TypingMindTypingMindThe best frontend for AI
Music Video Subtitle Generator Local logo

Music Video Subtitle Generator Local

Community
swan7-py
music-video-subtitle-generator-local

本地版（逐步确认式 · 纯提示词）。歌词排版/卡点 MV：预检锁定→创意契约→参考卡(只给提示词+等用户返回图像)→预设语法→提示词模板→多镜头视频提示词(调用 h3-video-prompt-cn，以返回参考卡为参考图)+设置建议→Master Audio(先问云端)→剪辑思路。不硬编码任何生图/视频工具路径，不依赖 MiniMax Hub。

Overview

Publisherswan7-py
RepositoryMiniMax-H3-Skills-Local
Skill namemusic-video-subtitle-generator-local
Stars
66
Forks
5
Bundled files
1
Links
Skill sourceRepository
  • Markdown instructions

    A SKILL.md file the model loads on demand, so it only costs tokens when a request actually matches.

  • Works with any LLM

    AI skills are plain Markdown, not provider-specific code, so this works with GPT, Claude, Gemini, Grok, or a local model.

  • 1 bundled files

    Scripts, templates, and references the model can read while it works. Files are read-only and never executed.

  • Open source

    Published by swan7-py on GitHub. Read the source before you install it.

Installation

Install the Music Video Subtitle Generator Local AI skill in TypingMind to use it with any LLM, or drop it into another agent that reads SKILL.md.

1

Install in TypingMind

TypingMind installs a skill straight from its GitHub folder — it reads SKILL.md, bundles the resource files, and stores the result locally.

  1. Open the app and go to Plugins → Skills.
  2. Choose "Install from GitHub".
  3. Paste the skill folder URL below and confirm.
    https://github.com/swan7-py/MiniMax-H3-Skills-Local/tree/main/old/music-video-subtitle-generator-local
  4. Enable the skill in any chat where you want it available.
Plugins → Skills → Add skill → From GitHub URL, then paste the folder URL and press Continue.
2

Install in another agent

Any agent that reads the Agent Skills format can use this skill — copy the folder into that agent's skills directory.

Claude Code — .claude/skills
git clone --depth 1 https://github.com/swan7-py/MiniMax-H3-Skills-Local.git /tmp/MiniMax-H3-Skills-Local
mkdir -p .claude/skills
cp -r /tmp/MiniMax-H3-Skills-Local/old/music-video-subtitle-generator-local .claude/skills/music-video-subtitle-generator-local
Restart Claude Code after copying so it picks up the new skill.

Use it in TypingMind

Enable Music Video Subtitle Generator Local in any TypingMind chat and the model takes it from there. Its name and description sit in the system prompt, and the moment a request matches, the model loads the full instructions itself — you never invoke it by hand, and it costs no tokens until it is actually used.

The model loads Music Video Subtitle Generator Local on its own as soon as a request matches it.

Works with any AI model

AI skills are plain Markdown instructions rather than provider-specific code, so Music Video Subtitle Generator Local is not tied to the model it was written for. Install it once in TypingMind and use it with GPT-5, Claude, Gemini, Grok, DeepSeek, Mistral, Llama, or a local model you run yourself — all on your own API keys.

  • Loaded only when it is needed

    The system prompt carries just the name and description. The instructions are fetched on the first matching request, so an idle skill costs nothing.

  • Switch models mid-chat

    Because the skill is instructions rather than code, changing model does not break it — the next model reads the same SKILL.md.

Skill instructions

This is the SKILL.md content the model loads. Read it before installing — a skill is instructions your model will follow.

Music Aesthetics MV（本地版 · 逐步确认式）

本文件由原始 skill music-video-subtitle-generator 改造为「本地版 · 逐步确认式」。 本地化改造总则 v2（纯提示词 · 逐步确认 · 交付物门）

⏹ 门控硬规则（真停顿 · 已生效）：本 skill 中每个 ⏸ 确认门 与 ⏸ 交付物门 均为硬性停止点，不是建议。固定执行顺序：① 仅输出当前步骤交付物（提示词 / 文本计划 / 分镜脚本等）；② 立即调用 AskUserQuestion 工具，给三选项「✅ 确认，继续下一步」「✏️ 修改当前步」「⏸ 暂停 / 停止或换方向」；③ 等待用户回复，本回复内绝不可预生成任何后续步骤（即使你觉得能一次写完）。任一 ⏸ 门不得跳过 / 合并，也不得仅用一句"请确认"文字代替——必须用 AskUserQuestion 真正阻塞。

