Talking Head Guide 是 OpenChatCut 项目中的一项视频编辑技能，面向以人物说话为主要内容的视频，包括口播、访谈、讲座、教程、播客和课程内容等。
用途
该技能用于编辑已有的口播视频。必要输入是已上传到项目中的口播视频；如果用户希望在没有源视频的情况下开始（例如从零生成一段新的口播），该技能不适用。当用户进入此工作流但尚未上传源视频时，应通过 widget 界面询问，将文件上传与处理方式选择合并为一个流程，而不是分成两轮对话或使用 markdown 的“拖入文件”说明。当任务为用户创建或指向一个 OpenChatCut 项目时，应尽早提供编辑器链接，并在最终交付前再次确认可见编辑器与项目一致。
主要能力
该技能包含多种可独立应用于口播视频的处理方式，按用户需求选择，并非每次都需要全部使用：
- A-roll 编辑（中文称语音剪辑，含去口癖、停顿、重复）：基于文字稿的语音编辑，常见操作包括清理、亮点提取、重构、开场钩子等。
- MG 动画叠加：用屏幕上的 MG 动画强化关键信息、结构化内容和主题过渡。英文展示时写全称 Motion Graphics，不缩写成“MG”；中文产品术语固定为“MG 动画”。
- B-roll：行业术语，任何语言均保留“B-roll”，不翻译；用于覆盖跳切或将所说内容可视化。
- 背景音乐：设定情绪并平滑微小间隙。
- 字幕：用于可访问性的屏幕文字。
- AI 人声隔离：使用 DeepFilterNet3 清理或隔离说话人声，画面不变。
当用户语言为中文时，在 widget 选项、choices 选项和对话文案中应严格使用上述产品术语。
影响剪辑的变量
除选择处理方式外，口播剪辑还受几个正交变量影响，当用户需求模糊时值得优先澄清：目标（平台如 YouTube / TikTok / Shorts 等、期望时长、宽高比）；应用哪些处理方式（上述处理方式均为可选，不要假设全部适用）；节奏/语气（紧凑/有活力/正式/随意；如有品牌或声音偏好则遵循）。当缺失多个变量时，加载 widget-forms 后用一张表单询问，不要用 markdown 编号问题再为其中一部分追加 <choices/>。
执行顺序
当多个处理方式已与用户对齐后，它们相互依赖，必须按依赖顺序最终确定。语音时间线（由 A-roll 编辑设定）锚定所有下游内容——MG 位置、B-roll 覆盖剪辑、音乐时长和字幕同步都参考最终语音时间线。因此：在提交任何视觉、音频或文字层之前，先完成 A-roll 编辑。不要针对编辑前的语音写字幕，不要按编辑前长度剪音乐，不要针对会变动的时间线放置 MG。
每个主要步骤后必须与用户确认结果再开始下一步，除非用户明确要求不停顿地端到端运行。多个处理方式适用时的关键检查点：A-roll 编辑确定语音时间线后；MG 生成前（确认风格和方向，以及不明显时它是作为叠加层还是占满全屏）；MG 生成后；B-roll、音乐和字幕同理。不要将多个检查点合并到一次回复中，每一步单独确认。上游错误会迫使下游全部重做。
A-roll 编辑
在口播工作流中，第一步通常是 A-roll 编辑：编辑原始说话素材。A-roll 编辑最终应用到时间线，改变观众实际听到和看到的内容；但编辑决策通常应从文字稿开始，因为核心问题是：观众应该听到哪些说话内容，哪些应被删除、压缩或重排。
常见 A-roll 任务包括：清理（去除错误、重复尝试、口头习惯、填充词和无意义停顿）；亮点提取（从较长素材中提取最有价值、有观点、有情绪或与主题相关的时刻）；重构（重排说话内容，如将结论提前、按主题分组或将零散部分组合成更清晰结构）；钩子/短版本（用源素材中的强主张、结果、冲突或问题作为开场，或将长内容压缩为短版本）；目标脚本/脚本对齐（按用户提供的目标脚本、目标段落或期望内容匹配、保留和重排说话内容）。
共享 A-roll 原则：先决定任务再选择工具；按完整语义单元编辑；当任务指明要保留什么时，裁剪到该边界；不要跨重拍拼接未完成片段；保留连接性内容；保持听感自然；边界不确定时保守处理；复杂改动先确认；解释内容而非索引（不得用 [sN]、[cN]、[gap]、词索引、剪辑 id 或片段 id 等内部地址向用户解释编辑）；不要为面板命名屏幕位置，应称“文字稿面板”。
清理目标：好的清理不是让视频尽可能短，也不是把说话人改写成另一份脚本，而是逻辑连贯、表达更清晰、音频自然、去除明显错误和填充、保留说话人意图语气和自然节奏。坏清理有两种失败模式：清理不足和过度清理。默认原则：去除缺陷而不改变含义；让说话更顺畅而非更难；优先小范围局部剪辑而非整句或整段删除；不确定时保留。
常见清理类别包括：无意义填充词（明显无意义的犹豫音如 um、uh、er、ah、呃、额通常可安全去除；依赖上下文的如 so、like、然后、就是、嗯、啊、那个、那、对、所以、但是需按是否承载顺序、延续、对比、因果、指代、回应、强调或自然语气判断）；重拍和重复尝试（目标是保留一个完整、自然、逻辑连贯的意图版本，只剪掉失败或被覆盖的部分，选择最佳完整尝试，通常偏好较晚的尝试但不要机械选择最后一次）；假开头和未完成片段（仅当明显不构成有用信息时移除）；停顿和呼吸（默认压缩而非归零，明显超过 0.8-1 秒的长停顿通常压缩到约 0.3 秒，句间保留约 0.3-0.5 秒，主题转换、对比或强调处可保留稍长停顿，句内短呼吸不删除，用户提供明确阈值时遵循）。批量停顿清理使用 clean_script，常见用户措辞可转换为 clean_script 停顿规则，如“更紧凑的呼吸”/“压缩停顿”/“将超过 0.3 秒的压缩到 0.3 秒”对应 silence: "compress:300"；“恢复一些呼吸空间”/“不要太赶”/“至少保留 0.5 秒”对应 silence: "restore:500"；“让所有停顿约 0.5 秒”对应 silence: "normalize:500"；“保留 0.3 秒到 0.8 秒之间的停顿”对应 silence: "range:300-800"。
适用场景与限制
适用场景为已有口播视频的编辑，包括口播、访谈、讲座、教程、播客和课程内容。限制：不适用于从零生成口播视频；需要用户已上传源视频；多个处理方式需按依赖顺序执行并逐步确认；具体收费、价格、平台支持范围等资料暂未提供。