短视频创作者工作流
在新媒体内容实操中，我曾搭建过一套将视频打轴、多平台改写和封面制作串联在一起的重型流水线，但实战中很快发现其致命缺陷：中间产物必须反复打磨才能进入下一步，强行串联导致粗糙产物层层污染，返工成本剧增，“甚至还不如不用工作流”。我彻底推翻重型管线，将其重构为三大解耦、自包含的 Agent Skill：通过 FunASR 毫秒级字音对齐直连剪映、Anti-AI 规范改写文案、6–10 字大字排版直出封面，在会话中按需唤醒，将数小时的视频精调压至数分钟。
3–4h ➔ 数分 3-4 小时口播字幕转写与精调压缩耗时
10–16 字 剪映短视频单行标准字数排版（严禁句号）
3 大独立 字幕精调、去 AI 腔文案、封面设计彻底解耦
0 次 断句手工切分微调
架构反思｜为什么推翻重型串联流水线？
- 串联管线的致命陷阱：AI 产出的初稿往往需要作者多轮调整审美与逻辑才能达标。一旦把所有步骤做成一条一键串联的死链，上游粗糙的半成品就会直接带入下游，导致最后出来的文案和封面全面走形，反向大幅增加修补成本，“甚至还不如不用工作流”。
- 解耦与即插即用：彻底推翻重型单体架构，把能力拆解为三大独立、自包含的 Agent Skill。在会话中“想用哪个就调哪个”——既可以在录完口播时只唤醒字幕模块，也可以在已有文稿时只调用改写模块，把打磨节奏的主动权彻底还给人。
字幕精调｜3–4 小时口播压缩至数分钟，直拖剪映免手修
- 痛点：面对长达 3–4 个小时的高密度口播素材，人工在剪映里找错别字、切断句、校对时间轴极其消耗心流；传统转写工具断句支离破碎，错字连篇。
- 解法：构建 jianying-subtitle-refiner Skill。底层基于 FunASR 本地离线引擎快速转写，结合自主编写的 token_align_clean.py 算法执行字级时间戳重对齐。
- 业务规则硬核落地：1. 绝无句号（仅保留逗号与问号）；2. 算法级精准剔除口吃与水词；3. 严格按单行 10 ~ 16 个全角字聚合成行。产出 .srt 直接拖入剪映时间轴严丝合缝，除了极少部分极端语速微调，几乎做到了 0 手动修整。
去 AI 腔文案｜消灭行话废话，纯净文字稿个性化二创
- 痛点：痛恨 AI 常见的假大空套话（“在这个快速发展的时代”、“值得注意的是”）、缺乏重点的车轱辘话。
- 解法：消费上一步沉淀的纯净 transcript.md 文字稿，唤醒 creator-copywriting Skill。严格执行 Anti-AI Writing 准则：小红书端提炼搜索意图双行痛点 Hook + 清单留白排版；抖音视频号端打磨前 3 秒黄金反直觉冲突，坚决杜绝模板说教。
封面与交互｜6–10 字大字排版，对话框直接驱动
- 封面痛点：封面重点选错点击率直接作废。解耦出 cover-designer Skill，先提炼 6–10 字极大号利益点主标题，再结合视觉隐喻生成生图提示词，或直接生成 3:4 竖版成品封面。
- 交互革新：抛弃繁琐的命令行操作，将工作流直接集成进 Agent 交互界面——对话框中直接发送视频文件路径或文字稿，后台按需调用对应 Skill 处理，直接交付剪映字幕、发布稿与渲染效果图。
