视频,不是 mp4:每一段用 videos_derive 建成父视频旁边的一个独立视频,用户在编辑器里继续调入出点、画面和字幕,要文件时再导出。
没有转写(kind 为 speech 的文档)时先转写,告诉用户转写在进行。挑片段只需要原文的词时间;润色和翻译只在用户要时才做。视频已经有章节时,章节有助于定位话题,但章节的边界不是短视频的边界。
读带时间的文稿:export 导出字幕(kind subtitles、format srt)或带时间码的文稿(kind transcript、format md、timestamps true),给 purpose preview(只是你自己读,不是交给用户的),jobs_inspect 等到 completed,读 outputs 里的文件。这些时间是剪辑后时间线上的时间,和 videos_derive 的 start、end、取帧用的是同一个时钟。
句界怎么取:找句子的起止不用 dump 整份 speech 文档。documents_read 读转写时给 view sentences(结果带 nextCursor 时照它读完所有页),返回的 translationBasis.sentences 每一句带 start、end(秒),但那是素材时钟;videos_derive 的 start、end 是时间线时钟。父视频从 0 秒开始、原速、没有剪口地播放这条素材时,两者相同,可以直接用句子的 start、end 定区间。先确认这一点:用 videos_inspect(或 facts)看视频项的 sourceIn 是否为 0、速度是否为 1、有没有剪口。任一条不满足,就用上面导出的 SRT 或文稿里的时间线时间,或者把素材时间换算成时间线时间再传,不要把素材时间直接当时间线时间用。
用户点了话题(「切一支讲 X 的」)时,先用 space_search_v2(query 写 X 的意思,videoIds 只给这部视频,kinds 给 ["speech"])找讲到它的几处,再按上面读那几段前后的文稿定区间;命中的时间在当前时间线上(clock 为 sequence)时可以直接当时间线时间用;needsResolve 的先用 space_resolve_search_hit 按当前版本重新定位;weak 的先读原文。没有语义索引时(effectiveMode 为 lexical)换几个关键词再找,或读全文。
已经切过的:space_list 给 videoId 列出这部视频派生的短视频,读它们的名字与区间,不重复切同一段;用户要再切一支同一话题的时先问。
漏掉好话题,多半不是没读到,而是边读边挑:几个响亮的话题先入了眼,别处就没再认真看。所以先把整篇按话题切完、写下来,再挑;挑只从这张地图里挑。用户点名只要切某一件事时不用画,按上面「用户点了话题」做。
video;minChapterSec 给 30,maxChapters 按视频的分钟数给,最多 200)的 mode 为 topic 时,每个 candidates[].at 都该落在地图里某个话题的开头附近。落在一个话题中间的,回去重读那一段,多半是把两个话题记成了一个。mode 为 model 时跳过这一步。够格的话题三条都满足,缺一条就不要:
地图上每一行都要有结论,不凭印象挑:要么够格,要么写明缺的是哪一条(没有看点、要靠前文才懂、没有能开场的话、没讲到落点),或者它是寒暄、广告,或与已经切过的区间重叠。说不出具体缺哪一条的,就是够格。「不如别的强」「已经挑了好几支」都不是不够格的理由。提示词里的「最值得发的」「最好的」指的是这道门槛,不是只取前几名;只有用户给了支数,或够格的超过 10 个时,才按强弱取舍(见下面「几支」)。
文稿只是线索:对够格的话题,用 videos_frames 在那几秒取几帧看画面(有没有可看的、说话人在不在画面里),再结合上下文判断是认真说的还是玩笑。帧是素材画面,不含字幕与叠加的元素。然后按看点强弱、成立得稳不稳排序,最强的在前。
derived)和它们的区间,新的候选避开这些区间。对比一下(只是示意):
不好:12:00–14:30,从「好,那我们接下来聊聊成本这块」开始,到「这个我们待会儿再展开」结束。
