内容剪辑

生成逐字稿 → 生成审查稿（话题级大纲 + 句子级删除建议）→ 用户审核 → 执行剪辑

快速使用

用户: 帮我剪掉播客里的废话
用户: 内容剪辑
用户: 生成逐字稿，标记要删的内容

输入

• 音频/视频文件
• （可选）说话人名字列表，如 ["Maia", "响歌歌", "安安"]

输出

1. 审查稿 – 一个文件包含：内容大纲 + 完整逐字稿 + 删除标记
2. 确认后 – 执行剪辑

注意：不单独输出逐字稿文件，审查稿已包含完整逐字稿

两个层级配合使用

流程

1. 转录音频（FunASR + 句子级时间戳 + 说话人分离）
    ↓
2. 静音检测（FFmpeg silencedetect，识别大段空白）
    ↓
3. 生成逐字稿（带说话人标签）
    ↓
4. AI分析：识别话题结构 + 标记建议删除
    ↓
5. 输出审查稿（内容大纲 + 静音片段 + 删除建议）
    ↓
【用户在审查稿上直接修改删除标记】
    ↓
6. 执行剪辑 → /podcastcut-edit（从审查稿解析删除标记）

技术说明

⚠️ 转录必须使用脚本

不要自己写代码，直接调用现成脚本：

# 转录（输出 podcast_transcript.json）
python ~/.claude/skills/podcastcut-content/scripts/transcribe.py <音频文件> <输出目录>

# 生成逐字稿（输出 podcast_逐字稿.md）
python ~/.claude/skills/podcastcut-content/scripts/generate_transcript.py \
    <transcript.json> <输出.md> '{"0":"响歌歌","1":"麦雅","2":"安安"}'

为什么不能自己写？ FunASR 必须使用完整模型路径 + VAD + Punc + Speaker 四个模型才能获取 sentence_info。简化写法（如 model="paraformer-zh"）会导致转录失败。

性能参考、常见问题见 tips/转录最佳实践.md

为什么用句子级而非字符级？ 字符级 + 说话人分离在长音频上不稳定（OOM、对齐错误）

本 Skill 只删除整句，更精细的删除（半句、语气词）留给 /podcastcut-transcribe

逐字稿格式

**Maia** 00:05
开始了。

**响歌歌** 00:06
是吗？

**Maia** 00:08
开心的OK。Hello，大家好，欢迎来到今天的5点1刻，我是主播Maia。今天我们聊点开心的话题。

**响歌歌** 00:20
我是主播响歌歌。好的，那我们开始吧。

格式规则

审查稿格式

审查稿整合了话题级大纲和句子级删除建议，一个文件完成审核。

# 播客审查稿

**文件**: podcast.mp3
**总时长**: 2:08:07

---

## 一、内容大纲（话题级）

| # | 话题 | 时间 | 时长 | AI建议 | 原因 |
|---|------|------|------|--------|------|
| 1 | 片头寒暄 + 技术调试 | 00:00 - 04:45 | 04:45 | 🗑️ 删除 | 录制准备、技术问题 |
| 2 | 正式开场 + 嘉宾介绍 | 04:45 - 07:00 | 02:15 | ✅ 保留 | 播客正式开始 |
| 3 | 闲聊：嘉宾背景 | 05:48 - 07:01 | 01:13 | 🗑️ 删除 | 与主题无关 |
| 4 | 主题讨论 | 07:01 - 40:00 | 32:59 | ✅ 保留 | 核心内容 |
| 5 | 录制讨论（中间） | 49:59 - 51:13 | 01:14 | 🗑️ 删除 | 讨论剪辑事宜 |

**统计**: 建议保留 2:03:21 | 建议删除 08:12

**操作**: `删除话题 1, 3, 5` 或 `只保留话题 2, 4`

---

## 二、静音片段

| # | 时间 | 时长 | 位置说明 |
|---|------|------|----------|
| 1 | 12:34 - 12:48 | 00:14 | 话题2和话题3之间 |
| 2 | 35:20 - 35:58 | 00:38 | 嘉宾思考停顿 |
| 3 | 1:02:15 - 1:02:45 | 00:30 | 中途断线/静音 |

