用途：Video intake 是整套剪辑技能包的入口环节，目标是把一段原始的口播录像（raw talking-head recording）整理成一个统一的视频文件夹。该文件夹包含：一次剪辑后的 take、词级时间戳、每一视频帧对应的人脸帧，以及起始页面（starter page）所需数据。之后的其他剪辑技能都基于这个文件夹继续工作。
主要能力与流程：
-
输入收集：先要求三样东西并等待——原始手机或相机录像文件（竖屏最佳）；脚本（如有，但以实际录制内容为准，字幕跟随实际所说）；外观设定（品牌 hex 色值与字体，默认白色、墨色 #1d1d1f、强调色 #0071e3、SF Pro 或 Inter）。
-
文件检查：使用 ffprobe 检查编码、宽高、起始时间与旋转标记。旋转标记意味着画面需要旋转，需在首次编码时固化；存在两条音频流（iPhone 空间音频）时只映射第一条（-map 0:a:0）；音频比画面晚超过 0.02 秒会漂移，需用 -itsoffset 修正；宽大于高且无旋转标记即为横屏文件，第 6 步会裁掉中间部分。
-
词级时间戳转录：先用 ffmpeg 提取单声道 16kHz 音频，再用本地 Whisper（pip install openai-whisper，whisper audio.wav --model small.en --word_timestamps True --output_format json）获得带词时间戳的转录。
-
选段与剪切：通读整个转录，同一句保留最后一个完整 take；口头上被否决的 take（如“scratch that”“let me start again”）与咳嗽删去，笑声保留。所有停顿压到 0.15–0.2 秒，除刻意留白外不留超过 0.25 秒的静音。只在真正静音处剪切，绝不按转录的词时间剪（Whisper 会把词拉伸到停顿上），用 silencedetect（noise=-50dB:d=0.2）在音频上找真实静音，找不到则提高阈值（如 -45dB），在词内找到则降低；检查词尾，因为“s”可能比转录标注的词尾多出 0.3 秒的气声。周围没有静音的填充词无法干净切除，保留。所有剪切边缘对齐到帧网格（1/30 秒整数倍），每个音频接缝两侧各加 30ms 淡入淡出以防爆音，使用固定增益而非归一化。把保留区间写成 my-video/segments.json（[[start, end], ...]，单位为原始秒），用 ffmpeg trim/atrim 与 concat 构建剪辑，剪辑音频保存为 my-video/cut-audio.wav（起始页面播放该文件）。
-
对剪辑后音频再次转录：在 cut-audio.wav 上重跑第 3 步，字幕与所有按词时间的动作都使用这些时间戳，因为原始时间戳在每次剪切后会漂移。通读保留的词，确认没有重复、没有指向观众尚未听到内容的表述；Whisper 常把原始 take 中重复的行合并成一个长词，重复只在此处显现，发现后回到第 4 步剪掉并重跑本步，直到文本只读一次。随后手工修正 Whisper 识别错误的词（人名、产品名、评论关键词），删除末尾零长度词。
-
建立视频文件夹：mkdir -p my-video && cp -R <this skill>/starter/. my-video/，再用 ffmpeg（fps=30, scale=1080:1920 等）导出逐帧人脸图到 my-video/face/%06d.jpg。然后从剪辑后转录写出 my-video/words.js（每个词 { w, s, e }），并在 my-video/video.js 中设置 duration 与 faceFrames，faceFrames 必须等于 face/ 中 jpg 数量，偏差超过一说明剪切边缘未对齐帧网格。起始页面自带演示 beats 与演示 hook，需替换：一个从 0 到结尾的人脸 beat，以及自己的 hook 行（或 hookEnd: 0 表示无）。在 Chrome 中打开 my-video/index.html?render&t=3 可查看任意帧，不带 ?render 打开点击播放有声版本。
起始页面机制：index.html 是引擎，不可编辑；它仅靠 seek(t) 绘制任意时刻，因此每帧渲染结果一致。video.js 是编辑层，每个 beat 有三种布局：face（全脸）、split（上方一个对象、下方人脸卡）、full（仅图形）。字幕固定在同一白色胶囊内，y=962，所有 beat 一致，y 930–1040 区域需留空。hook 显示期间（t < hookEnd）字幕隐藏。超过最后一个 beat 的时间显示最后一个 beat。引擎已定义 clamp、prog、easeOut、spring、wordAt、$ 与 pad，直接使用，不可重复声明，否则第二个 const clamp 会导致 seek is not defined 使整页停止。wordAt('every') 返回某词首次出现时间，查后续出现可传搜索起点如 wordAt('every', 5)。在完整渲染前可用 node render.mjs --stills 0.5,3,5 查看静帧。要编辑长 take 的某一段，可建立 section 文件夹：把 cut-audio.wav 裁到该段、复制人脸帧并从 000001 重新编号、平移词时间使该段从 0 开始。render.mjs 逐帧拍摄并编码成各平台通用的 MP4（npm i puppeteer，然后 node render.mjs），加 --format linkedin、square 或 wide 可获得其他尺寸。
适用场景：口播类短视频（如 reel）的预处理与结构化整理，适合需要词级字幕、逐帧人脸卡和可重复渲染流程的剪辑工作流。
限制与注意事项：以实际录音而非脚本为事实来源；每个场景应在其短语结束后约 0.1 秒处结束，不要在词中间切断；不要信任接缝处的转录，每个接缝都要亲耳听。除上述内容外，价格、平台兼容性、具体效果等信息暂未提供。