原生字幕拼图

Native Subtitle Quote Image · 把真实视频帧变成 3:4 字幕社交长图

原生字幕不重绘；脚本字幕不冒充原字幕。

中文 · English

这是什么 · 两种模式 · 完整工作流 · Demo · 安装 · 使用 · 判断边界 · 验证 · 反馈

这是一个可直接安装到兼容 Agent 中的开放 Skill：它从本地视频或用户有权处理的在线视频开始，经过来源获取、文字稿定位、选题选句、精确取帧、紧凑拼图和逐张质检，生成适合社交平台发布的 3:4 字幕长图。

它支持两种不混用的字幕模式：原生模式完全保留视频像素；脚本模式把已审核的时间点与台词绘制到真实视频帧上，并明确标识为后期字幕。

仓库内包含：

• 可复制到兼容 Agent 的独立 Skill；
• 符合 Codex 插件结构的安装包；
• yt-dlp、Deno/Node 和辅助文字时间轴的 URL 工作流；
• 用文字稿选题、再回到真实视频帧校准画面和时间点的完整方法；
• 自动生成带时间点的候选帧总览；
• 生成字幕区域预览、聚焦候选帧、原生字幕或脚本字幕 3:4 JPG、时间点清单和总览图的本地脚本；
• 从高质量成品归纳出的紧凑版式规范，解决台词条过高、间隔过宽和主图不突出的问题；
• 核心模式与 URL 模式的只读环境诊断。

如果用户要求原生字幕，但视频只有可开关的字幕轨，Agent 必须先说明限制；只有用户同意后，才能转脚本字幕模式。

本地视频 / YouTube 链接
        ↓
yt-dlp 获取视频、元数据和辅助字幕轨（URL 模式）
        ↓
检查真实帧，区分烧录字幕与独立字幕轨
        ↓
字幕轨或 Whisper 建立带时间戳的内容索引（可选）
        ↓
视频理解 / 选题 / 写作 Skill 提名主题（可选）
        ↓
锁定原生或脚本字幕模式
        ↓
回到真实帧校准时间点和主画面
        ↓
manifest / lines JSON → 紧凑 3:4 渲染 → 逐张 QA

这里最重要的边界是：原生模式的字只能来自视频像素；脚本模式的字只能来自已审核 JSON，不得冒充原字幕。

Skill 支持三种工作模式：

1. 本地成片模式：直接从本地视频选句、取帧、出图；不需要 yt-dlp。
2. URL 完整模式：使用 yt-dlp 获取用户有权处理的视频、元数据和辅助时间轴，再选择字幕模式。
3. 内容生产模式：完成“读视频 → 选题 → 写文章/帖子 → 字幕截图”；其他内容 Skill 作为上游，本 Skill 负责最终时间点、真实画面、字幕来源标识和质检。

URL 模式先尝试公开访问。若 YouTube 返回“登录以确认不是机器人”、年龄验证或用户自己的非公开视频限制，Agent 不应误判为“Skill 只能处理本地视频”，而应说明原因并询问是否允许 yt-dlp 临时读取 Chrome 的已登录 Cookie。用户授权后，元数据、字幕与视频下载命令统一添加 --cookies-from-browser chrome；Cookie 不导出、不保存、不上传，也不写入仓库。

详细说明：

• URL 获取、yt-dlp、Deno/Node 与文字时间轴
• 从读视频、选题到交付的完整工作流
• 紧凑型主图、字幕条密度与视觉质检

下面都是真实视频帧 + 已审核中文台词的脚本字幕模式案例。它们展示的是选帧、主图比例、台词条密度与视觉质检，不表示画面原本就带有这些中文字幕。

下面两张保留原始 1080×1440 分辨率；README 只控制页面显示宽度，不缩小图片文件本身。

这些案例展示了不同场景下的同一原则：主画面保持主导，字幕条紧凑连续，台词之间不留大块无意义空间。默认 1 张主图 + 4 个台词条时，主图约占高度 70%，每条约占 7.5%，条间距为 0。

示例图片只用于展示 Skill 的输出效果；图片及其中出现的第三方内容不属于本仓库 MIT License 的授权范围。

在 Codex 中调用 $skill-installer，并让它安装下面的 Skill 目录：

https://github.com/chengyi-ai/native-subtitle-quote-image/tree/main/skills/native-subtitle-quote-image

git clone https://github.com/chengyi-ai/native-subtitle-quote-image.git
mkdir -p ~/.codex/skills
cp -R native-subtitle-quote-image/skills/native-subtitle-quote-image ~/.codex/skills/

重新打开 Codex 任务后即可使用 $native-subtitle-quote-image。

python3 -m pip install -r skills/native-subtitle-quote-image/requirements.txt
python3 skills/native-subtitle-quote-image/scripts/check_environment.py

如果要绘制中日韩台词，还应检查 CJK 字体：

python3 skills/native-subtitle-quote-image/scripts/check_environment.py --script-mode

URL 模式额外需要 yt-dlp 和 JavaScript runtime。yt-dlp 官方当前推荐 Deno；已有 Node.js 时也可以使用，但命令要添加 --js-runtimes node。

python3 -m pip install -U "yt-dlp[default]"
python3 skills/native-subtitle-quote-image/scripts/check_environment.py --url-mode

环境诊断不会自动安装或修改软件。缺少组件时，Agent 应先说明用途并取得授权。

若公开请求被 YouTube 登录验证拦截，在用户明确授权后使用：

yt-dlp --cookies-from-browser chrome --js-runtimes node \
  --no-playlist --skip-download \
  --print "%(id)s | %(title)s | %(duration_string)s" \
  "URL"

