把真实视频帧，做成保留原字幕或绘制台词的长图
_{原生字幕不重绘 · 脚本字幕不冒充原字幕}

快速开始 · 了解能力 · 成品案例 · 两种模式 · English · 한국어

## 能做什么 - **从视频直接出图**：本地文件或 YouTube 链接进来，经过找句子、精确取帧、拼图、逐张质检，输出原生或脚本字幕 JPG，可按内容布局或指定比例。 - **两种字幕，从不混用**：原生模式只裁切画面里本来就有的字幕；脚本模式把你审核过的台词画到真实画面上，并标明是后期字幕。 - **版式紧凑**：原生字幕先拼源像素，再统一缩放，第一句不会被单独放大；脚本固定布局的主图约占 70%。字幕条之间没有空隙。 - **Agent 能用，脚本也能单独跑**：在 Codex、Claude Code 等 Agent 里用一句话调用；也可以直接运行 Python 脚本。 ## 成品案例本页只展示中文字幕作品，均为 3:4、5 句。英文和韩文作品分别在 [English](README_EN.md#gallery) 与 [한국어](README_KO.md#완성-예시) README 中。点击图片查看原图。

《大巴上的女孩》
_{原生字幕 · 生命属于你自己}

原生字幕模式：剧集《大巴上的女孩》片段，母亲角色的主画面与 4 条字幕条；5 句中英双语字幕（含主画面上的第一句）都直接裁自视频画面，未识别、未重绘

里克·鲁宾
_{脚本字幕 · 创意像一片变化的云}

脚本字幕模式：音乐制作人里克·鲁宾在播客录音室微笑的主画面，下方 5 条后期绘制的中文译写字幕，内容关于创意像一片变化的云

陈数
_{脚本字幕 · 工作投入，生活简单}

- **原生字幕**：第一张的字幕是视频里已烧录的非官方中英双语字幕（随 Bilibili 搬运版烧录在画面里），直接从画面像素裁切，未识别、未重绘；左上角是原视频平台的水印。 - **脚本字幕**：后两张的中文是后期绘制的整理或翻译台词，不是视频原字幕，也不作为人物的逐字引语。 [查看来源、台词与时间点](examples/README.md#中文案例)

↑ 回到顶部

## 快速开始 **1. 安装 Skill** ```bash git clone https://github.com/chengyi-ai/native-subtitle-quote-image.git cd native-subtitle-quote-image mkdir -p ~/.codex/skills && cp -R skills/native-subtitle-quote-image ~/.codex/skills/ ```

用 Claude Code、Codex Skill Installer 或其他 Agent？

**Claude Code**：复制到 Claude Code 的 Skills 目录。 ```bash mkdir -p ~/.claude/skills && cp -R skills/native-subtitle-quote-image ~/.claude/skills/ ``` **Codex Skill Installer**：在 Codex 中调用 `$skill-installer`，让它安装这个目录： ```text https://github.com/chengyi-ai/native-subtitle-quote-image/tree/main/skills/native-subtitle-quote-image ``` **其他 Agent**：本项目使用开放的 Agent Skills 目录格式。把 `skills/native-subtitle-quote-image/` 复制到目标 Agent 的 Skills 目录即可，具体位置以该 Agent 的文档为准。

**2. 安装依赖并自检** ```bash python3 -m pip install -r skills/native-subtitle-quote-image/requirements.txt python3 skills/native-subtitle-quote-image/scripts/check_environment.py ``` 要处理 YouTube 链接，再装 `yt-dlp`： ```bash python3 -m pip install -U "yt-dlp[default]" python3 skills/native-subtitle-quote-image/scripts/check_environment.py --url-mode ``` 要画中日韩台词，用 `--script-mode` 检查字体。环境自检是只读的，不会自动安装或修改任何软件；缺组件时，Agent 会先说明用途，征得你同意再装。 **3. 重开一个 Agent 任务，说一句话** ```text 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。 ```