**统计**: 共 3 处静音，总时长 01:22

**操作**: `删除所有静音` 或 `删除静音 1, 3`（保留2，可能是有意停顿）

---

## 三、统计

- 总句子数: 3390
- 建议删除: 377 处
- 静音片段: 3 处（01:22）

### 按类型

- 片头寒暄: 31处
- 闲聊-个人背景: 23处
- 技术调试: 15处
- 录制讨论: 6处
- 隐私-公司名: 5处
- 隐私-地点: 4处
- 隐私-学校名: 3处

---

## 四、正文（逐字稿 + 删除标记）

**⚠️ 必须包含完整逐字稿，从第一句到最后一句，不能省略任何内容！**

错误做法：`（后续内容为主题讨论，保留...）` ← 不允许！
正确做法：输出所有句子，无论是否标记删除

完整逐字稿，AI建议删除的内容用 ~~删除线~~ 标记并注明原因。同一说话人的内容连在一起，不逐句换行。

**响歌歌** 00:00
~~行呗，对，你们应该没有听到噪音吧。因为我记得好像上一上，上次我们是用这个是有噪音的，就跟那个心理心理咨询那那那次嗯，对，那这次应该好了。~~ `[删除: 片头寒暄]`

**麦雅** 00:23
~~我把这个这个 dog 打开好哦，~~ `[删除: 片头寒暄]`

**安安** 00:27
~~我也打开一下自我介绍。~~ `[删除: 片头寒暄]`

...

**麦雅** 04:50
Hello，大家好，欢迎来到今天的五点一刻，我是主播麦雅。

**响歌歌** 04:58
我是主播响歌歌。

**麦雅** 05:02
今天我们请到了一位特别的嘉宾安安。

**安安** 05:08
大家好，我是安安。

...

**安安** 15:32
~~我之前在Google工作的时候~~ `[删除: 隐私-公司名]` 我之前工作的时候，遇到过类似的情况。

...

**麦雅** 49:59
~~这段要不要剪掉？~~ `[删除: 录制讨论]`

**响歌歌** 50:02
~~嗯，回头看看吧。~~ `[删除: 录制讨论]`

**安安** 50:05
~~我觉得可以保留。~~ `[删除: 录制讨论]`

...

（完整逐字稿继续...）

结构说明

话题识别规则

删除类型

⚠️ 分工原则

本 Skill 聚焦内容层面：什么该删、什么该留，是语义判断，删除整句。 口误识别是技术层面：需要更精细的规则（重复字、停顿模式），使用字符级时间戳。

为什么这样分工？

• 句子级转录 + 说话人分离 = 说话人准确
• 字符级转录 + 说话人分离 = 说话人容易错位（长音频 OOM，分段后合并对齐困难）
• 先删大段内容（句子级），再精细处理剩余部分（字符级）

内容删除类型（本 Skill 处理）

口误删除类型（由 /podcastcut-transcribe 处理）

注意：大段静音（≥3秒）由本 Skill 处理，短停顿由 /podcastcut-transcribe 处理。

为什么口头禅不在这里处理？ 口头禅的识别需要更精细的规则（连续重复、停顿模式），属于技术层面而非内容语义。

AI分析方法

⚠️ 必须使用 Claude 做语义分析

关键词匹配不够用！ 基于规则的方法无法识别：

• 语义层面的跑题/闲聊（没有明显关键词）
• 嘉宾背景介绍后的闲聊（住在哪里、哪年毕业、学校怎么样）
• 隐藏的录制讨论（没有”剪掉”等关键词）

必须用 Claude 分段分析逐字稿，质量为先。

分析流程

1. 将逐字稿按15分钟分段
2. 每段发送给 Claude 分析，识别建议删除的内容
3. Claude 返回：句子索引 + 删除类型 + 原因
4. 合并所有段的结果，生成审查稿

