Lyrics-Video Sync — 歌词精准匹配引擎 Skill

Lyrics-Video Sync — 歌词精准匹配引擎

解决的问题

AI MV 制作中，音频和视频经常脱节：

❌ 画面和歌词内容不匹配
❌ 关键歌词没有对应的视觉呈现
❌ 音频高潮段和视频高潮段错位
❌ 歌词没有字幕展示

工作流

音频文件(MP3) → 歌词提取/对齐 → 场景时间轴匹配 → 音频分段 → 视频混合 → 字幕烧录

Step 1: 歌词提取与时间轴对齐

方案A: 已有歌词文件

支持格式：

LRC: [00:15.00]樱花飘落的季节
SRT: 字幕格式，带精确时间码
JSON: {lines: [{text, start_s, end_s}]}

方案B: 从音频自动识别歌词

# 使用 Whisper 识别歌词（带时间戳）
python3 scripts/extract_lyrics_whisper.py \
  --audio input.mp3 \
  --output lyrics.json \
  --language ja \
  --model large

方案C: 手动标注歌词

python3 scripts/manual_lyrics_editor.py \
  --audio input.mp3 \
  --output lyrics.json

输出统一格式 (lyrics.json):

{
  "bpm": 90,
  "duration": 236.8,
  "lines": [
    {
      "index": 0,
      "text": "桜が散る季節に",
      "text_cn": "樱花飘落的季节",
      "start_s": 24.0,
      "end_s": 28.5,
      "section": "verse1",
      "emotion": "gentle",
      "energy": 0.4
    }
  ],
  "sections": [
    {
      "type": "intro",
      "start_s": 0,
      "end_s": 24,
      "energy": 0.3,
      "emotion": "peaceful"
    },
    {
      "type": "chorus",
      "start_s": 94.7,
      "end_s": 122.3,
      "energy": 0.8,
      "emotion": "passionate"
    }
  ]
}

Step 2: 歌词→场景映射

映射规则

| 歌词特征 | 推荐画面 | |---------|---------| | 自然意象（花/雨/风/月） | 对应自然景观 | | 情感词（想/哭/笑） | 角色表情特写 | | 动作词（走/跑/飞） | 对应角色动作 | | 抽象词（梦/希望/自由） | 抽象/梦幻画面 | | 重复/叠句 | 重复构图但不同角度 |

自动映射

python3 scripts/map_lyrics_to_scenes.py \
  --lyrics lyrics.json \
  --scenes scenes.json \
  --output edit_plan.json \
  --strategy emotion_energy

映射策略：

emotion_energy (默认): 歌词情绪+能量→场景情绪对齐
keyword: 歌词关键词→场景标签匹配
sequential: 按时间顺序直接对应

Step 3: 音频精准分段

每个视频 clip 对应一段音频，精确裁剪：

python3 scripts/segment_audio.py \
  --audio input.mp3 \
  --edit-plan edit_plan.json \
  --output-dir segments/ \
  --fade-in 0.3 \
  --fade-out 0.5

分段规则

每段音频 = 对应 clip 的精确时间范围
段首段尾各加 0.3s fade（避免爆音）
相邻段之间保留 0.1s 重叠（交叉淡化用）
总时长必须等于原始音频时长（不增不减）

Step 4: 视频+音频混合

FFmpeg 混合命令模板

# 单个 clip + 对应音频段
ffmpeg -y -hide_banner \
  -i clip.mp4 \
  -i segment_01.m4a \
  -c:v libx264 -crf 18 \
  -c:a aac -b:a 192k \
  -shortest \
  clip_with_audio.mp4

# 多 clip 合并 + 全曲音频
ffmpeg -y -hide_banner \
  -f concat -safe 0 -i clips.txt \
  -i full_audio.mp3 \
  -c:v libx264 -crf 18 \
  -c:a aac -b:a 192k \
  -shortest \
  final_mv.mp4