好:12:41–13:22,从「我们算过,一条视频的成本其实只有三块钱」开始,到「所以贵的从来不是生成,是返工」结束。
后一段是一个完整的话题:头一句就是数字,中间是理由,停在结论上,没有指代前文的话。
不需要在会话里反复问边界:子视频保留着整份时间线与文稿,用户在编辑器里点划掉的句子就能把它放回来。标题和理由用用户说话的语言写。
对每一段调用 videos_derive:
video 是父视频,start、end 是剪辑后时间线上的秒,name 用片段标题。width 1080、height 1920;1:1 时 1080×1080;保留原画幅(或没提)时不传 width、height 和 fit。不要为了「高清」把小尺寸放大。fit: "cover"(铺满、裁掉多余)。用户说「居中」:不传 crop 和 crops,居中建好;说「我自己定」:同样居中建好,并告诉用户可以在画布上直接拖动、缩放画面自己摆(一拖就变成自由摆放,之后换画幅不再跟着铺满)。用户没说或说「自动」(默认):走下面按镜头取景的流程。给的裁框只是取景:子视频里存成取景点,源画面不裁,之后改回原画幅还能看到完整画面。取景是按镜头切换的静态裁框,不是跟随人物的运动镜头:用户要「画面一直跟着说话的人移动」时如实说做不到。带取景点的片段在画布上只能围着取景点放大、缩小(focalPoint.zoom),不能拖动:要换某段对准的位置,你用 setStyle 改那一段的 focalPoint,或请用户在画布上把它改成自由摆放后自己摆(之后换画幅不再自动对准)。range(起:止,这一段的时间线秒)取这一段的 shots(每个镜头有 start、end 和三个 sampleAt)与 cuts。它只检测画面切换,不认人。再用 videos_frames 的 at 传所有镜头的 sampleAt,每次 8 个镜头(24 帧,是单次上限)。每帧的 faces 是检测到的人脸框,x、y、w、h 按帧的宽高归一化到 0–1,对应素材画面,正好是 crop 的坐标。w × h)小于 0.001 的脸是误检,不算;面积不小于最大那张脸 1/4 的是主脸。只有一张主脸的是单人近景;两张以上主脸、左右跨度(最左脸的 x 到最右脸的 x + w)超过竖屏裁框宽 cw(第 5 步的公式)的是多人全景;跨度不超过 cw 的是多人近景;没有脸的另记。不要拿固定的面积阈值分近景与全景:同一部片子里全景的脸可以和别的片子的近景一样大。x + w/2)归成人,相差不到 0.1 的算同一个人。出现的帧数最多的是主讲人;帧数相近时取平均面积大的那个。另一个人的近景就是采访者(或对方)的镜头。crop 同一套坐标);再看上下有没有烧进画面的边框(色条、黑边)。cw = (画布宽 ÷ 画布高) × (原画高 × (1 − top − bottom) ÷ 原画宽);left = 中心 − cw/2,限制在 0 到 1 − cw 之间,right = 1 − cw − left。实例:16:9 的原画出 9:16、上下不裁,cw = 0.316;脸中心在 0.30 时给 left 0.142、right 0.542。上下有烧进去的边框时,top、bottom 给边框的高度比例把它裁掉(多给一点,不留细边),没有就给 0。
x + w/2)的中位数。子视频是什么:整份复制父视频的时间线与文稿,区间之外的部分被剪掉,用户在编辑器里点划掉的句子就能把它放回来;原视频不动。所以不要把哪一支移入回收站,也不要为了「改边界」重建一支,让用户在编辑器里拖。
去口癖、收紧停顿会改动整个视频,不在这里做;用户要时先说明影响,按剪口播的做法在子视频上处理。
创建结果里的 warnings 逐条告诉用户,用大白话:
