下载地址
https://www.zhengdianxue.com/wp-content/uploads/skills/org-5x0te7fi--xiaobai-video-processing.zip将提示词发送给你的 AI 安装该 skills
请根据 https://skillhub.cn/install/skillhub.md，安装 @org-5x0te7fi/xiaobai-video-processing。面向中文用户，把已有视频或图片制作成指定语言的配音字幕视频。只要用户提到视频翻译、多语言版本、外语配音、替换视频旁白、给视频加字幕、用图片加文案生成短视频，或希望交付 MP4 与 SRT，就应优先使用本 Skill。适用于基于现有画面的视频本地化与“素材加文案成片”，不用于视觉重设计、人物口型同步或复杂人工剪辑。
阅读全文 （展开查看完整说明）
概述
无需操作剪映、CapCut 或 OpenCut 界面，使用 scripts/render_localized_video.py 将视频或单张图片、目标语言文案和配音合成为可发布 MP4，同时输出外置 SRT、目标语言时间轴和验证记录。
先判断能否开始
先从用户消息和附件中提取输入，不要一上来生成时间轴或渲染。信息不足时，暂停制作并一次性说明缺少哪些内容；不要猜测语言、文案、时长、路线、机构名或服务承诺。
最小输入清单
所有模式都需要：
- 画面素材：一个视频或一张图片的本地路径/附件。
- 目标语言：例如英文、日文、阿拉伯文；最好同时给出地区或受众。
- 制作模式：
现有视频本地化：按已有成片的口播/字幕改成目标语言；或素材 + 指定文案成片：按用户提供的目标语言文案制作。
按模式补充：
| 模式 | 必填补充信息 |
|---|---|
| 现有视频本地化 | 中文/原语言参考成片或可确认的原文；优先提供无字幕、无原语言旁白的干净底片；目标语言。 |
| 素材 + 指定文案成片 | 最终目标语言文案；若画面是图片，还需目标时长。 |
| 用户提供配音 | 配音文件路径，并确认其时长可与时间轴对齐。 |
还应确认但不阻塞基本分析的信息：配音偏好（女声/男声/中性）、字幕是否烧录、交付比例/分辨率、是否允许云端 TTS。未说明时，说明你将使用原视频画幅、烧录字幕 + 外置 SRT，并优先使用本地 TTS。
缺失信息时的固定回复
按实际缺项使用下面模板，避免泛泛地问“请补充资料”：
可以制作，但现在还缺以下开始条件：
- 画面素材：请上传视频/图片，或给出本地路径。
- 目标语言：例如英文（美国）或日文。
- 制作方式：请选择“现有视频本地化”或“素材 + 指定文案成片”。
- [按实际情况] 参考成片/原文、目标语言文案、图片时长、配音文件。
你可以直接按此格式回复：
素材：
模式：
目标语言：
参考成片或原文：
目标语言文案：
图片时长（如适用）：
配音偏好或现成音频：如果用户只有中文成片而没有干净底片，先说明可以分析、转写和翻译，但不能承诺无中文烧录文字的高质量英文版；应请求无字幕原视频，而不是用大面积遮罩盖住原画面。
两种制作模式
现有视频本地化
- 将带字幕/口播的参考成片仅用于恢复原文、镜头节奏和时间点。
- 有干净底片时，始终以干净底片作为最终画面；自然翻译面向目标受众，不逐字硬译。
- 先从画面证据核对人名、机构名、路线和指示牌。医疗、法律、金融、身份、预约或授权等关键信息不清楚时，标为待确认，不得编造。
- 静音原视频音轨，避免残留原语言说话声，除非用户明确要求保留现场声音。
素材 + 指定文案成片
- 用户给出的目标语言文案是唯一文案来源；不要擅自补充承诺、服务范围或事实。
- 输入为视频时，默认保留原时长；若文案无法在该时长内自然朗读，先说明并让用户选择缩短文案或延长/裁剪视频。
- 输入为图片时，必须确定时长；使用轻微缩放或平移保持画面自然，但不把它伪装成复杂视觉重设计。
制作流程
- 检查素材的时长、分辨率、音轨、烧录文字和隐私风险；确认参考成片与干净底片对应。
- 对参考成片做转写/OCR，结合画面证据校对后写出自然的目标语言文案；若用户已给定文案，以该文案为准。
- 创建 UTF-8、无表头的
timeline.tsv。格式见 [时间轴格式](references/timeline-format.md)。显示文案必须是最终版；如有只为改善发音的改写，另存为时间完全一致的 TTS 文本。 - 先渲染一段 10–15 秒配音试听。默认 macOS 本地 TTS 使用
say；如果没有 macOS、所需语音不可用、试听静音或发音不自然，停止全片生成，改用用户提供的音频或明确的替代 TTS 方案。 - 使用脚本合成；若给了外部配音，使用
--audio。图片素材必须传--duration。 - 检查最终 MP4：时长、H.264 视频、可播放的 AAC 音轨、字幕可读性、SRT 时轴、响度，以及是否混入原语言声音或遮住主要画面。
python3 scripts/render_localized_video.py
--media /绝对路径/source.mp4
--timeline /绝对路径/timeline.tsv
--voice Samantha
--output /绝对路径/localized.mp4已有配音时：
python3 scripts/render_localized_video.py
--media /绝对路径/source.mp4
--timeline /绝对路径/timeline.tsv
--audio /绝对路径/voice.wav
--output /绝对路径/localized.mp4图片素材时额外添加 --duration <秒数>。
约束与交付
- 不将 Computer Use、剪映、CapCut 或 OpenCut 作为渲染依赖。OpenCut 的稳定官方 CLI 尚不应被当作已具备的能力。
- 字幕使用描边或阴影；除非用户要求，不加全宽不透明黑条。
- 如果画面含烧录文字，优先索取干净底片；只可制定局部、可验证的处理方案，不能用大面积遮罩掩盖。
- 交付：发布 MP4、外置
.srt、目标语言timeline.tsv、目标语言文案，以及验证记录（时长、视频/音频编码、音量和已知限制）。 - 发布前必须完整播放或分段试听；发现静音、发音异常、字幕溢出、不同步、残留原语言声音或隐私问题时，修正并重新渲染，不得直接交付。
