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。

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 与 한국어 README 中。点击图片查看原图。

• 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

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/

Windows PowerShell：

New-Item -ItemType Directory -Force "$HOME\.codex\skills" | Out-Null
Copy-Item -Recurse skills\native-subtitle-quote-image "$HOME\.codex\skills\"

升级时请先删除旧目录再复制，否则新版本已删除的旧文件会残留（Claude Code 把 .codex 换成 .claude）：

rm -rf ~/.codex/skills/native-subtitle-quote-image

Remove-Item -Recurse -Force "$HOME\.codex\skills\native-subtitle-quote-image"

Claude Code：复制到 Claude Code 的 Skills 目录。

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

Windows PowerShell：

New-Item -ItemType Directory -Force "$HOME\.claude\skills" | Out-Null
Copy-Item -Recurse skills\native-subtitle-quote-image "$HOME\.claude\skills\"

Codex Skill Installer：在 Codex 中调用 $skill-installer，让它安装这个目录：

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

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。

	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[按模式渲染<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 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。

自检来源：下载后先检查分辨率并解码前 10 秒，坏流或低清在抽帧前就失败（不传 --min-height 时低于 720p 只警告）。

python3 skills/native-subtitle-quote-image/scripts/native_subtitle_stitch.py check-source VIDEO --min-height 720

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

可选六句卡：script.json 中放 6 句已核对、时间点严格递增的台词。此预设在 1080×1440 画布上使用 870px 主画面和下方 5 条各 114px 的连续字幕条，首句与后五句等距；默认脚本布局不变。

python3 skills/native-subtitle-quote-image/scripts/native_subtitle_stitch.py render-script VIDEO \
  --script script.json --out six-line.jpg --six-line-card --aspect 3:4 --width 1080

--six-line-card 仅用于后期绘制的脚本字幕，不接受 --layout natural 或 --hero-fraction。字幕条默认从源画面高度的 60% 处取样，可用 --band-center 调整；仍须逐句核对来源和逐张检查画面。

固定机位源与 --hero-zoom：优先选多机位、景别有变化的视频；固定机位视频（大师课、网课式录制）是高风险素材，六张主图容易几乎一样。render 与 render-script 支持可选的 --hero-zoom 1.0,0.9,0.95：逗号分隔的每卡主图缩放系数，范围 0.8–1.0，按卡循环，默认不启用且输出不变。它只裁掉更多主图画面再放大，字幕条、文字、条间距和六句卡几何不变，原生模式的裁切窗口不会进入字幕条。因为是裁切后放大，源视频清晰度不足时主图会更模糊，不等于真实清晰度提升。render-script 只输出一张图，取第一个系数。

呼吸缝 --strip-gap 与分隔线 --hero-divider：render 与 render-script 支持可选的 --strip-gap N（字幕条之间插入 N 像素黑色缝隙，0–8，默认 0）和 --hero-divider line（主图与字幕条之间插入 2px 细分隔线，默认 none）。二者只新增背景像素，不覆盖、不重绘原画面，原生字幕仍只经历整图统一缩放；固定画布总尺寸不变，字幕条相应变矮；与 --six-line-card 不兼容。

可选说话人前缀：问答、对谈类脚本字幕图，可以在 script.json 每句加 "speaker": "主持人"，再加 --speaker-prefix on-change，只在换人时画出「主持人：」这类前缀；every 每句都画，none（默认）不画。前缀比台词小一号、用强调色，台词字号不会因为前缀而变小。说话人写在 speaker 字段里，不写进 text。

python3 skills/native-subtitle-quote-image/scripts/native_subtitle_stitch.py render-script VIDEO \
  --script script.json --out qa.jpg --speaker-prefix on-change

可选金句强调：脚本字幕图可用 --emphasize-line last（最后一句）或 --emphasize-line 3（第 3 句，从 1 起算）给一句台词加暖色、加粗描边和轻微半透明底衬，方便截图搬走；也可在 script.json 的某句写 "emphasis": true。默认不启用，输出不变；行号越界会报错。只用于脚本模式，原生字幕模式不会重绘任何字幕。

