技能介绍

要解决的问题

口播视频常包含大量铺垫、重复和无效停顿，人工挑高光、切时间码、写字幕、配 BGM 很耗时。这个技能针对 talking-head / voiceover 素材，把按主题拆成多条短视频的流程标准化，减少凭感觉裁切导致的内容不完整、字幕错位、多人声背景混乱等问题。

工作方式

技能以 Recapo voiceover-editing 工作流为核心，不是简单静音检测、关键词截取或按时间等分。关键步骤包括：

参数收敛：读取 references/parameters.md，缺失必填参数一次性确认；未指定默认时不擅自改字幕、画幅、BGM 或主题。
内容理解与选段：视频预处理后，将语音识别结果并入视觉内容，由 WithoutNarrationAgent 依据视觉内容、目标字数、输出数量和用户要求生成选段脚本。
同步裁切与字幕：原声视频与 ASR 音频使用同一组区间裁切；裁后完整音频重新 ASR 生成字幕时间轴，降低音画与字幕错位风险。
音频与成片合成：可选 MediaKit 云端人声背景音分离，随后做原声片段合并、音频合成、目标时长同步变速、画幅、BGM 与响度合成。
质量校验：最终检查成片数量、时长、分辨率和字幕结果，并调用 FFmpeg/ffprobe 验证相关编码能力。

适用边界

它适合已有口播、采访、讲解类长视频，并希望按主题输出 2 条、3 条等差异化短视频的场景。多条成片不是同一条视频的机械复制，需要主题或差异要求。凭据、文件、格式、参数错误不会盲目重试；依赖或 Windows 应用控制策略问题时按提示修复。首次使用会提示 Recapo 网页版，但用户明确继续本地时仍执行本地工作流。