video-cut 是一个视频剪辑技能（Claude Skills 生态中的技能包），核心理念是：通过与用户对话来完成剪辑。它先转录素材，再依据转录文本和按需查看的画面做剪辑决策，最后用 ffmpeg、PIL 等工具执行。
用途与基本思路：大模型依据原始转录文本和按需查看的画面进行推理。唯一保留的派生工件是短语级打包转录（takes_packed.md），其余诸如填充词标记、重拍检测、镜头分类、强调评分等，都在需要做决策时临时推导。以音频为主导，画面跟随：候选剪切点来自语音边界与静音间隔，只在需要做决策的位置才仔细查看画面。工作流程为：提问 → 确认 → 执行 → 迭代 → 固化；在用户用通俗语言确认策略之前，不会改动任何剪辑。技能强调要通用化处理，不预设视频类型，而是先看素材、询问用户，再开始剪辑。
主要能力：
- 转录与打包：transcribe.py 进行单文件转录（使用 Scribe，可指定说话人数，结果会被缓存）；transcribe_batch.py 以 4 个并发任务进行批量转录；pack_transcripts.py 将转录结果转成短语级、带时间范围的 takes_packed.md，作为剪辑的主要阅读视图。
- 剪辑与渲染：生成 edl.json 剪辑决策，由 render.py 逐段抽取、无损拼接、叠加动画（按 PTS 偏移）、最后烧录字幕；支持 --preview 输出 720p 快速预览，以及 --build-subtitles 生成 master.srt。
- 画面核查：timeline_view.py 生成指定时间段的胶片条与波形图，用于在决策点按需核查画面，而非持续扫描。
- 调色：grade.py 提供预设与自定义 --filter，除内置 warm_cinematic、neutral_punch、none 外，也可自行组合 ffmpeg 滤镜链。
- 字幕：从分块、大小写、位置三个维度设计字幕样式，给出 bold-overlay 等示例样式，可在 render.py 中强制样式。
- 动画：按动画槽位选择引擎，包括 HyperFrames（HTML/CSS/GSAP 网页式合成，需要 Node.js 22+）、Remotion（React 合成）、Manim（公式与图示动画）、PIL + PNG 序列 + ffmpeg（计数、打字机等简单叠加卡片）；多个动画通过并行子代理生成。
- 多镜头选段：针对“从多个片段中为每个节拍挑选最佳镜头”的任务，可用专门的子代理简报，按结构原型（如产品发布、教程、访谈、旅行、纪录片、音乐表演）组织，并输出 JSON 形式的 EDL。
使用方式：首次安装见 install.md（克隆、依赖、ffmpeg、技能注册、API Key）。每次会话开始时只需确认：ELEVENLABS_API_KEY 可用（环境变量或技能目录内 .env）、ffmpeg 与 ffprobe 在 PATH 中、Python 依赖已安装（uv sync 或 pip install -e .）、需要 HyperFrames/Remotion 时具备 Node.js 与 npm。yt-dlp、HyperFrames、Remotion、Manim 仅在首次使用时安装。会话输出统一写入 <videos_dir>/edit/ 目录，包括 project.md、takes_packed.md、edl.json、transcripts、animations、clips_graded、master.srt、preview.mp4、final.mp4 等。
流程：先盘点素材（ffprobe + 批量转录 + 打包），预扫描口误等问题；再用通俗语言与用户对话，收集内容类型、时长与画幅、美学方向、节奏、必保/必删片段、动画与调色、字幕需求；随后提出 4–8 句策略并等待确认；执行时生成 EDL、按需核查画面、并行制作动画、逐段调色并合成；输出预览后进行自检（检查剪切点画面与波形、字幕是否被遮挡、叠加是否错位，并测量响度与时长）以及可选的批评子代理复核，最多自检 3 轮；最后按反馈迭代并记录 project.md。
硬性规则（保证产出正确性）：字幕必须放在滤镜链最后；采用逐段抽取加无损 -c copy 拼接；每段边界加 30ms 音频淡入淡出，避免爆音；叠加动画用 setpts 将第 0 帧对齐到窗口起点；master.srt 使用输出时间轴偏移；不得在单词内部剪切；剪切边缘留 30–200ms 补白；仅使用词级逐字 ASR；转录按源文件缓存；多个动画并行；执行前必须确认策略；所有会话输出写入 edit/ 目录。
适用场景：口播、集锦、教程、旅行、访谈、产品发布、纪录片、音乐表演等需要按语义剪辑的视频。限制：依赖 ffmpeg 与 ElevenLabs（Scribe）转录，部分动画引擎需要 Node.js 及相应工具；文档明确说明该技能无法“听”音频，音量与响度只能靠数值测量报告；具体价格、平台支持范围等未在资料中提供。