↑ 回到顶部

## 两种字幕模式如果你没有指定模式，Agent 会先问“您当前是选择原生字幕还是脚本字幕？”，并用一句话解释两者区别，再按你的选择处理。 | | 原生字幕 | 脚本字幕 | |---|---|---| | **什么时候用** | 关掉播放器的 CC 后，字幕仍然烧在画面里 | 要把已核对的台词、翻译或观点画到真实画面上 | | **图里的字从哪来** | 视频像素本身，不 OCR 重绘，不翻译改写 | 你审核过的 `lines[].text`，明确属于后期字幕 | | **命令** | `render` | `render-script` | > [!IMPORTANT] > 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的 JSON，不能冒充原字幕。 > 如果你要原生字幕，但视频只有可开关的字幕轨，Agent 会先说明限制，经你同意后才改用脚本模式。 ### 工作流 ```mermaid flowchart LR A[本地视频
或 YouTube 链接] --> B[获取视频
与字幕轨] B --> C[检查真实帧
区分烧录字幕] C --> D[按文字稿
选题选句] D --> E{锁定模式} E -->|原生| F[裁切画面
里的字幕条] E -->|脚本| G[绘制已
审核台词] F --> H[按模式渲染
逐张质检] G --> H ``` Skill 支持三种工作方式： 1. **本地成片**：直接从本地视频选句、取帧、出图，不需要 `yt-dlp`。 2. **URL 完整流程**：用 `yt-dlp` 获取你有权处理的视频、元数据和辅助字幕轨，再决定字幕模式。 3. **内容生产**：读视频、选题、写文章或帖子，最后配字幕截图。其他内容类 Skill 负责上游，本 Skill 负责时间点、真实画面、字幕来源标识和质检。

↑ 回到顶部

## 用一句话调用 | 场景 | 对 Agent 说 | |---|---| | 视频自带烧录字幕 | 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。 | | 给的是链接 | 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，做成原生字幕拼图并逐张质检。 | | 写稿配图一起做 | 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。 | | 用自己核对过的台词 | 使用 $native-subtitle-quote-image 的脚本字幕模式，把这份带时间点的中文台词画到真实视频帧上，做成紧凑 3:4 长图并逐张质检。 | > [!TIP] > `$native-subtitle-quote-image` 是 Codex 的写法。在 Claude Code 里可以用 `/native-subtitle-quote-image`，或者直接描述需求。 Agent 会先检查来源、字幕类型和候选帧，确定模式后再生成： - 逐张 JPG，比例符合所选布局； - 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。

↑ 回到顶部

## 命令行不经过 Agent 也可以直接跑脚本。下面的 `VIDEO` 换成你的视频路径。 **挑帧**：生成带时间点的候选帧总览，不用反复试时间点。 ```bash 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，会在整段视频里均匀抽取最多 24 帧。已经知道大概时间点时，可以围绕每个点取前、中、后三帧，避开字幕切换的瞬间： ```bash 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 ``` **原生字幕**：先用 `band` 确认字幕的裁切区域，再按 manifest 渲染一组成品。 ```bash 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 \ --band-top 0.78 --band-bottom 0.96 ``` **脚本字幕**：准备 `script.json`，然后渲染。 ```bash 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 ``` **保留人物原比例与横屏构图（v2.2.0）**：两种字幕模式都支持 `--layout natural`。不指定宽度时保留源宽度，图片高度按实际内容计算，不强制 3:4；指定 `--width` 也只做等比缩放。 ```bash # 原生字幕：保留画面像素，不重绘文字 python3 skills/native-subtitle-quote-image/scripts/native_subtitle_stitch.py render VIDEO \ --manifest manifest.json --out-dir output-natural --layout natural # 脚本字幕：仅裁去不需要的底部区域，不把剩余画面拉高 python3 skills/native-subtitle-quote-image/scripts/native_subtitle_stitch.py render-script VIDEO \ --script script.json --out natural.jpg --layout natural --frame-bottom 0.72 ``` `0.72` 是示例裁切边界，需按视频实测；默认 `--frame-top 0 --frame-bottom 1` 保留全帧。`--band-center` 相对裁切后的画面。原比例布局不与 `--aspect` / `--hero-fraction` 合用。“原比例”只描述画面几何，脚本字幕仍是后期绘制。 **默认原生布局修正（v2.2.2）**：`render` 不传布局或比例时，默认按内容计算高度、保留源宽度。明确加 `--aspect 3:4 --width 1440` 时仍输出 1440×1920，但对整张拼图统一等比缩放，保留完整字幕，不分别填满主图和字幕条（v2.2.2 用留黑边适配画布，v2.3.0 起默认先统一裁两侧，见下）。原生模式的 `--hero-fraction` 仅调整源主图裁切高度，受源帧限制；脚本字幕仍默认固定 3:4。输出比例不匹配时，不能用非等比 resize 硬改。 **横屏视频出 3:4 少留黑边（v2.3.0）**：原生 `render` 的固定画布默认 `--fit crop`：先自动识别每句字幕的左右边界，再对整张拼图统一裁去两侧，最多裁到字幕安全边界，剩余差额才留黑边。所有字幕仍是同一缩放倍数；任何一句识别不到字幕边界时不裁切，退回整图留边。人物偏左或偏右时，用 `--crop-center 0.4` 这类数值移动裁切窗口，窗口始终包含全部字幕。想要 v2.2.2 的纯留边效果，加 `--fit pad`。裁切后仍要逐张检查字幕两端是否完整。