Claude 分析 Prompt

对每段逐字稿，使用以下 prompt：

你是播客内容审核助手。分析以下逐字稿，识别建议删除的句子。

## 删除类型

1. **片头寒暄**：正式开场（"大家好"）之前的闲聊、技术调试
2. **录制讨论**：讨论剪辑、录制状态、技术问题、"这段要不要剪"
3. **隐私-公司名**：提到具体公司名（Google、Meta、字节等）
4. **隐私-学校名**：提到具体学校名（Stanford、清华等）
5. **隐私-地点**：提到具体地点（Palo Alto、硅谷等）
6. **隐私-人名**：提到具体人名（非公众人物）
7. **跑题/闲聊**：与播客主题无关的讨论（个人背景闲聊、地理讨论等）
8. **啰嗦重复**：同一观点反复说、大段重复

## 输出格式

对每个建议删除的句子，输出：
- 句子时间戳
- 删除类型
- 原因（简短说明）

只标记需要删除的句子，不需要标记的跳过。

## 逐字稿

{transcript_segment}

删除类型详解

闲聊检测重点

嘉宾介绍后的闲聊特别容易漏检，注意这些信号：

• 突然出现地名、学校名、年份
• “你在哪个area” “你是哪年来的” “那边怎么样”
• 连续多句讨论非主题内容（地理、学校、城市比较）

录制讨论检测重点

不只在片头！ 全程可能出现：

• 技术问题：”能听见吗”、”断了”、”耳机没电”
• 内容顾虑：”太低调了”、”不想share”、”细节不说”
• 剪辑讨论：”回头剪掉”、”这段要不要”

静音检测方法

使用 FFmpeg 的 silencedetect 滤镜检测大段空白。

检测命令

ffmpeg -i video.mp4 -af "silencedetect=noise=-40dB:d=3" -f null - 2>&1 | grep silencedetect

输出解析

[silencedetect @ 0x...] silence_start: 752.341
[silencedetect @ 0x...] silence_end: 766.512 | silence_duration: 14.171

解析 silence_start 和 silence_end 生成静音片段列表。

阈值选择

为什么用 3 秒？ 短于 3 秒的停顿可能是自然的思考间隙，不建议删除。

输出文件

podcast_transcript.json        # 句子级时间戳 + 说话人（供剪辑使用）
podcast_审查稿.md              # 审查稿（包含完整逐字稿 + 删除标记）

⚠️ 只输出审查稿，不单独输出逐字稿

审查稿第四部分”正文”就是完整逐字稿，无需重复输出。

句子级 JSON 格式

{
  "file": "podcast.mp3",
  "duration": 3600.5,
  "sentences": [
    {"text": "大家好，", "start": 0.50, "end": 1.20, "spk": 0},
    {"text": "欢迎来到今天的播客。", "start": 1.20, "end": 2.80, "spk": 0},
    {"text": "我是主播小明。", "start": 2.80, "end": 3.90, "spk": 1},
    ...
  ]
}

⚠️ 审查稿和删除清单必须同步

用户可能直接在审查稿中修改删除标记（添加/移除删除线），此时删除清单会过时。

规则：

1. 审查稿是用户审核的最终来源
2. 执行剪辑前，从审查稿重新解析删除标记
3. 不要依赖可能过时的 podcast_删除清单.json

解析方法：扫描审查稿中 ~~删除线~~ 标记的文本，匹配 transcript.json 中的时间戳。

与其他 Skill 的关系

/podcastcut-content     → 内容剪辑（语义层面）← 本 Skill
/podcastcut-edit        → 执行剪辑
/podcastcut-transcribe  → 口误识别（技术层面，可选）
/podcastcut-subtitle    → 生成字幕

推荐流程：

原始视频
    ↓
/podcastcut-content  ← 标记大段内容（寒暄、跑题、啰嗦、隐私）
    ↓
/podcastcut-edit     ← 执行删除，输出 v2
    ↓
【可选】还需要处理口误？
    ↓ 是
/podcastcut-transcribe  ← 识别口误、语气词、静音
    ↓
/podcastcut-edit        ← 执行删除，输出 v3
    ↓
完成

为什么先删内容再处理口误？

• 大段内容删除后，视频变短
• 口误识别的转录更快，审查范围更小
• 被删掉的大段里的口误不用处理了

说话人分离

FunASR 内置说话人分离功能（spk_model="cam++"），自动输出说话人ID。

流程

FunASR 转录（启用 spk_model）
    ↓
输出带说话人ID的句子（说话人0、说话人1...）
    ↓
搜索自我介绍确认 ID 对应的真实人名
    ↓
生成审查稿时替换为真实名字