同一 URL 后续的 --list-subs、字幕下载和视频下载命令也要保留 --cookies-from-browser chrome。完整授权边界与故障处理见 URL 获取参考。

Skill 每个新任务开始时会运行一次非阻塞版本检查。检查器从 Skill 自带的 VERSION 读取本地版本，并与本项目的 GitHub Latest Release 比较：

python3 skills/native-subtitle-quote-image/scripts/check_update.py --json

• 默认 24 小时内复用缓存，不会每次使用都联网。
• 发现新版时只提醒版本号和 Release 链接，不会自动覆盖用户的本地 Skill。
• 断网、GitHub 不可用或用户拒绝联网时，继续原任务。
• 缓存只保存检查时间、最新版本号和 Release 链接，不包含账号、素材或使用记录。

用户需要立即重新检查时，可以运行：

python3 skills/native-subtitle-quote-image/scripts/check_update.py --force --verbose

该 Skill 使用开放的 Agent Skills 目录格式。把 skills/native-subtitle-quote-image/ 复制到目标 Agent 支持的 Skills 目录；具体目录和启用方式以目标 Agent 的说明为准。

在 Agent 中直接输入：

使用 $native-subtitle-quote-image，把这个带内嵌中文字幕的视频做成原生字幕拼图。

输入是链接时：

使用 $native-subtitle-quote-image，读取这个 YouTube 链接，先检查下载权限和烧录字幕，再选 3 个适合传播的主题，制作成原生字幕拼图并逐张质检。

需要配合内容生产时：

先根据视频文字稿提炼选题并写文章，再用 $native-subtitle-quote-image 为每个核心观点选真实视频帧并出图；先判断原生或脚本字幕模式，不要混用。

需要根据已核对台词生成和 Demo 相同的版式时：

使用 $native-subtitle-quote-image 的脚本字幕模式，把这份带时间点的中文台词画到真实视频帧上，做成紧凑 3:4 长图并逐张质检。

Agent 会先检查来源、字幕类型和候选帧，明确模式后再生成：

• 逐张 3:4 JPG；
• 原生模式的 原生字幕时间点.json，或脚本模式的 lines JSON；
• 多图任务的 final_contact_sheet.jpg 总览图。

先生成带时间点的候选帧总览，减少反复试时间点：

python3 skills/native-subtitle-quote-image/scripts/native_subtitle_stitch.py sample VIDEO \
  --start 30 --end 120 --interval 5 --out candidate-contact-sheet.jpg

不传 --start、--end 和 --interval 时，脚本会在整段视频中自动均匀抽取最多 24 帧。完整参数可通过 --help 查看。

文字稿已经给出候选时间点时，围绕每个时间点生成前、中、后三帧，避免截到字幕切换瞬间：

python3 skills/native-subtitle-quote-image/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

先用 band 确认字幕裁切区域，再用 manifest 渲染一组成品：

python3 skills/native-subtitle-quote-image/scripts/native_subtitle_stitch.py band VIDEO \
  -t 61.2 --band-top 0.78 --band-bottom 0.96 --out band-preview.jpg

python3 skills/native-subtitle-quote-image/scripts/native_subtitle_stitch.py render VIDEO \
  --manifest manifest.json --out-dir output-v1 \
  --aspect 3:4 --width 1440 \
  --band-top 0.78 --band-bottom 0.96

script.json 的每个 text 都必须是已复核的单行台词，t 是严格递增的真实时间点：

{
  "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"}
  ]
}

python3 skills/native-subtitle-quote-image/scripts/native_subtitle_stitch.py render-script VIDEO \
  --script script.json --out output.jpg --aspect 3:4 --width 1440

脚本会尝试常见系统 CJK 字体；找不到时使用 --font /path/to/font.ttc。台词过长时拆句，不依靠过小字号硬塞。

两种渲染器都会根据字幕条数量自动调整主图比例。常见的 1 张主图 + 4 个字幕条使用约 70% 的主图高度，并把条间距保持为 0；原生单行字幕默认从视频高度的 0.78–0.96 区域开始预览。详细规则见紧凑型视觉规范。

脚本默认拒绝覆盖已有图片。确认需要替换当前输出时，显式添加 --overwrite。

• 原生模式：关闭播放器的 CC/字幕开关后，字幕仍然留在画面像素中；
• 脚本模式：已有可复核的时间点和已审核台词，并需要在真实视频帧上后期绘制；
• 使用者有权处理和发布输入视频及生成画面。

• 用户要求原生字幕，但视频只有可单独关闭、切换或下载的字幕轨；
• 脚本台词或翻译尚未复核，或希望 Agent 编造不在来源中的引语；
• 需要把低清视频“增强”为真实高清画质。

原生字幕与脚本字幕在本 Skill 中是两条明确分开的工作流。前者不改字，后者不冒充原字幕；两者都必须使用真实时间点并完成逐张视觉质检。

优先使用自己拍摄并添加字幕的视频、已经获得授权的素材，或明确允许再利用的公开视频。公开生成图片前，仍需确认素材使用权。

python3 scripts/validate_repo.py
python3 -m unittest discover -s tests -v
python3 skills/native-subtitle-quote-image/scripts/check_environment.py
python3 skills/native-subtitle-quote-image/scripts/native_subtitle_stitch.py --help
python3 skills/native-subtitle-quote-image/scripts/native_subtitle_stitch.py render-script --help

每次推送和 Pull Request 都会在 Python 3.10 与 3.13 环境中通过 GitHub Actions 自动运行检查。

代码与 Skill 指令采用 MIT License。输入视频、生成图片及其中出现的第三方内容不因本许可证获得额外授权。