视频剪辑

将原始视频素材剪辑成完整、流畅、可直接发布的成片，包括剪切、字幕、配音、画面比例调整、视觉增强和最终导出。

这个 Skill 专门用于实际剪辑视频内容，而不只是提供剪辑建议。上传你的视频、图片或音频，并告诉它你想怎么修改。它可以分析素材、完成剪辑，并直接输出最终视频文件。

注意：这个 Agent 只能对已有视频进行剪辑和处理，无法从零生成新视频。

可以做什么

剪辑和重组视频素材

清理原始素材，把冗长、松散的录制内容整理成更紧凑的成片。

可以处理：

• 删除不需要的片段
• 剪切和拼接视频
• 去掉多余停顿
• 调整片段顺序
• 修改视频时长
• 加快整体节奏
• 从长视频中提取有用片段
• 将长视频剪成短视频内容

剪辑过程主要通过基于 FFmpeg 的本地工具完成，不依赖外部视频剪辑服务。

适配不同平台的画面比例

可以将已有视频转换成不同发布平台常用的比例，例如：

• 9:16 竖屏视频
• 16:9 横屏视频
• 1:1 方形视频

Skill 可以根据 TikTok、YouTube Shorts、Instagram Reels、YouTube 等平台的需求，对视频进行缩放、裁剪和重新构图。

添加字幕和文字说明

在可以进行语音转录的情况下，Skill 能将视频中的语音转换成带时间轴的字幕，并利用这些时间信息完成后续剪辑。

可以制作：

• 标准字幕
• 短视频风格字幕
• 大字号易读字幕
• 对话字幕
• 按时间出现的文字叠加

对于较长的视频，它会先从完整转录内容中提取真正与剪辑相关的信息、时间点和操作计划，而不是在后续步骤中反复处理整段转录文本。

添加配音

在线版本包含本地文字转语音功能，因此可以直接生成基础英文配音，不需要 ElevenLabs 账号或 API Key。

配音可用于：

• 视频旁白
• 讲解视频
• 开场或结尾台词
• 替换原有语音轨道
• 图片类视频
• 短视频内容

生成的语音可以直接与视频进行混音，并合成到最终成片中。

添加视觉元素和动态效果

可以通过轻量级动效和视觉元素增强已有视频。

例如：

• 标题
• 文字叠加
• 开场和结尾画面
• 放大效果
• 平移动效
• 图片叠加
• 全屏视觉插入
• 简单转场
• 重新构图和动态裁剪

这些效果主要用于增强已有素材，不需要完整的动画制作流程或生成式视频模型。

在需要时生成辅助视觉素材

如果当前运行环境支持图片生成，Skill 可以为剪辑生成少量辅助视觉素材。

当原始视频缺少合适画面时，可以生成：

• B-roll 插图
• 背景画面
• 概念图
• 辅助图形
• 视觉化说明
• 场景插图
• 标题或转场画面

生成的图片可以直接插入视频中，同时保留原视频对应时间段的声音。

生图会主动控制数量

图片生成在这里是辅助剪辑工具，而不是视频内容的主要来源。

Skill 会遵循以下规则：

• 默认不生成图片
• 普通剪辑通常生成 1–2 张辅助视觉素材
• 每次剪辑最多生成 4 张图片
• 能使用已有素材或已经生成的图片时，优先复用
• 不生成没有必要的多个版本
• 除非剪辑确实需要，否则不会反复重新生成图片

这样既能保持剪辑效率，也可以在真正有需要时加入 AI 生成的 B-roll。

将图片制作成视频

除了视频素材，也可以直接提供静态图片。

Skill 可以将图片与以下元素结合：

• 平移和缩放动效
• 配音
• 字幕
• 时间控制
• 镜头切换
• 背景音频
• 简单动态效果

适合制作幻灯片视频、讲解视频、图片旁白故事、产品展示以及轻量级动态视频内容。

音频处理

Skill 可以在剪辑过程中通过 FFmpeg 处理和组合音频。

根据不同素材，可以完成：

• 提取视频音频
• 混入配音
• 调整音量
• 替换音轨
• 将旁白与原视频声音混合
• 添加用户提供的音乐或音效

工作方式

一个典型的视频剪辑流程如下：

1. 上传原始视频、图片或音频。
2. 描述你想要的最终效果。
3. Skill 分析现有素材。
4. 根据需要生成简洁的剪辑计划、时间点和操作步骤。
5. 尽可能优先使用已有视频素材。
6. 只有确实能够提升成片效果时，才生成辅助视觉素材。
7. 添加字幕、配音、视觉叠加、裁剪以及其他需要的修改。
8. 使用 FFmpeg 渲染最终视频。
9. 返回完成后的 MP4 文件。

使用示例

你可以这样说：

把这段视频剪成 30 秒的 TikTok，并添加大字号字幕。

删除节奏太慢的部分，让整个视频更紧凑。

把这段横屏视频转换成 9:16 的 Shorts。

用这段文案添加一个轻快的旁白。

我讲到 AI Agent 的时候，加入一些相关的视觉 B-roll。

在 00:18 到 00:23 之间插入一张生成的插图，同时保留我的原始语音。

添加字幕并导出最终 MP4。

把这些图片和旁白制作成一条竖屏视频。

优化开场、添加字幕，并统一音量。

它不是什么

这个 Skill 的核心定位是视频剪辑工具。

它并不负责完整的生成式视频制作，例如仅通过一段文字提示直接生成一整段电影级 3D 动画。

例如：

从零制作一段 60 秒的完整 3D 卡通动画，让角色在里面连续运动。

这种需求需要专门的文生视频模型或动画生成模型。

在合适的情况下，这个 Skill 可以使用生成图片、动态效果、旁白、字幕和剪辑手段，制作一个更简单的插画视频或动态视觉版本，但不会将其描述成真正的生成式动画。

为在线运行优化

整个剪辑流程尽量减少对外部服务的依赖。

核心功能主要使用内置或本地工具，例如：

• FFmpeg
• FFprobe
• 本地文字转语音
• 基于 Python 的媒体处理工具

核心剪辑功能不依赖 ElevenLabs、fal.ai、Descript、CapCut 或 Replicate 等外部服务。

如果当前 AI 运行环境提供图片生成能力，也可以将它作为可选的视觉增强功能使用，而不会让整个视频剪辑流程依赖于生图服务。

适合这些场景

• TikTok 和 Reels
• YouTube Shorts
• YouTube 视频
• 真人口播视频
• 教程视频
• 产品演示
• 讲解视频
• 播客和访谈片段
• 社交媒体视频
• 图片旁白视频
• 需要进一步整理和优化的已有视频素材

上传你的素材，然后告诉它你想要什么效果——目标是直接交付完成的视频，而不只是告诉你应该怎么剪。

来源

Video Editing 来自 affaan-m 的 ECC 项目。

来源：
https://github.com/affaan-m/ECC/tree/main/skills/video-editing