⚠️ 说话人映射确认方法

不要直接用用户提供的顺序！ 必须在转录结果中搜索自我介绍短语确认：

# 搜索关键短语确定说话人映射
key_phrases = ["我是主播", "我是xxx", "大家好我是"]
for s in sentences:
    for phrase in key_phrases:
        if phrase in s['text']:
            print(f"spk{s['spk']}: {s['text']}")  # 确认 spk ID 对应谁

常见问题

限制

进度 TodoList

启动时创建：

- [ ] 转录音频（FunASR，句子级 + 说话人分离）
- [ ] 静音检测（FFmpeg silencedetect）
- [ ] 生成逐字稿
- [ ] AI分析：识别话题结构 + 标记建议删除
- [ ] 输出审查稿（含静音片段）
- [ ] 等待用户确认

示例对话

用户: 帮我剪掉播客里的废话，说话人是 Maia 和响歌歌

AI: 好的，我来处理这个播客。
    1. 转录音频...
    2. 静音检测...
    3. 生成逐字稿...
    4. 分析内容...

    已生成审查稿：podcast_审查稿.md

    === 内容大纲（话题级）===
    | # | 话题 | 时长 | AI建议 |
    |---|------|------|--------|
    | 1 | 片头寒暄 | 04:45 | 🗑️ 删除 |
    | 2 | 正式开场 | 02:15 | ✅ 保留 |
    | 3 | 闲聊：嘉宾背景 | 01:13 | 🗑️ 删除 |
    | 4 | 主题讨论 | 32:59 | ✅ 保留 |

    === 句子级统计（按类型）===
    - 片头寒暄：12处
    - 录制讨论：8处
    - 隐私信息：5处
    - 跑题闲聊：3处

    请在审查稿中检查删除标记，调整后告诉我执行剪辑。

用户: [在审查稿中添加/移除了一些删除标记] 好了，按审查稿剪

AI: 好的，从审查稿解析删除标记...
    - 找到 25 处删除标记
    - 删除总时长：06:32
    执行剪辑...

反馈记录

2026-01-31 (深夜)

• 分段转录导致说话人 ID 错位：分段转录时每段的说话人 ID 独立重置，合并后同一人可能有不同 ID
  • 原因：为避免 OOM 将 2 小时音频分成 13 段，每段说话人 ID 从 0 开始
  • 解决：优先使用整体转录（2 小时音频约 16 分钟，不会 OOM）
  • 已更新：tips/转录最佳实践.md 新增「分段 vs 整体转录」章节
• FunASR 可能把同一人识别为多个 ID：3 人对话识别出 4 个说话人 ID
  • 表现：响歌歌被分成 spk1（60 句）和 spk3（560 句）
  • 解决：搜索自我介绍短语（”我是主播xxx”）确认映射，将多个 ID 合并
  • 已更新：SKILL.md「说话人分离」章节新增确认方法和常见问题
• 性能数据更新：2 小时播客实测 16 分钟，3390 句（之前估算 12 分钟、800 句偏低）
  • 已更新：tips/转录最佳实践.md 性能参考表

2026-01-31 (晚上)

• 审查稿内容不完整：AI 偷懒写了 “(后续内容为主题讨论，保留…)” 而不是完整逐字稿
  • 已更新：在审查稿格式”第四部分”明确标注必须输出完整内容，不允许省略
• 输出了多余的逐字稿文件：用户只需要一个审查稿（已包含完整逐字稿）
  • 已更新：输出文件章节移除 podcast_逐字稿.md，明确只输出审查稿

2026-01-31

• 删除”用户确认方式”章节：用户实际操作是直接在审查稿上修改删除标记，不需要命令式操作
  • 旧流程：用户输入「删除话题 1, 3」「删除所有静音」等命令
  • 实际流程：用户在审查稿中添加/移除 ~~删除线~~，然后说「按审查稿剪」
  • 已更新：流程图、示例对话，移除命令式操作说明
• FunASR 调用参数错误导致转录失败：使用简化模型名无法获取 sentence_info
  • 错误写法：model="paraformer-zh" + spk_model="cam++" + sentence_timestamp=True
  • 正确写法：必须使用完整模型路径 + VAD + Punc 四个模型
  • 原因：SKILL.md 只写了简化参数，实际执行时”自由发挥”用了错误的 API
  • 已更新：在 SKILL.md 中直接包含完整的调用代码，标注错误写法和正确写法对比
  • 教训：可执行的代码必须完整写在 SKILL.md 中，不能只写参数名让 AI 自己拼