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。

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：

{
  "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（台词含韩文时优先 Apple SD Gothic Neo / Malgun Gothic），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。
• 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。
• 受限环境下系统临时目录没有写权限时，加 --tmp-dir <可写目录>（或设置环境变量 NSQI_TMP_DIR，参数优先）指定抽帧临时文件位置；不指定则沿用系统临时目录，目录不存在或不可写会明确报错。
• 批量 render 默认遇到失败就中止；加 --keep-going 则单张失败不影响其余，结束时输出失败清单（第几张、时间点、原因）并写入输出目录的 渲染失败报告.json，退出码非零。修正后加 --resume 只补渲缺失或损坏的图；已有效的图即使 manifest 改了也不会重渲，总览图和时间点文件会重新生成。
• 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。

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。

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。

拼图本身只按时间顺序排列，不识别谁在说话；字幕条只裁画面底部，读者会默认整张图都是主画面里那个人说的。YouTube 字幕轨和普通 Whisper 文字稿也都不标说话人。所以多人视频如果直接按"连续几句"选，就容易把主持人的问题和嘉宾的回答拼在一起，看起来分不清谁说的、顺序也乱。

Skill 现在会这样处理：

• 选句前先给文字稿标上说话人，拿不准的句子回看画面确认，仍确认不了就不用。
• 默认一张图只放同一个人的话，主画面就是这个人在说话。
• 想要"一问一答"时先跟你确认，问和答必须在原视频里紧挨着；原生模式没法在画面上补标说话人，交付时会逐句写明；脚本模式可以在画面上标出说话人，见下方 --speaker-prefix。
• YouTube 自动字幕是滚动显示的，同一句会重复出现、时间也偏早，会先去重再定时间点。

调用时可以直接说明："这是两人访谈，只选嘉宾连续说的几句。"

渲染器不识别人脸，也不自动挑帧，主图用哪一帧由 Agent 决定。为了避免切头顶、下巴贴着字幕条、脸偏到一侧，Skill 会在出图后逐张目测主图（固定比例裁切时看裁切后的画面）：

• 头顶不被切，上方留白约占主图高度 8% 以上；
• 下巴离主图下缘（第一条字幕条上沿）约 5% 以上；
• 脸中心大致在主图高度 35–60%、宽度 35–65% 的范围内。

不达标时，先在原时间点前后约 1.5 秒内重找；还找不到就用最接近的一帧，并在交付时说明哪张主图哪一项不达标。这些比例只是目测参考，不是程序校验，也不需要额外安装人脸检测依赖。想要特写或刻意偏置的构图，直接告诉 Agent 即可。

更多说明

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

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：

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。

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。

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：

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

头图由 scripts/render_banners.py 生成，中文、英文、韩文各一张 2560×1280 的 JPG，放在 assets/ 里。背景铺满 examples/gallery 的成品案例，自带深色底，GitHub 浅色和深色主题共用。改文字时编辑脚本顶部的 COPY，改背景墙用哪些案例时编辑 WALL，然后运行：

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。Linux 上若图片底部被截掉一截，改用 chrome-headless-shell 渲染。

中文头图 assets/banner-zh.jpg 同时用作仓库社交预览图：在仓库 Settings → General → Social preview 上传，分享仓库链接时就会显示。

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。

Windows 等默认编码不是 UTF-8 的系统（如简体中文 Windows 的 GBK），建议先设置 PYTHONUTF8=1（PowerShell：$env:PYTHONUTF8=1；cmd：set PYTHONUTF8=1）再运行上述命令；check_environment.py 会在检测到非 UTF-8 默认编码时给出提示。

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
• 排错手册：常见报错与出图问题的排查

反馈与贡献

欢迎在 Issues 提问题或建议，渲染问题请附上出问题那一页的截图；也可以在社交媒体上直接找作者反馈。新 issue 会由 Agent 自动评估可行性，符合条件的需求由 Agent 编码、测试并提交 PR，维护者审查合并后自动发版。完整流程见 Agent 工作流说明。

Star History

关于作者

平台	账号
𝕏 Twitter	@ChengYi3629
📕 小红书	程意

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。