multiple-assets:父视频不止一份主素材,这一版只按主素材剪,别的素材跟着移动,请用户在编辑器里检查。items-not-restorable:整段落在剪掉区域里的其他轨片段不会随「恢复」回来。range-not-exact:区间之外有一部分没能剪掉(主素材盖不到),入出点会比要求的略宽。captions-skipped:字幕层没建成,说明原因,告诉用户可以在字幕面板里再建。crops-adjusted:有一段取景范围被裁短或丢掉了(超出子视频范围,或截完一帧不剩),截掉的那几帧按相邻镜头或兜底的裁框取景;告诉用户是哪几秒:可以在画布上选中那一段放大,要挪位置先改成自由摆放,或请你改那一段的 focalPoint。split-short:有分屏段短于 3 秒:先核对合段有没有算错;告诉用户是哪几秒,觉得闪可以在属性面板的「版式」里换回一人。panel-upscaled:有几格放得太大(成片一个像素对原片超过 2.5 个),画面会发虚;告诉用户是哪一段,可以在「版式」里调小放大或换回一人。panel-region-cropped:有一格装不下你给的区域,这个人被裁掉了一部分;同样告诉用户是哪一段、在「版式」里调。panels-ignored:分屏段没生效,按几个人的并集当一人取景了(画幅没变、不是铺满或片段不是全屏);说明是哪一段。animation-split:画面被按取景切成了几段,循环动画或音量包络在每段的交界处会重新开始;告诉用户在哪几秒,有影响时请他在编辑器里检查。translations-skipped:父视频的这份译文没能带进子视频(旧格式换不过来),子视频里没有这门语言;告诉用户是哪种语言,可以在子视频上重新翻译。拒绝的错误(父视频有代码画面、区间为空等)如实说,不绕开。
默认交付是子视频,不是 mp4。用户明确要文件时,再对子视频调用 export:kind video、format mp4,jobs_inspect 等到 completed,把 outputs 里的 path 告诉用户。时间线上的字幕默认烧进成片(burnCaptions),不要字幕时给 false。用户想直接导出、不建子视频时,也可以沿用在父视频上按 ranges 导出的老办法,每段一个 {start, end}。
preview,不按 ranges 把片段导出成 mp4 来检查。收尾时逐支列出,写给用户看:
用户有一个长视频(访谈、讲座、直播回放、口播),想从中切出几支能单独发布的短视频时用:读转写找出最值得发的话题,每个话题从开头的钩子剪到讲完,建成可编辑的子视频,用户在编辑器里接着调;几支、每支多长可以交给你按话题定。需要视频的转写。不用于按主题从零做一个新的短视频,也不用于把整段口播剪干净(用剪口播)。
---name: shorts-segmentsdescription: 用户有一个长视频(访谈、讲座、直播回放、口播),想从中切出几支能单独发布的短视频时用:读转写找出最值得发的话题,每个话题从开头的钩子剪到讲完,建成可编辑的子视频,用户在编辑器里接着调;几支、每支多长可以交给你按话题定。需要视频的转写。不用于按主题从零做一个新的短视频,也不用于把整段口播剪干净(用剪口播)…---# skills/baocut/built-in-skills/shorts-segments/SKILL.mdFAQ
पब्लिशर से skills/baocut/built-in-skills/shorts-segments/SKILL.md डाउनलोड करें, या पाथ कॉपी करके रिपॉज़िटरी खोलें। PlugMCP स्किल को सूचीबद्ध करता है, फ़ाइल होस्ट नहीं करता।
पब्लिशर इसे https://github.com/JimLiu/baocut पर रखता है।
Claude, Cursor, Codex और Grok Build वह SKILL.md पढ़ सकते हैं जिसे आप पब्लिशर की रिपॉज़िटरी से जोड़ते हैं। जब आप चैट में स्किल के GitHub फ़ोल्डर का लिंक भेजते हैं, तो Grok Bot उसे इंस्टॉल कर देता है।