2026-01-25

• 回退到句子级时间戳：字符级 + 说话人分离在长音频上不稳定
  • 问题：字符级转录后合并说话人信息，说话人对齐出错（”是主播麦雅” 被归到响歌歌名下）
  • 原因：
    1. 长音频说话人分离 OOM（2小时音频 → 234MB WAV）
    2. 分段说话人分离返回 0 句子（API 格式问题）
    3. 字符级转录没有标点，句子边界不自然
  • 已更新：回退到句子级时间戳，本 Skill 只删整句
  • 半句删除留给 /podcastcut-transcribe（字符级）

2026-01-24 (晚上)

• 尝试升级到字符级时间戳：解决句子级无法精确删除部分句子的问题
  • 问题：删除 “嗯，我可以讲一下对” 会连带删除后半句 “这期嘉宾其实想哥哥邀请的”
  • 尝试：使用 30s 分段 + timestamp_granularity="character" 获取字符级时间戳
  • 结果：字符级转录成功，但说话人分离失败，导致说话人对齐错误
  • 最终决定：回退到句子级（见 2026-01-25 反馈）

2026-01-24

• 新增静音检测功能：使用 FFmpeg silencedetect 识别大段空白（≥3秒），在审查稿中单独列出供用户确认删除
• 审查稿标记删除但实际没剪掉：审查稿中整句标记删除，但删除清单只有部分内容
  • 案例：审查稿 ~~嗯，这个要就是具体为什么...~~，删除清单只有 嗯，
  • 已更新：强调审查稿和删除清单必须同步，执行剪辑前从审查稿重新解析

2026-01-18 (下午)

• 逐字稿/审查稿格式调整：同一说话人的内容连在一起，不逐句换行
  • 原格式：每句一行
  • 新格式：同一说话人的所有句子连在一段里
  • 优点：更紧凑，阅读体验更好

2026-01-18

• 必须使用 Claude 做语义分析：基于规则的关键词匹配质量不够
  • 问题：无法识别语义层面的跑题/闲聊、隐藏的录制讨论
  • 已更新：新增「AI分析方法」章节，明确必须用 Claude 分段分析逐字稿
  • 包含：分析流程、Claude prompt 模板、删除类型详解

2026-01-17 (晚上)

• 审查稿第二部分格式调整：改为完整逐字稿 + 内联删除标记
  • 原格式：按话题分组 → 每个话题下列出删除建议（表格形式）
  • 新格式：完整逐字稿（正文），删除内容用 ~~删除线~~ + [删除: 原因] 内联标记
  • 优点：保留完整上下文，用户可以看到前后文再决定是否删除

2026-01-17 (下午)

• 大块删除剪不干净：连续句子都标记删除，但剪辑时逐句删除，保留了句间空白
  • 原因：每句独立处理，没有合并连续同理由的删除
  • 已更新：明确分工，本 Skill 聚焦句子级，语气词/口头禅由 /podcastcut-transcribe 处理
  • 剪辑规则已同步更新到 /podcastcut-edit
• 不要在句子级标记语气词：句子级时间戳不够精确，删语气词容易误删
  • 已更新：删除类型分为「句子级」和「字符级」，明确分工

2026-01-17 (上午)

• 录制讨论和技术调试可能出现在播客任何位置，不只是片头
  • 已更新：录制相关检测改为全程检测，增加技术问题关键词和连续段落检测
• 嘉宾介绍后的闲聊（住在哪、哪年来的、学校怎么样）容易漏检
  • 已更新：跑题/闲聊检测增加信号模式（地名、学校名、年份相关对话）
• 逐句审核效率低，用户希望能看到全局结构、整块删除
  • 已新增：审查稿整合话题级大纲和句子级删除建议，一个文件完成审核