视频字幕拼图
先确认用户想要的字幕模式，再判断素材是否支持。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。
开始时确认模式
如果用户没有明确指定模式，先用用户当前使用的语言询问，并简短说明两种选择。中文提问可直接使用：
您当前是选择原生字幕还是脚本字幕？原生字幕会保留视频画面里已有的字幕，不重绘文字；脚本字幕会把您确认过的台词或翻译后期绘制到真实视频帧上，并标明是后期字幕。
用户已明确说“原生字幕”“保留画面原字幕”“不重绘字幕”，或“脚本字幕”“把指定台词/翻译绘制到画面上”时，按其选择继续，不重复询问。用户尚未选择时，可以只读检查素材以说明哪种模式可行，但不要执行模式专属的渲染；等用户选择后再继续。若所选模式与素材不匹配，说明具体原因并征求用户是否改选，不能自行切换。
非阻塞版本检查
每个新任务开始、处理素材之前运行一次：
bashpython3 "<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。
bash# 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：
bashpython3 -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
- 原生字幕默认使用内容自适应布局：保留源宽度，高度为主图和字幕条之和，整图统一等比缩放。用户未指定比例时，不主动添加
--aspect 3:4。 - 脚本字幕默认输出 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。
- 两种模式每张图最多 7 个时间点（1 个主画面 + 6 个字幕条）；台词更多时拆成多张图，不压缩字幕条。
- 脚本固定布局的 4 个字幕条时，主画面约占 70%，每条约占 7.5%。原生模式不强制这个比例，第一句和后续字幕必须保持同一缩放倍数；原视频字号不同则保留差异，不重绘文字。两种模式条间距都为 0。
- 原生模式显式
--aspect 3:4或--layout fixed时，默认--fit crop：自动识别每句字幕左右边界，对整张拼图统一裁去两侧，最多裁到字幕安全边界，剩余差额留黑边；任一句识别不到字幕边界时不裁切、整图留边。人物偏离中心时用--crop-center（0–1）移动裁切窗口；用户要求不裁画面时用--fit pad。不得单独放大主图来填满。--hero-fraction只调整源主图裁切高度，受真实帧高度限制，不保证占最终含边画布的该比例。脚本模式只有自动布局确实不适用时才传它。 - 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。
保留画面原比例
“人物原比例 / 不裁横屏 / 原生尺寸”是画面几何要求，不等于选择原生字幕模式。字幕来源仍按用户的选择处理。
- 用户要求保留完整横屏构图时使用
--layout natural：保留源宽度，高度按主画面与字幕条相加；不再强制 3:4。 - 不传
--width时保留源宽度；传入宽度时仅等比缩放。裁切后禁止把画面 resize 回原来的宽高，也禁止把成品直接拉成 1440×1920。 - 原生字幕模式保留从画面顶部到
--band-bottom的主图和完整字幕条；不重绘文字。 - 脚本字幕模式可用
--frame-top/--frame-bottom仅裁去不需要的源画面区域，默认保留全帧。先预览边界，不能裁掉人物关键部位；--band-center相对裁切后的画面。 natural不与--aspect/--hero-fraction合用；70% 主图验收只适用于脚本固定布局。两种布局都不得非等比拉伸。
bashpython3 "<SKILL_DIR>/scripts/native_subtitle_stitch.py" render-script VIDEO \ --script script.json --out natural.jpg --layout natural \ --frame-bottom 0.72
上例 0.72 只是裁切示例，不是所有视频的默认值。
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：
bashpython3 "<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：
bashpython3 "<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。
bashpython3 "<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
json{ "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] } ] }
bashpython3 "<SKILL_DIR>/scripts/native_subtitle_stitch.py" render VIDEO \ --manifest manifest.json --out-dir OUTPUT_DIR \ --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
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
bashpython3 "<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。
- 原生模式检查第一句与后续字幕是否使用同一缩放倍数、没有横向裁字；固定画布允许外侧留边。
--fit crop的成品要逐张确认每句字幕两端完整、人物没有被两侧裁切切脸，并在交付中说明渲染输出的裁切或留边结果。脚本固定布局默认四条时主图约占 68–72%；内容块之间没有额外间距。 - 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。
