今天在 GitHub Trending 上看到一个有意思的项目：chatgpt-video-editing-skills，它把"环境安装/检查"和"实际剪辑"拆成两个 Skill，让 AI Agent 在保护原始素材、取得同意的前提下，把自己提供的影片做成直式短影音。下面拆解它的设计思路和落地方式。

一、项目概述

chatgpt-video-editing-skills 由 Jaycheng1103 维护，是一组给"能读写本机文件、能执行终端指令"的 AI Agent（如 ChatGPT 的 skills 运行环境）使用的繁体中文 Skills。它的目标很明确：协助你把一段长视频，安全地做成 60–90 秒、9:16 的繁体中文短影音（Reels / Shorts / 抖音竖屏）。

它最值得称道的是安全与诚实：不静默安装工具、不在预览核准前输出正式定稿、不把"计划/指令/未验证文件"说成"完成品"，一切以实际输出与 QA 证据为准。

核心特性可以归纳为三点：

  • 职责分离：环境准备（setup）与剪辑执行（editor）拆成两个独立 Skill，互不越界。
  • 素材零破坏：所有产物放在原始影片旁的 edit/ 目录，原始文件不被覆盖、移动、重命名或删除。
  • 同意优先：上传云端转写、付费或输出正式档之前，必须先取得用户明确同意。

二、技术原理

两个 Skill 的分工

仓库把整套流程拆成两个 Skill，边界非常清晰：

Skill用途不会做的事
chatgpt-video-editing-setup检查、安装、修复或验证 video-use、FFmpeg、ffprobe、思源黑体 TW 字幕字体、ElevenLabs 凭证与可选的 HyperFrames 环境不上传素材、不转写、不剪辑、不输出影片
chatgpt-short-video-editor对用户提供影片执行逐字转写、剪辑策略、粗剪、字幕、预览、QA 与正式输出不会静默安装工具，也不会在预览核准前输出正式定稿

这种"环境归环境、剪辑归剪辑"的切分，避免了 AI 在剪辑中途偷偷改系统环境带来的不可控风险。

八大步骤的数据流

剪辑 Skill 定义了严格的八个步骤，体现"先验证、后产出"的价值观：

  1. 素材检查：用 ffprobe 确认来源规格与可解码性，原始影片保持不变。
  2. 逐字转写：先取得文件级上传同意，再以 ElevenLabs Scribe v2 取得 word-level 时间码。
  3. 内容整理：找出 Hook、核心主线、可删内容与待确认信息。
  4. 剪辑决策：先提出 4–8 句白话策略，取得核准后才决定剪接点与创意元素。
  5. 逐段粗剪：依完整字词边界建立 EDL，保留 30–200ms 边界空间与约 30ms 音讯淡入淡出。
  6. 转色／图卡／字幕：只有技术必要或已核准时才调色；静态图卡用 Pillow，动画才用 HyperFrames，字幕以思源黑体 TW 最后合成。
  7. 混音与完整预览：先输出并检查一支完整 720p 预览。
  8. QA 与正式定稿：预览明确核准后才输出 1080×1920 正式档，正式档仍需独立检查与完整解码，通过后才交付。

产物目录契约

所有新产物都落在 edit/ 下，原始文件永远不动：

edit/
├── project.md
├── transcripts/<source>.json
├── corrected-transcript.md
├── edl.json
├── master.srt
├── clips/
├── animations/slot_<id>/
├── qa/
├── preview.mp4
└── final.mp4

final.mp4 只有在「720p 预览获核准 → 渲染正式档 → 验证正式档 → 交付」这条链路全部走完，才会被视为可交付成片。

三、安装与快速开始

前置需求

  • 能读写本机文件并执行终端机指令的相容 Agent。
  • Git、Python 与 uv。
  • FFmpeg 与 ffprobe。
  • video-use 完整 Repo（剪辑辅助程式位于其中）。
  • 思源黑体 TW 子集 OTF（Regular 与 Bold），供繁体中文 subtitle 烧录，采用 SIL Open Font License 1.1。
  • ElevenLabs Scribe v2 凭证与可用额度，提供 word-level 时间码。
  • Pillow 用于简单静态信息卡。
  • HyperFrames 仅在选择 HTML/CSS/GSAP 动画时为可选需求（需 Node.js 22+ 与 Bun）。