script.json 的格式

每个 `text` 必须是已复核的单行台词，`t` 是严格递增的真实时间点： ```json { "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"} ] } ``` 脚本会自动尝试常见的系统 CJK 字体，找不到时用 `--font /path/to/font.ttc` 指定。台词太长就拆句，不要靠缩小字号硬塞。

几条默认行为： - 两种渲染器都会根据字幕条数自动调整主图比例，详见[紧凑型视觉规范](skills/native-subtitle-quote-image/references/visual-style.md)。 - 原生单行字幕默认从视频高度的 `0.78–0.96` 区域开始预览。 - 每张图最多 7 个时间点（1 个主画面 + 6 个字幕条），两种模式相同；台词更多时拆成多张图。 - 默认不覆盖已有图片；确实要替换时加 `--overwrite`。 - 出图前会检查重复画面：所有时间点画面几乎相同（例如源视频只是一张静态封面图），或原生模式相邻两条字幕条几乎相同时，直接报错、不出图。确认无误时加 `--allow-duplicate-frames`。 - 完整参数用 `--help` 查看。

↑ 回到顶部

## 适合与不适合 | 适合 | 不适合 | |---|---| | 关掉 CC 后字幕仍在画面里，想原样保留 | 想要原生字幕，但视频只有可单独开关、切换或下载的字幕轨 | | 手里有可复核的时间点和已审核台词，想画到真实画面上 | 台词或翻译还没复核，或者希望 Agent 编造来源里没有的引语 | | 你有权处理和发布这段视频及生成的画面 | 想把低清视频"增强"成真实的高清画质 | 素材优先用自己拍摄并加过字幕的视频、已获授权的素材，或明确允许再利用的公开视频。公开发布前，请再确认一遍素材使用权。

找不到带烧录字幕的视频怎么办

很多视频的字幕是播放器里可开关的字幕轨（CC），下载下来的画面是干净的，这类视频做不了原生模式。 **先判断**：关掉播放器字幕再看画面；或者下载后用 `sample` 生成候选帧总览，画面里仍有字幕才是烧录字幕。只下载到 VTT/SRT 字幕文件，不代表画面里有字幕。 **更容易找到的来源**： - 自己剪辑的视频：用剪映、Premiere 等导出时把字幕烧进画面，最稳，也没有版权顾虑。 - 发布方自己加了中文字幕的访谈、节目或发布会视频。 - 平台上带中文硬字幕的访谈、播客切片。这类视频常是二次搬运，发布前务必确认使用权。 **还是找不到**：改用脚本字幕模式。用视频自带的字幕轨或 Whisper 文字稿定位时间点，核对台词后写进 `script.json`，再运行 `render-script`。成品会标明是后期字幕，不冒充原字幕。