  1. 生图只给提示词，不调用任何生图工具：参考卡等生图步骤只输出文生图提示词；用户自行用任意工具生成图像，并把图像文件路径或地址返回给我。本 skill 不硬编码任何 ComfyUI 工作流路径。
  2. 每一步都确认 + 交付物门（核心规则）：每个步骤产出后我都会暂停，等你「确认 / 修改」。生图步骤必须等你返回图像地址后，才进入视频提示词步骤（视频提示词以参考卡为参考图）。
  3. 视频提示词调用 h3-video-prompt-cn skill：视频提示词均调用用户级 h3-video-prompt-cn skill（纯文本、无需 API）来写；以你返回的参考卡为参考图，按其 I2VA / Ref2VA 结构输出完整 H3 视频提示词（逐镜头），并附端口 / 顺序 / 时长 / 分辨率设置建议与多镜头拼接顺序，由你在本地 H3 节点自行执行。 H3 特殊占位符 <d>/</d>、<|lyrics_start|>/<|lyrics_end|>、<|caption_start|>/<|caption_end|>、<|cutoff|> 及其固定 id 见 h3-video-prompt-cn 的「特殊标记」节，写对白/歌词/字幕时严格照用。
  4. 语音 / 音乐先询问（已升级为「音频模式门」）：进入流程第一步（方向/简报锁定）时，必须先用 AskUserQuestion 问你音频方案，二选一：
  5. 批次时长上限先问（贯穿分镜设计）：同样在进入流程第一步（方向/简报锁定）时，用 AskUserQuestion 问你「本次一次生成几秒？」可选 5s / 10s / 15s（或自定），记为批次时长上限，并贯穿到本 skill 的分镜 / 镜头表设计步骤，使分镜在设计期就 ≤ 批次、无需事后强切。
    • A) 统一 H3 音频：旁白 + 对白 + BGM 全部由 H3 原生音频驱动生成（最省事，音色/配乐与画面同步，无需外部文件）。
    • B) 分离生成：旁白/对白只给提示词（你用任意 TTS 工具，推荐用「参考/音色克隆」模式保证跨镜头一致；不绑定 MOSS-TTS）、BGM 用 ACE-Step 1.5 本地生成（调用 ace-step-1.5-prompt-writer skill）、对白分别生成，后期合成。
    • 记录你的选择，后续「视频提示词步骤」与「音频步骤」依此分支执行。
  6. 旁白/对白一致性（分离模式必做）：若选 B 且含旁白/对白，提醒你把【音色参考文件】（.wav/.mp3，代表目标音色）放到当前项目文件夹（你运行本 skill 的工作目录），并在调用 TTS 时使用「参考模式 / 音色克隆」，确保多镜头音色统一；若你未提供该文件，先暂停请其提供，禁止无参考直接生成（否则各镜头音色漂移）。
  7. BGM 分离 -> 视频提示词只规划视觉（重要）：若选 B，BGM 由 ACE-Step 1.5 单独生成，因此调用 h3-video-prompt-cn 写视频提示词时不可规划 BGM/旁白/对白的音频出现（如"音乐渐强""旁白响起""对话切入"等），只规划镜头/动作/画面；音频在后期合成。若选 A，视频提示词可正常包含音频驱动指令，无需单独生成音频。
  8. 删除自动剪辑 / 拼接：改为提供"剪辑思路"（ffmpeg 硬切 + 卡点对齐）。
  9. 规划 / 分镜 / 排版等文本方法论沿用原 skill。
  10. 删除"表情图"相关提示词。

核心原则（沿用）

  • 先懂作品再选结构；最新确认创意意图；省略无关字段不填空占位。
  • 屏幕文字是设计视觉层而非普通字幕（除非你要字幕）。
  • 上传真歌/beat 为主音频床（除非要替换）。

  • 15s 自然多镜头拼接：多镜头分镜 + 首尾帧续接 + 卡点硬切 + 全局 Master Audio 对齐。

  • 你只要提示词→交付即止；要成片→确认后生成与拼接。

STEP 1：预检锁定

同原 skill：画幅（9:16/16:9/1:1/21:9）、时长与多镜头结构（10s 测试/15s hook/30s+ 多镜头/自定义）、音乐窗口、歌词锁定（你提供则锁、无词则生原词后锁）、>15s 默认多镜头。

  • ⏸ 确认门：预检项呈现后暂停，等你锁定确认。

STEP 2：创意契约

同原 skill：曲风/乐器/BPM 感/声腔/情绪温度、锁定歌词、时长与多镜头拆分、参考图角色（角色卡/场景卡/排版卡）、相机语言、排除项。

  • ⏸ 确认门：契约呈现后暂停，等你确认。

STEP 3：参考图角色与场景采样（只给提示词 + 交付物门）

同原 skill 角色分配：排版参考卡（仅文字包装）、角色参考卡（身份/脸/发型/服装/比例/姿态）、场景参考卡（风格/空间/纹理/光）。 调用用户级 image-prompt-writer-local skill 生成富结构提示词：传入 场景类型=人像/风景/海报（按卡类型：角色参考卡=人像、场景参考卡=风景、排版参考卡=海报文字包装）、风格上下文=MV 统一影调、主体与要求=各卡（角色：身份/脸/发型/服装/比例/姿态；场景：风格/空间/纹理/光；排版：文字风格）。它返回「通用风格锚 + 每张参考卡四段式详描」，你原样呈现。 本步骤产出：每张参考卡的文生图提示词（来自上一步 skill 输出）。