快速安装

交互式安装（建议）：

npx skills add Jaycheng1103/chatgpt-video-editing-skills --full-depth

一次安装全部 Skills 到所有侦测到的 Agent：

npx skills add Jaycheng1103/chatgpt-video-editing-skills --all --full-depth

只安装单一 Skill：

# 环境设定
npx skills add Jaycheng1103/chatgpt-video-editing-skills --skill chatgpt-video-editing-setup --full-depth

# 剪辑
npx skills add Jaycheng1103/chatgpt-video-editing-skills --skill chatgpt-short-video-editor --full-depth

也可以手动 clone 后从本机安装：

git clone https://github.com/Jaycheng1103/chatgpt-video-editing-skills.git
cd chatgpt-video-editing-skills
npx skills add . --full-depth

更新与移除：

npx skills update chatgpt-video-editing-setup chatgpt-short-video-editor
npx skills remove chatgpt-video-editing-setup chatgpt-short-video-editor

四、使用方法与实战

第一次使用：先检查环境

不要一上来就剪。先用 setup Skill 做检查：

请使用 chatgpt-video-editing-setup 检查我的短影音剪辑环境。先只做检查并列出需要的变更，等我确认后再安装；不要上传或转写任何媒体。

环境通过后开始剪辑

请使用 chatgpt-short-video-editor，把 /完整/路径/原始影片.mov 剪成 60–90 秒、9:16 的繁体中文 Reels。先完成素材检查、逐字转写与内容整理，再用 4–8 句提出剪辑策略，等我确认后才开始剪。

这一步的关键是：Agent 必须先给你一份白话策略并等核准，而不是直接动手剪。

一个完整的实战顺序

  1. Agent 用 ffprobe 检查原始影片规格，原始档不动。
  2. 取得你的上传同意 → 调用 ElevenLabs Scribe v2 转写，拿到 word-level 时间码。
  3. 整理出 Hook、主线、可删内容，提出 4–8 句剪辑策略等你确认。
  4. 依字词边界做粗剪（EDL），保留边界空间与音讯淡入淡出。
  5. 静态图卡用 Pillow，必要动画才上 HyperFrames，字幕最后以思源黑体 TW 合成。
  6. 输出 720p 完整预览 → 你核准 → 渲染 1080×1920 正式档 → 验证正式档 → 交付。

五、常见问题与解决方案

Q：Agent 说找不到 FFmpeg、ffprobe、video-use、字幕字体或凭证？ 改用 chatgpt-video-editing-setup。它先检查、再列出需你核准的变更；若既有 Repo 有未提交修改，它会停下来，不会直接 pull、reset 或覆盖；既有字体档也不会被重新下载或覆盖。

Q：没有 ElevenLabs 额度，或不愿上传素材？ 完整精度流程以 Scribe v2 为主。你可以明确要求本机 Whisper 降級方案，但要接受较低信心的时间码与额外边界 QA；Agent 不应默默切换。

Q：已经看到指令、转写文字或预览，为什么还没算完成？ 指令不等于已执行，画面不等于完整 QA，预览也不等于正式交付。正确顺序是：完整预览检查 → 你核准预览 → 渲染正式档 → 验证正式档 → 交付。

Q：想加动画、B-roll、音乐或 CTA？ 请在剪辑策略阶段提出或核准，这些都是 opt-in 创意决策，不是预设自动加入。简单静态图卡优先用 Pillow；只有已核准的 HTML/CSS/GSAP 动画才需要 HyperFrames。

六、总结

chatgpt-video-editing-skills 的价值不只是"让 AI 剪视频"，而是给 AI 剪辑套上了一层可审计的安全护栏：环境检查与剪辑执行分离、原始素材只读不碰、上传/付费/定稿前必须取得明确同意、并以实际预览与 QA 证据作为完成标准。如果你也想把长视频交给 AI 做成竖屏短影音，又担心它乱装工具或误删素材，这套 Skills 值得一试。