top、bottom 都不超过 0.15)让脸大一些,不超过;有烧进去的边框时,边框高度也算在这 15% 里,边框更高就以边框为准,并在 notes 里说明。left 的差,且 top、bottom 相同)时合并成 crops 的一项,from 取前一个镜头的起点,to 取后一个镜头的终点。left 至少是台标右缘 + 0.01;在右边时,left + cw 至多是台标左缘 − 0.01(right 至少是 1 − 台标左缘 + 0.01)。挪了之后这个镜头的脸被裁出画面、或者两边都让不开时,这个镜头换裁框也不行,就换片段;不要交付压着半个台标的裁框。layout: "rows"(上下排开),4 人 "grid"(田字格),5 人以上不分屏。crops 的这一项写 {from, to, layout, panels},panels 是每个人要看见的源区域(四边比例,同 crop):以这个人的脸为准,左右各留一张脸宽,上面留半张脸高,下面到胸口(脸下面再约 2.5 张脸高),出了画面的边取 0。次序随意:Runtime 按左右排进格子,最左的人在最上面,同一个人在每一段分屏里都在同一格。rows。用户要「上一下二」或「主讲在上面」时写 layout: "spotlight"(上格整宽,下面左右各半),并给 main:panels 里主讲人那一项的下标(0 起;主讲人按第 3 步认,认不出时问用户或改用 rows);另两人 Runtime 按左右排进左下、右下。别的版式不要给 main,否则整次创建被拒。gap(画布短边的百分比,0–10;说「留一条细缝」给 1–2);不说不给。crops 项盖住整段,不按说话人来回切。说「跟着说话的人」时,对这一段再调一次 videos_shots,range 同上,另给 by: "speaker"(提示词说不要分屏时再给 split: false)。返回的 shots 每段的 face 是 faces 的下标:对准一人的段用 faces[face].box 按第 5 步单人近景的算法给裁框,分屏段(face 为 null)用所有 faces 的框按本步给各格区域;from、to 直接用 shots 的 start、end,不再合段、不再按 3 秒改。speakers 里 face 为 null 的人没认出来:notes 里说是谁、他说话的那几段为什么分屏。返回错误(SHOTS_NO_SPEAKERS 等)时照 next 做:整支分屏,notes 写原因;SHOTS_NO_SPEAKERS 时请用户先在 AI 工具里识别说话人,再剪一次。crops 的 from、to 直接用 shots 的 start、end,是逐帧准确的,不再在估出的切换点前后各 1 秒试探。只有看到某个镜头的三帧明显是两种机位(说明漏了一个切换)时,把 threshold 降到 0.2,对那一小段重跑 videos_shots;或在怀疑的时间点前后用 at 补取几帧。创建时:crops 传全部合并后的项(一人 {from, to, left, top, right, bottom},分屏 {from, to, layout, panels},上一下二另带 main,留缝另带 gap;最多 64 项、互不重叠,都是父视频时间线的秒),同时把第一个一人镜头的裁框作为普通的 crop 传上,当作没覆盖到的帧的兜底。faces 都是空的,居中(不传 crop 和 crops),并如实说没找到人脸。结果的 detector 为 null 时是检测器不可用,不是没人:这时退回看帧图片,逐镜头估主讲人在画面哪一侧,照第 5、6 步的算法给 crops 和 crop,并说明这次是看图估的;看图估不分屏。hook 是保留段的第一句原话,原样照抄,不改写(至多 300 字);reason 一句话说为什么挑它,写给用户看(至多 500 字);notes 是提示牌字符串数组,写取景、机位、台标检查里发现并需要用户知道的事,没有就不传。
hook、reason、notes 就是派生来源文档里的那份(认回已有的子视频时是原来那份,这次传的不会改写它);也可以用 documents_read 读返回的 derivationDocumentId。chapters: false:30 秒的子视频不该带着父视频的整份章节。captions 按用户的字幕要求:要字幕给 true(默认),不要给 false。用户只要原文或只要译文时,字幕层的选择按他的话,做不到的(例如没有译文)如实说。translations-skipped 警告时,告诉用户哪种语言没带上。range 是实际采用的边界,对一下和你要的差多少(见上面的短停顿);captions[].cueCount 只数落在区间内的 cue,不是整份字幕的条数,用它判断字幕有没有建出来、数量是否合理。reused 为 true),不会多建。