chengyi-ai/native-subtitle-quote-image

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。

  v2.3.0 实际渲染：原比例布局，人物不拉伸；本组中文为后期脚本字幕，并非视频原生字幕。

查看完整示例：编程模型 · 能力与价值 · 任务时长。来源与复现方法

快速开始

1. 安装 Skill

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/

2. 安装依赖并自检

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：

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

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。

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。

[!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

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。

用一句话调用

[!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。

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。

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：

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。

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。

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。

# 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。

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。
• 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。
• 完整参数用 --help 查看。

适合与不适合

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。

更多说明

深入文档

• URL 获取、yt-dlp、Deno/Node 与文字时间轴
• 从读视频、选题到交付的完整工作流
• 紧凑型主图、字幕条密度与视觉质检

Star History

AI 协作署名

Codex（OpenAI AI 编程助手）参与了原比例布局、原生字幕统一缩放与回归测试的实现。项目由 程意维护；AI 协作署名记录辅助工作，不代表 OpenAI 对本项目的官方背书。

开源许可

代码与 Skill 指令采用 MIT 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。