chengyi-ai/native-subtitle-quote-image: 保留视频内嵌字幕，精确取帧并生成 3:4 社交长图的 Agent Skill

 快速开始    两种模式    使用    命令行    适用范围    更多说明    反馈 

_{以上都是脚本字幕模式：真实视频帧 + 已审核的中文台词。画面原本不带这些中文字幕。原图 1080×1440。}

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，出来就是能发的 3:4 JPG。
• 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：1 张主图配 4 条字幕时，主图约占 70% 高度，字幕条之间没有空隙。条数变了，比例会自动调整。
• 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。

_{一次任务的成套输出：多张 3:4 长图，外加一张总览图方便挑选。}

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/

mkdir -p ~/.claude/skills && cp -R skills/native-subtitle-quote-image ~/.claude/skills/

https://github.com/chengyi-ai/native-subtitle-quote-image/tree/main/skills/native-subtitle-quote-image

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

| | 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

flowchart LR
  A[本地视频<br>或 YouTube 链接] --> B[获取视频<br>与字幕轨]
  B --> C[检查真实帧<br>区分烧录字幕]
  C --> D[按文字稿<br>选题选句]
  D --> E{锁定模式}
  E -->|原生| F[裁切画面<br>里的字幕条]
  E -->|脚本| G[绘制已<br>审核台词]
  F --> H[3:4 渲染<br>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

| 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 3:4 JPG；
• 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 \
  --aspect 3:4 --width 1440 \
  --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

{
  "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"}
  ]
}

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。
• 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

| 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。

更多说明

yt-dlp --cookies-from-browser chrome --js-runtimes node \
  --no-playlist --skip-download \
  --print "%(id)s | %(title)s | %(duration_string)s" \
  "URL"

python3 skills/native-subtitle-quote-image/scripts/check_update.py --json

python3 skills/native-subtitle-quote-image/scripts/check_update.py --force --verbose

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

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

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。