日语脚本字幕工作坊

安装指南

1. ClawHub CLI 从源直接安装技能的最快方式。
   npx clawhub@latest install ja-script-subtitle
2. 手动安装 将技能文件夹复制到以下位置之一
   全局模式
   ~/.openclaw/skills/
   工作区
   /skills/
   优先级：工作区 > 本地 > 内置
3. 提示词安装 将此提示词复制到 OpenClaw 即可自动安装。
   请帮我使用 Clawhub 安装 ja-script-subtitle。如果尚未安装 Clawhub，请先安装（npm i -g clawhub）。
   更倾向于下载？
   获取包含原生技能文件的ZIP压缩包。
   下载技能 (.zip)

什么是

此 Openclaw Skills 工作流结合脚本准确文本与单词级 Whisper 时间戳，为日语 ASMR、语音录音和广播剧制作字幕。它会将日语脚本与识别出的音频对齐，因此字幕措辞来自提供的脚本，而 ASR 提供的是时间信息，而非最终文本。
生成日语 SRT、翻译后的中文 SRT，或日中双语 SRT，也可选择渲染带中文字幕的竖屏视频。如果只有音频，工作流可以退而使用 ASR 转录，再进行翻译和人工审核；这种方式的准确度低于使用匹配脚本。

应用场景

根据日语脚本及其匹配的 MP3 或 WAV 音频创建日语字幕。
为 ASMR、配音和广播剧制作仅含中文或日中双语的 SRT 文件。
仅有音频时生成字幕，然后翻译 ASR 转录文本并进行人工审核。
根据音频和中文字幕 SRT 文件渲染带中文字幕的竖屏视频。
交付前检查脚本与音频的对齐情况以及字幕时间。

工作原理

确认提供的脚本和音频是真实文件。如果附件只是占位 HTML 文件，请使用资料库下载脚本和其节点 ID 获取源文件。
使用 faster-whisper 运行单词级 ASR，生成包含开始时间、结束时间和识别词语的 TSV。对于基于脚本的工作，ASR 提供时间数据，而非最终字幕文本。
使用字符级匹配将日语脚本与 ASR 输出对齐，然后将匹配的脚本字符映射到单词时间戳，创建日语 SRT。检查报告中的匹配率；低于 70% 可能表示脚本与音频不匹配。
导出非空脚本行的编号列表，将这些条目翻译到 zh.json，并生成纯中文及双语 SRT 文件。
可选：将中文字幕 SRT 与源音频合成为 720×1280 竖屏视频。
检查字幕时长、过长行、间隔、脚本覆盖率、时间以及渲染后的字幕位置。

配置指南

运行一次环境设置脚本，以创建 /opt/wenv 虚拟环境并准备 ASR 依赖项：
bash scripts/setup_env.sh
要生成基于脚本的字幕，请提供日语 .txt 脚本和匹配的 .mp3 或 .wav 音频。如果 /root/uploads/ 下的附件可能是占位文件，请先检查：
file
如果它是 HTML，请使用链接中的节点 ID 从资料库获取实际文件：
python3 scripts/fetch_library_file.py ./in \
:A2.txt \
:A2.mp3
生成单词时间戳并对齐脚本：
/opt/wenv/bin/python scripts/whisper_word_gen.py [script.txt]
/opt/wenv/bin/python scripts/align_gen.py
要制作中文或双语字幕，请导出带编号的非空脚本行，创建序号相匹配的 zh.json，然后生成 SRT 文件：
python3 scripts/dump_lines.py 1 60
python3 scripts/make_srt.py zh.json
可选：根据中文字幕 SRT 和源音频渲染竖屏视频：
cd
bash scripts/render_zh_video.sh
_zh.srt
_中文字幕版.mp4
翻译键请使用 dump_lines.py 生成的非空行编号。设置脚本会处理文档所述的 Python 虚拟环境和 Hugging Face 镜像配置；不要使用 --break-system-packages 安装到系统 Python 中。

数据架构

输入和中间数据
文件或值 用途
日语脚本 .txt 日语字幕措辞的权威来源；空行不计入翻译编号。
音频 .mp3 或 .wav 用于 ASR 时间戳和可选视频渲染的源音频。
words.txt 含有 start、end 和 word 字段的 TSV，以制表符分隔。
zh.json 按连续编号为非空脚本行提供的中文译文，由 dump_lines.py 导出。
生成的交付文件
文件名模式 内容
_ja.srt 与音频时间对齐的日语脚本文本。
_zh.srt 纯中文字幕。
_bilingual.srt 日语和中文字幕行。
_中文字幕版.mp4 可选的竖屏视频，含中文字幕和源音频。
将文件交付至 /workspace//。每次交付都应附上核心 QA 数据：字幕行数、字符匹配率、最长行、脚本覆盖率，以及任何检查未通过的原因。可选渲染的视频规格为 720×1280、15 fps、深色背景和 AAC 音频。

高级特性

字符级脚本与 ASR 匹配可保留脚本原文，同时使用 Whisper 单词级时间戳确定字幕时间；单词中的字符会分配插值位置。
ASR 设置针对安静的 ASMR 音频进行了调优：
vad_filter=False
、
condition_on_previous_text=False
、
compression_ratio_threshold=2.4
、
no_speech_threshold=0.85
word_timestamps=True
。
对齐结果会报告字符匹配率。典型结果为 85–90%；低于 70% 时应检查脚本与录音是否匹配。
提供翻译行导出工作流，避免因脚本中的空行造成编号错误。
可选的 FFmpeg 渲染功能可生成竖屏中文字幕视频；文档工作流指定了字幕分辨率、中文字体配置，以及目标环境中可用的编码器。
交付 QA 会检查字幕时长、异常过长的条目、时间间隔、脚本覆盖率、开头和结尾的对齐情况，以及抽样视频帧中的字幕位置。
操作防护措施可应对常见资源和转录问题：在后台运行较长的 ASR 任务，按顺序处理较长录音，避免对日语使用不合适的强制对齐，并在
torchaudio.load
需要 TorchCodec 时使用
soundfile.read
。

name: ja-script-subtitle slug: ja-script-subtitle
displayName: 日语台本字幕工坊
version: 1.0.0
description: > 日语有声作品（ASMR / 音声 / 同人音声）字幕流水线：把「日文台本 + 音频」做成
日文原文 / 纯中文 / 双语 SRT，可选烧录中文竖屏视频。
当用户提供日语台本(txt)配音频(mp3/wav)、或要求「配字幕 / 做中文字幕 / 生成 SRT /
烧录中文视频 / 把台本和音对上时间轴」时使用。
无台本、只有音频时也可用（退化为纯 ASR 转写 + 人工翻译），但精度低于有台本。
NOT for: 视频字幕的图形化编辑、非日语语种、音乐歌词校对。