音量平衡

# 对话/人声场景降低音乐音量
ffmpeg -i video.mp4 -i audio.mp3 \
  -filter_complex "[1:a]volume=0.3[a]" \
  -map 0:v -map "[a]" output.mp4

Step 5: 歌词字幕烧录

生成 SRT 字幕

python3 scripts/lyrics_to_srt.py \
  --lyrics lyrics.json \
  --output subtitles.srt \
  --style dual \
  --font "Noto Sans CJK JP"

字幕样式选项：

single: 原文（日语/英语）
dual: 原文+中文双语
karaoke: 逐字高亮（KTV效果）
minimal: 底部一行小字

烧录到视频

ffmpeg -y -hide_banner \
  -i final_mv.mp4 \
  -vf "subtitles=subtitles.srt:force_style='FontSize=18,PrimaryColour=&H00FFFFFF,OutlineColour=&H00000000,Outline=2,Alignment=2'" \
  -c:a copy \
  final_mv_subtitled.mp4

ASS 高级字幕（可选）

支持更丰富的样式：

渐变色歌词
描边+阴影
动画效果（淡入淡出/缩放）

python3 scripts/lyrics_to_ass.py \
  --lyrics lyrics.json \
  --output subtitles.ass \
  --template karaoke_glow

完整 Pipeline 示例

# 从音频到带字幕的MV
export PATH="$HOME/tools:$PATH"

# 1. 提取歌词
python3 scripts/extract_lyrics_whisper.py \
  --audio sakura_mv.mp3 -o lyrics.json

# 2. 映射到场景
python3 scripts/map_lyrics_to_scenes.py \
  --lyrics lyrics.json \
  --scenes video_plan.json \
  -o edit_plan.json

# 3. 分段音频
python3 scripts/segment_audio.py \
  --audio sakura_mv.mp3 \
  --edit-plan edit_plan.json \
  -o segments/

# 4. 逐clip混合音频
for clip in clips/*.mp4; do
  name=$(basename "$clip" .mp4)
  seg="segments/${name}.m4a"
  [ -f "$seg" ] && ffmpeg -y -i "$clip" -i "$seg" \
    -c:v copy -c:a aac -shortest "mixed/${name}.mp4"
done

# 5. 合并全部 + 烧录字幕
ffmpeg -f concat -safe 0 -i mixed.txt -i sakura_mv.mp3 \
  -vf "subtitles=subs.srt" -c:a aac -shortest final.mp4

与其他 Skill 协作

lyrics-video-sync (歌词匹配)
  ← cinematic-video-gen (prompt增强，确保画面匹配歌词意境)
  ← qingyun-api (实际视频生成)
  ← av-sync-workflow (节拍级精度的音视频同步)
  → ffmpeg-video-editor (最终合成)

特殊场景

纯音乐段（无歌词）

用节拍分析代替歌词映射
能量高→快切/大动作，能量低→慢切/静景
参考 av-sync-workflow 的 beat sync

多语言歌词

主歌词+翻译并行显示
SRT/ASS 支持双行布局
时间轴对齐到主语言

Live Action + AI混合

真人片段的歌词卡点用节拍分析
AI生成片段用歌词情绪映射
两者通过 edit_plan.json 统一调度

脚本目录

scripts/
├── extract_lyrics_whisper.py   # Whisper歌词提取
├── map_lyrics_to_scenes.py     # 歌词→场景映射
├── segment_audio.py            # 音频精准分段
├── lyrics_to_srt.py            # 歌词→SRT字幕
├── lyrics_to_ass.py            # 歌词→ASS高级字幕
├── manual_lyrics_editor.py     # 手动标注工具
└── verify_sync.py              # 同步验证

创建日期: 2026-04-10 创建人: 小a (CEO) — 基于《樱花落尽时》MV制作需求

Agent Skills: Lyrics-Video Sync — 歌词精准匹配引擎

Install this agent skill to your local

Skill Files