  • ⏸ 交付物门（必过）：提示词给你后暂停。请你生成参考卡图像并返回图像地址（角色卡=角色参考、场景卡=场景参考、排版卡=文字风格参考）。收到后才进入 STEP 4–9。

本地化：删除"表情图"相关提示词。

STEP 4：预设语法 / STEP 5：提示词模板 / STEP 6：音频连续

同原 skill（硬切仅、排版随拍、全局 Master Audio、五大连续性锁：嗓唇/节拍/色调/运动/排版拼接）。

STEP 7：清单

同原 skill：>15s 是否自动多镜头、Master Audio 锁定、切点在歌词停顿/beat、相邻镜有衔接逻辑、硬切无 fade、参考卡互不串味、排版不挡眼/脸、全局影调一致。

  • ⏸ 确认门：清单呈现后暂停，等你确认。

STEP 8：写画布（本地用文件节点）

同原 skill：把完整多镜头 prompt 脚本写入 完整MV Prompt 文本节点。

  • ⏸ 确认门：脚本呈现后暂停，等你确认。

STEP 9：视频提示词（调用 h3-video-prompt-cn + 设置建议 + 剪辑思路 + 交付物门）

不再由本 skill 直接写 H3 提示词 / 调用编辑，改为调用 h3-video-prompt-cn skill：

  • 输入：STEP3 返回的角色卡/场景卡/排版卡图像地址 + STEP8 多镜头脚本。
    • ⚠️ 分镜 / 批次 / 参考图（严格遵循 h3-video-prompt-cn 约定）：① 沿用起始门（简报）已确定的批次时长上限（批次时长由设备定，已在分镜设计前问过，本步不再重问）；② 把分镜按批次时长分组，每批次产出一份独立 .md 文件（命名 batch_01.md、batch_02.md…），文件内含该批次全部分镜的 H3 提示词 + 端口/顺序/时长/分辨率建议；③ 参考图一律用 <Picture N> 占位符指代，严禁在提示词中写任何图像/视频文件路径或目录（占位符 → 实际文件由你在 H3 节点侧按端口映射）。
    • 🔒 批次打包（不重切分镜）：把本 skill 分镜设计步骤产出并确认的分镜按时长累加打包为批次——同批次各镜时长之和 ≤ 批次时长上限（已在起始门确定），一个批次 = 一次 H3 生成 = 一份 batch_XX.md。不重新切分已设计的分镜，分镜的创意与音频时序在打包中保持不变。仅当某分镜本身 > 批次时长上限（设计期偶发）时，在生成层做机械分段（如 Shot 3 → 3a / 3b，该分镜音频跨子段连续），不改其创意内容。motion-context 在连续批次的衔接边界问（见 h3-video-prompt-cn 规则⑤：跨段连续时启用，第 2 段起 22 帧重复 + 时间标注后延 0.917s、第 1 段不变）。
  • 调用用户级 h3-video-prompt-cn skill（纯文本、无需 API），按其 I2VA / Ref2VA 结构，输出完整 H3 视频提示词（逐镜头 Shot1..N，含 Vocal/Typography/Visual/Camera/Transition）。
  • 并附设置建议：
    • 参考图 = STEP3 返回的角色卡/场景卡/排版卡 → 按镜头需要接入 H3 节点「图像参考」端口（角色卡=角色参考、场景卡=场景参考、排版卡=文字风格参考）；多角色/多场景分别接入
    • 音频（依总则「音频模式门」分支）：模式=统一H3 时，Master Audio 由 H3 原生生成；模式=分离 时，本视频提示词仅规划视觉（不写 BGM 出现指令），Master Audio 由 ace-step-1.5-prompt-writer skill 生成 ACE-Step 1.5 提示词 后接「音频输入」端口。先问你「用云端生成 or 只给提示词」。
    • 时长 = 每镜头 2–5s（>15s 自动拆分 4–8 镜）；分辨率 = STEP1 画幅对应值；其余你自定
    • 模型标注 MiniMax-H3；本地用 Wan/Animate2 亦可（续帧用上一镜尾帧作 I2V 首帧）
  • 本步骤产出：完整 H3 视频提示词 + 端口/顺序/时长/分辨率设置建议。
  • ⏸ 交付物门（可选）：你确认提示词后自行在 H3 执行，返回成片地址（可选）。

