用 native-subtitle-quote-image 把真实视频帧做成字幕长图

字幕长图——一张主画面，下面叠一列字幕条——是社交信息流里的常客，而手工做一张意味着来回拖时间点、逐像素裁字幕条。3k 星的 chengyi-ai/native-subtitle-quote-image 仓库——README 以中文为主，另有英文和韩文版本——把这件活打包成一个 agent skill：视频进来，原生或脚本字幕长图出去，交付前逐张检查。

为什么这个 Skill 重要

README 的定义性规则是两种字幕，从不混用。原生模式只裁切画面里本来就有的字幕——只用视频像素本身，不 OCR 重绘，不翻译改写。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；它的文字只能来自你提供的 JSON 里审核过的 lines[].text。命令分别是 render 和 render-script，如果你没有指定模式，agent 会先问，用一句话解释两者区别，再等你选择。版式刻意紧凑：原生字幕先拼源像素，再统一缩放，不会单独放大第一句；脚本固定布局的主图约占画布 70%；字幕条之间没有空隙。

它支持三种工作方式：本地成片，不需要 yt-dlp；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；以及作为内容生产的最后一环——上游 skill 负责选题和写稿，本 skill 负责时间点、真实画面、字幕来源标识和质检。

安装

克隆仓库，把 skill 目录复制到你的 agent 的 skills 文件夹——README 的主路径是 Codex：

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/

Claude Code 把 .codex 换成 .claude；README 还记载了 Windows PowerShell 的对应命令、Codex Skill Installer 的路径，以及面向其他读取开放 Agent Skills 目录格式的 agent 的"直接复制目录"路线。升级时先删除旧目录，免得上游已删除的文件残留。然后安装 Python 依赖并运行只读的环境自检：

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 并用 --url-mode 重跑自检；要画中日韩台词，用 --script-mode 检查字体。自检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。依赖表把 Python 3.10+、Pillow 和 imageio-ffmpeg 或 FFmpeg 列为两种模式都必需；yt-dlp 和 Deno（或显式启用的 Node.js）是 YouTube 必需；CJK 字体只在中日韩脚本模式下需要。

实战：从烧录字幕视频出原生字幕长图

1. 重开一个 agent 任务，用 README 的一句话调用（$ 写法是 Codex 的；在 Claude Code 里用 /native-subtitle-quote-image，或者直接描述需求）：

Use $native-subtitle-quote-image to turn this video with burned-in subtitles into native subtitle quote images.

2. agent 会先检查来源、字幕类型和候选帧，确定模式后再生成：符合所选布局的逐张 JPG，原生模式的 原生字幕时间点.json（脚本模式则是 lines JSON），以及多图任务的 final_contact_sheet.jpg 总览图。

如果你更想自己跑脚本，README 的原生路径是三条命令：sample VIDEO --start 30 --end 120 --interval 5 --out candidate-contact-sheet.jpg 生成带时间点的候选帧总览（不传范围时会在整段视频里均匀抽取最多 24 帧），band VIDEO -t 61.2 --band-top 0.78 --band-bottom 0.96 --out band-preview.jpg 确认字幕的裁切区域，然后 render VIDEO --manifest manifest.json --out-dir output-v1 --band-top 0.78 --band-bottom 0.96。原生单行字幕默认从视频高度的 0.78–0.96 区域开始预览。

技巧

• 每张图最多 7 个时间点——1 个主画面加 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。
• 出图前两种模式都会检查重复画面：所有时间点画面几乎相同（比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。
• 脚本模式有 --six-line-card 预设（6 句已核对、时间点严格递增的台词，1080×1440 画布上 870px 主画面加下方 5 条各 114px 的连续字幕条）、面向访谈的 --speaker-prefix on-change（只在换人时画出说话人前缀），以及给某一句做强调的 --emphasize-line last。
• 固定机位视频是高风险素材——六张主图几乎一样。README 的办法是 --hero-zoom 1.0,0.9,0.95，每卡主图缩放系数，范围 0.8–1.0，并提醒这是裁切后放大，不等于真实清晰度提升。
• 批量 render 默认遇到失败就中止；--keep-going 把失败清单写入 渲染失败报告.json 并以非零退出码结束，之后 --resume 只补渲缺失或损坏的图。

何时不用这个 Skill

适合与不适合的表格写得很明白。如果视频只有可单独开关或下载的字幕轨，原生模式做不了——关掉 CC 后画面是干净的——agent 只会在你同意后改用脚本模式。未复核的台词或翻译不行：脚本字幕的文字是你审核过的 JSON，从不是来源里没说过的引语。低清视频也不会被"增强"成真实的高清画质。README 还要求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，并在公开发布前再确认一遍使用权。

查看 排行榜 了解更多 skill。