↑ 回到顶部

## 更多说明

项目状态与技术信息

依赖组件一览

| 组件 | 本地模式 | URL 模式 | 用途 | |---|:---:|:---:|---| | `native-subtitle-quote-image` | 必需 | 必需 | 选帧、裁切、拼图和最终质检 | | Python 3.10+ | 必需 | 必需 | 运行 Skill 脚本 | | Pillow | 必需 | 必需 | 裁图、拼图、导出 JPG | | `imageio-ffmpeg` 或 FFmpeg | 必需 | 必需 | 读取视频、精确取帧 | | `yt-dlp` | — | 必需 | 获取在线视频、元数据和字幕轨 | | Deno，或显式启用 Node.js | — | YouTube 必需 | 完整解析 YouTube 格式 | | Whisper / 语音识别 Skill | 可选 | 可选 | 没有字幕轨时生成时间索引 | | CJK 字体 | 中日韩脚本模式必需 | 中日韩脚本模式必需 | 绘制中日韩台词；原生模式不需要 | | 选题、写作或视频理解 Skill | 可选 | 可选 | 从文字稿提名主题、生产配套内容 |

YouTube 提示"登录以确认不是机器人"怎么办

URL 模式会先尝试公开访问。如果 YouTube 返回登录验证、年龄验证，或者是你自己的非公开视频，Agent 不会误判成"只能处理本地视频"，而是说明原因，并询问你是否允许 `yt-dlp` 临时读取 Chrome 里的登录 Cookie。你授权后，元数据、字幕和视频下载命令都会加上 `--cookies-from-browser chrome`： ```bash yt-dlp --cookies-from-browser chrome --js-runtimes node \ --no-playlist --skip-download \ --print "%(id)s | %(title)s | %(duration_string)s" \ "URL" ``` Cookie 不导出、不保存、不上传，也不写进仓库。yt-dlp 官方目前推荐用 Deno 做 JavaScript 运行时；已经装了 Node.js 的话也可以用，但要加 `--js-runtimes node`。完整授权边界和故障处理见 [URL 获取参考](skills/native-subtitle-quote-image/references/yt-dlp-and-transcripts.md#chrome-cookie-授权流程)。

更新提醒

每个新任务开始时，Skill 会做一次不阻塞任务的版本检查：读取自带的 `VERSION`，和本项目 GitHub 上的 Latest Release 比较。 ```bash python3 skills/native-subtitle-quote-image/scripts/check_update.py --json ``` - 24 小时内复用缓存，不会每次都联网。 - 发现新版本只提醒版本号和 Release 链接，不会自动覆盖你本地的 Skill。 - 断网、GitHub 不可用或你拒绝联网时，照常继续任务。 - 缓存里只有检查时间、最新版本号和 Release 链接，没有账号、素材或使用记录。想立刻重新检查： ```bash python3 skills/native-subtitle-quote-image/scripts/check_update.py --force --verbose ```

修改首屏横幅

首屏横幅由 `scripts/render_banners.py` 生成，中文、英文、韩文各一张 WebP，放在 `assets/` 里。横幅自带深色背景，GitHub 浅色和深色主题共用。改标题时编辑脚本顶部的 `COPY`，改边缘插画时替换 `assets/banner-ornaments.png`，然后运行： ```bash python3 scripts/render_banners.py ``` 需要本机装有 Chrome 或 Chromium，渲染时会从 Google Fonts 加载字体。找不到浏览器时，用 `--chrome /path/to/chrome` 指定。

项目验证

```bash 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 和 3.13 上通过 GitHub Actions 自动检查。

**深入文档** - [URL 获取、yt-dlp、Deno/Node 与文字时间轴](skills/native-subtitle-quote-image/references/yt-dlp-and-transcripts.md) - [从读视频、选题到交付的完整工作流](skills/native-subtitle-quote-image/references/end-to-end-workflow.md) - [紧凑型主图、字幕条密度与视觉质检](skills/native-subtitle-quote-image/references/visual-style.md) ## Star History

## 关于作者 | 平台 | 账号 | | --- | --- | | 𝕏 Twitter | [@ChengYi3629](https://x.com/ChengYi3629) | | 📕 小红书 | [程意](https://www.xiaohongshu.com/user/profile/648c0e99000000001001f148) | ## 开源许可代码与 Skill 指令采用 [MIT License](LICENSE)。示例图片只用于展示输出效果；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。

↑ 回到顶部