剪辑思路（替代 hub_video_edit）

  • 全局绑定一条 Master Audio；分段视频按时间戳对齐、卡点修剪/变速。
  • 续帧：Shot B 同场景→取 Shot A 尾帧作 Shot B 首帧（I2V）；硬切→同角色卡/服装/光 + 同方向运动/匹配剪辑。
  • 拼接工具建议：ffmpeg 硬切（无 fade/溶解）；统一 LUT + 35mm 颗粒掩盖批次色差。
  • 交付：无缝完整 MV 文件。

失败恢复

同原 skill 思路：文字不清→减字；身份互换→加强；脸漂移→复用参考卡；风格弱→重写风格字段。

Bundled files

The model reads these on demand while the skill is loaded. They are exposed as readable files and are never executed.

Frequently asked questions

What does the Music Video Subtitle Generator Local AI skill do?

本地版（逐步确认式 · 纯提示词）。歌词排版/卡点 MV：预检锁定→创意契约→参考卡(只给提示词+等用户返回图像)→预设语法→提示词模板→多镜头视频提示词(调用 h3-video-prompt-cn，以返回参考卡为参考图)+设置建议→Master Audio(先问云端)→剪辑思路。不硬编码任何生图/视频工具路径，不依赖 MiniMax Hub。

Why use Music Video Subtitle Generator Local on TypingMind?

Because you install it once and use it with any model. Music Video Subtitle Generator Local is plain Markdown rather than provider-specific code, so the same skill runs on GPT-5, Claude, Gemini, Grok, or a local model — and you can switch model mid-chat without it breaking. TypingMind runs on your own API keys, so you pay providers directly instead of a per-seat subscription, and your skills and chats stay in your own storage.

How do I install Music Video Subtitle Generator Local in TypingMind?

Open Plugins → Skills → Install from GitHub in TypingMind and paste https://github.com/swan7-py/MiniMax-H3-Skills-Local/tree/main/old/music-video-subtitle-generator-local. TypingMind reads its SKILL.md and bundles its files and installs it as a skill you can enable per chat.

Which AI models can use Music Video Subtitle Generator Local?

Any model you connect in TypingMind. AI skills are plain Markdown instructions rather than provider-specific code, so GPT, Claude, Gemini, Grok, and local models can all load this skill when a request matches it.

How many AI models can I use with Music Video Subtitle Generator Local?

As many as you like. As long as a model supports skills, you can use Music Video Subtitle Generator Local with it — GPT, Claude, Gemini, Grok, DeepSeek, Mistral, Llama and more — all on TypingMind with your own API keys.

Is the Music Video Subtitle Generator Local AI skill free?

It is published on GitHub by swan7-py. Check the repository for licensing terms. You only pay your own AI provider for the tokens you use.

What are AI skills?

An AI skill is a reusable instruction bundle that teaches an AI model how to do one specific task. It follows the open Agent Skills format: a SKILL.md file with a name and description, plus any scripts, templates or reference files the model may need. The model reads the instructions only when your request matches the skill, so an installed skill costs nothing until it is used.

How are AI skills different from plugins or MCP servers?

A plugin or MCP server gives a model new tools to call — code that runs somewhere and returns a result. An AI skill gives the model knowledge and process instead: how to approach a task, which steps to follow, what good output looks like. Skills are plain Markdown, so they need no server, no API key and no runtime, and they work with any model.

Related AI Skills

View all
nextlevelbuilder logo

Banner Design

nextlevelbuilder
OrganizationPopular

Design banners for social media, ads, website heroes, creative assets, and print. Multiple art direction options with optional generated or supplied visuals. Actions: design, create, generate banner.…

15K
141.1K
1 files
View
pytorch logo

Distributed Triage

pytorch
OrganizationPopular

Sub-triages issues in the oncall:distributed queue by assigning distributed module labels, routing to sub-oncalls, and marking triaged. Use when an issue has been routed to oncall:distributed and…

31K
103.6K
3 files
View
nexu-io logo

Hyperframes

nexu-io
OrganizationPopular

Create video compositions, animations, title cards, overlays, captions, voiceovers, audio-reactive visuals, and scene transitions in HyperFrames HTML. Use when asked to build any HTML-based video…

11.5K
98.9K
40 files
View
nexu-io logo

Audio Jingle

nexu-io
OrganizationPopular

Audio generation skill — jingles, beds, voiceover, and sound effects. Routes music requests to Suno V5 / Udio / Lyria, speech to MiniMax TTS / FishAudio / ElevenLabs V3, and SFX to ElevenLabs SFX or…

11.2K
96.7K
1 files
View

Set up your own AI workspace now

Get notified about new features and future giveaways by subscribing to our newsletter 👇