视频爆款拆解与二创文案生成

Video Viral Replicate - 视频爆款拆解与二创文案生成

Overview

将一个爆款短视频拆解为「画面 + 文案 + 字幕」对齐的视听时间线，再基于拆解结果提炼爆款公式并生成可落地的二创文案。核心管道由 scripts/pipeline.py 完成（ffmpeg + faster-whisper + OCR + yt-dlp），文案生成部分由对话中的 LLM 基于 references/prompt_templates.md 的模板完成。

支持链接直传：除本地视频文件外，直接传入抖音/B站/小红书/视频号/YouTube 等平台的分享链接，pipeline 会用 yt-dlp 自动下载后再拆解，无需手动下载视频。

零配置设计：首次运行自动建 venv、装依赖、提供 ffmpeg 二进制，用户装完 skill 直接跑即可，无需手动配环境。

When to use

触发场景：

• 用户给出视频文件路径，要求"拆解这个视频""分析它为什么火""仿写一版文案"
• 需要把视频的视听内容结构化（画面、台词、字幕按时间轴对齐）
• 需要基于爆款视频产出二创文案、改写脚本、提炼爆款公式

不适用：纯音频转录（直接用 whisper 即可）、纯视频剪辑（用剪辑工具）、需要精确到帧的视觉检测（用专用 CV 模型）。

前置条件

• Python 3.8+：用户系统已有即可（WorkBuddy 自带 Python 3.13，满足）
• 无需系统 ffmpeg：pipeline 用 imageio-ffmpeg 包自带的 ffmpeg 二进制，pip 装完就有
• 无需手动装 Python 包：首次运行自动建隔离 venv 并装依赖
• 首次下载体积：whisper 模型约 1.5GB + easyocr 模型约 100MB，走 HuggingFace/网络，首次下载后走本地缓存
• 磁盘空间：venv + 依赖 + 模型缓存合计约 3-4GB

工作流程

Step 1: 运行 pipeline 拆解视频（首次自动配置环境）

核心命令——用任意可用的 Python 启动，首次运行会自动切换到隔离 venv：

"C:/Users/qjw/.workbuddy/binaries/python/versions/3.13.12/python.exe" "{SKILL_DIR}/scripts/pipeline.py" \
  --input {VIDEO_PATH} \
  --workdir {OUTPUT_DIR} \
  [--model medium] \
  [--device auto] \
  [--ocr] \
  [--scene-threshold 0.3] \
  [--fps 0]

其中 {SKILL_DIR} 为本 skill 所在目录（通常为 C:/Users/qjw/.workbuddy/skills/video-viral-replicate）。

首次运行会发生什么（全自动，用户无需干预）：

1. 在 skill 目录下建隔离 venv：{SKILL_DIR}/.venv/
2. 升级 pip，用清华源装依赖（faster-whisper + easyocr + imageio-ffmpeg）
3. 自动重启脚本，切到 venv 的 python 继续
4. 下载 whisper 模型（首次约 1.5GB，之后走缓存）
5. 正常执行拆解流程

耗时：首次约 5-10 分钟（含下载），之后每次几十秒到几分钟（取决于视频长度与有无 GPU）。

参数说明：

• --input：视频文件路径或分享链接（必填）。支持抖音/B站/小红书/视频号/YouTube/TikTok 等，链接自动用 yt-dlp 下载后再拆解
• --workdir：工作目录，存放中间产物与最终 JSON（必填）
• --model：whisper 模型大小，可选 tiny/base/small/medium/large-v3，默认 medium（平衡速度与准确度）
• --device：auto/cpu/cuda，默认 auto（自动检测 GPU）
• --ocr：开启画面字幕 OCR（默认开启，加 --no-ocr 关闭）
• --scene-threshold：场景切换检测阈值 0-1，默认 0.3；越高抽帧越稀疏
• --fps：固定抽帧帧率（如 1 表示每秒一帧）；设为 0 则只用场景切换检测，默认 0

脚本执行后输出 {WORKDIR}/analysis.json，结构见下方"输出格式"。

Step 2: 基于拆解 JSON 生成二创文案

读取 {WORKDIR}/analysis.json，按 references/prompt_templates.md 中的流程生成二创文案：

1. 加载 references/prompt_templates.md 到上下文
2. 读取 analysis.json，提取：时间线、全文文案、关键画面描述
3. 按"爆款公式提炼"模板分析原视频结构（钩子、冲突、节奏、CTA）
4. 按"二创文案生成"模板产出 3 个版本的二创文案（不同角度/风格）

详细 prompt 模板见 references/prompt_templates.md。

输出格式

analysis.json 结构：

{
  "video": "path/to/video.mp4",
  "duration": 60.5,
  "model": "medium",
  "device": "cpu",
  "language": "zh",
  "timeline": [
    {
      "start": 0.0,
      "end": 3.2,
      "narration": "你以为这就结束了？",
      "subtitle": "你以为这就结束了？",
      "frame": "frames/frame_0001.jpg",
      "frame_time": 0.0
    }
  ],
  "full_text": "完整转录文本...",
  "segments_count": 15,
  "frames_count": 8
}

字段说明：

• timeline：按时间排序的视听片段，每个片段包含该时间段的旁白（whisper）、字幕（OCR）、代表帧路径
• full_text：whisper 转录的完整文本，便于整体理解
• frame：相对于 workdir 的路径，可直接打开查看画面

中间产物（在 workdir 下）：

• audio.wav：16kHz 单声道音频
• frames/frame_XXXX.jpg：关键帧图片

ffmpeg 策略

pipeline 按以下优先级查找 ffmpeg，无需用户配置：

1. imageio-ffmpeg 包自带的二进制（推荐，pip 装完即用，零系统配置）
2. 系统 PATH 中的 ffmpeg（回退，适合已装 ffmpeg 的用户）

这样无论用户电脑有没有装 ffmpeg，skill 都能跑。

常见问题与调优

whisper 幻觉（纯音乐段凭空生成文字）：pipeline 已集成 silero-vad 做静音过滤。如仍有幻觉，将 --model 降为 small。

长视频显存不足：whisper 对超长视频显存敏感。若 OOM，设 --device cpu 或降 --model。

OCR 漏抓字幕：短视频字幕样式多变。若漏抓率高，设 --fps 2 增加抽帧密度。

抽帧太少：场景切换检测对缓慢变化的画面不敏感。设 --fps 1（每秒一帧）兜底，或降低 --scene-threshold 到 0.2。

没有 GPU：--device auto 会自动回退 CPU。large-v3 在 CPU 上极慢，无 GPU 时建议 --model small。

首次配置失败（网络问题）：pip 源默认走清华镜像。若仍失败，可手动跑：

"{SKILL_DIR}/.venv/Scripts/python" -m pip install -r "{SKILL_DIR}/requirements.txt" -i https://pypi.tuna.tsinghua.edu.cn/simple

资源说明

• scripts/pipeline.py：视听拆解主脚本，首次运行自动配置环境
• references/prompt_templates.md：二创爆款文案的 prompt 模板（爆款公式提炼 + 文案生成）
• requirements.txt：Python 依赖（faster-whisper、easyocr、imageio-ffmpeg）