agentleFS
biblcontentofficial-artbiblcontentofficial-art/Premiere-Pro-edit-bibl/.claude/skills/cut-editing/SKILL.md

cut-editing

Skill19 starsChanged 4 months agoMITView on GitHub

auto_cut.py 엔진으로 영상의 무음·숨소리·말더듬/중복·NG(재촬영)를 자동 제거하고(추임새는 기본 보존) 음성보정(디에서·자동 노이즈제거·-14 LUFS)까지 한 프리미어 시퀀스(XML)+오디오(WAV)+자막(SRT)을 생성한다. "컷편집", "무음제거", "러프컷", "NG 컷", "음성보정", "자동 편집" 요청 시 반드시 사용. 프리셋(보수/표준/공격).

The file

Files
SKILL.md

컷편집 실행

engine/auto_cut.py 통합 엔진을 운용해 러프컷을 만든다. 엔진이 무거운 작업(무음감지·전사·말더듬/중복·NG 제거·숨소리 축소·음성보정·자막)을 결정적으로 처리하므로, 올바른 설정으로 실행하고 결과를 검증하는 게 핵심.

전문 편집자 기준 기본 동작: 무음 제거(끝음 보존) · 추임새 보존 · 말더듬/중복 제거 · NG(재촬영) 컷 제거(재촬영 신호어+재시도가 확인될 때만, 오탐 방지) · 숨소리 축소 · 음성보정(de-esser + 노이즈플로어 자동측정 후 조건부 노이즈제거 + 압축 + -14 LUFS).

0단계: 프리셋 자동 추천 (먼저)

어떤 프리셋을 쓸지 모르면 먼저 영상을 분석한다:

python3 engine/analyze_video.py "원본영상.mp4"

길이·라우드니스·무음 비율을 측정해 보수/표준/공격을 추천하고 config 값까지 제안한다. 추천을 그대로 따르거나, 기획자(20_plan.md)가 정한 프리셋이 있으면 그것을 우선한다.

실행

# 프로젝트 루트에서 실행 (프리셋은 위 추천 또는 기획자 지정)
python3 engine/auto_cut.py "원본영상.mp4" --preset 표준
  • 73분 영상 기준 첫 실행 ~5분(전사 포함). 전사 캐시(_words.json) 있으면 ~2분.
  • 무거우니 백그라운드로 실행하고 완료를 기다린다.

프리셋 선택 기준 (2026-06 정책: 추임새는 기본 보존, 숨소리만 축소)

프리셋언제효과
보수자연스러움 최우선, 잔잔한 인터뷰무음도 최소한만. 추임새 살림
표준대부분의 토크/라이브 (기본)무음+숨소리+더듬 정리, 추임새(아·어·음·뭐) 살림 (310% 제거)
공격최대한 타이트, 군더더기 많은 영상추임새·망설임까지 전부 제거(그래서·이제·근데까지)

세부 조정은 프로젝트 루트 config.json(config.json.example 참고)으로. 모델·임계값·필러목록 override.

산출물 (output/)

  • <base>_cut.xml — 프리미어 '불러오기' 하면 편집 가능한 시퀀스
  • <base>_cut_audio.wav — 정리된 -14 LUFS 오디오 (XML이 자동 연결)
  • <base>_cut.srt — 컷 정렬 자막 초안
  • <base>_cut_report.txt — 잘린 내용 전체(타임코드별)
  • <base>_words.json — 단어 단위 전사(리서처·자막이 재사용)

제1원칙: 자연스러움 > 최대 제거

추임새(아·어·음·뭐)는 말의 호흡이라 기본 보존한다(비블 확정 — 다 자르면 AI가 읽는 것처럼 됨). 대신 숨소리(노이즈성 들숨/날숨)만 무음처럼 줄인다. 잘라낸 뒤 전체 맥락에서 부자연스러우면 그 컷은 실패. 제거율·개수만 보지 말고, 이어 봤을 때 뚝뚝 끊기지/숨 가쁘지/리듬 깨지지 않는지 본다.

검증 (실행 후 필수)

  1. 자연스러움 (최우선) — _cut_report.txt의 '자연스러움 주의(컷 촘촘)' 목록 확인. 컷이 몰린 구간은 부자연 위험 → 디렉터에 보고하거나 한 단계 보수 프리셋 재실행.
  2. 제거율 — "총 제거 %" 확인. 표준 3~10% 정상(추임새 살리므로 낮음), 12% 초과면 과제거 의심. 공격은 13~19% 정상.
  3. 과제거 점검 — _cut_report.txt에서 의미 있는 단어(접속사·핵심어)가 잘렸는지. 잘렸으면 보수적 프리셋 재실행.
  4. 프레임 무결성 — XML의 갭/겹침이 0인지(엔진이 '검증' 항목에 자동 표시).

왜 이렇게 하는가

  • 엔진 실행은 결정적이라 매번 같은 결과 → 신뢰 가능. 하지만 영상마다 발화 습관이 달라 제거율이 튄다 → 결과 검증은 매번 한다.
  • 과제거는 되돌리기 번거로우므로(원본 가장자리 드래그 필요), 의심되면 처음부터 보수적으로.

한계 (알고 있을 것)

  • 어/음 같은 망설임 소리는 Whisper가 글자로 안 적어 일부만 잡힌다(망설임-빈틈 방식 보조). HESITATION_MIN 낮추면 더 잡지만 단어 꼬리 손상 위험.
  • 모델 바꾸면 _words.json 삭제 후 재실행.

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.