AI视频剪辑实操教程：看懂语义的剪口播Agent，从装环境到出成片一次跑通

【免费下载链接】chengfeng-videocut-skills用 Claude Code Skills 做的视频剪辑 Agent项目地址: https://gitcode.com/gh_mirrors/vi/chengfeng-videocut-skills

你有没有过这样的经历：录了二十分钟的口播，剪的时候光是为了删掉"嗯""啊""那个"和说错重录的句子，就耗掉一整晚。用剪映的智能剪口播，它只认字不认意思——同一个词换个说法它就漏掉；自动识别的字幕里，专业名词错得一塌糊涂，还得手动一条条改。如果你正在被这类问题折磨，这篇文章介绍的项目正好对症。

chengfeng-videocut-skills是一个基于 Claude Code Skills 构建的 AI 视频剪辑 Agent。它不靠"模式匹配"剪片，而是真正理解视频里说了什么：能认出哪些是重复句、哪些是说到一半改口的残句、哪些是口误后重说的正确版本；字幕也能用自定义词典把技术名词改准。本文用一条完整的使用路径，带你从装环境走到导出成片。

开工之前，先搞清楚这个项目长什么样

项目把剪辑拆成四个互相独立的技能（Skill），各自只干一件事，像流水线上的四个工位：

这种拆分的好处是：每一步的产物都是可检查的中间文件，而不是一上来就"咔"一刀剪下去。剪口播这一步尤其反直觉——它从头到尾不碰视频文件，只产出一份"删词账本"，等你审完、确认了，才轮到导出去真正执行剪切。

第一步：把环境装起来（约10分钟）

项目目前支持macOS 和 Windows 10/11。先拉取仓库到本地：

git clone https://gitcode.com/gh_mirrors/vi/chengfeng-videocut-skills

机器上需要预先装好四样东西，缺任何一个，首次运行都会在对应环节明确停下，不会静默跳过：

macOS 用 Homebrew 一把装齐，Windows 用 winget：

# macOS brew install oven-sh/bun/bun node ffmpeg # Windows（装完新开一个终端，PATH 才生效） winget install Oven-sh.Bun OpenJS.NodeJS.LTS Gyan.FFmpeg Google.Chrome

云端转录还需要火山引擎的 API Key，配置方式：

node scripts/videocut-cli.cjs config set transcription.apiKey <你的key>

装好依赖后，对 Agent 说一句"安装剪辑环境"，它会自动完成就绪检查：确认 skills 是否最新、Runtime 是否配套，缺什么补什么，全程有 SHA-256 校验，不会从漂移的"latest"版本乱装。首次安装需要等几分钟下载运行时，属于正常现象。

第二步：剪口播——先出账本，不动媒体

这是整个项目最核心的能力。对 Agent 说：

使用"剪口播"处理这条视频。识别口误，等我审核后再物理剪切，并生成剪后字幕。

它的内部流程可以概括为七步一线，每一步都有明确产出物，没出表就不算完成：

1. 建档：接受本地真实视频，云端逐词转录，建项目，启动常驻服务
2. 修字：用词典把转录听错的字改对，先出"修字表"给你看
3. 删词：把播放顺序完整读五遍，每遍只盯一类问题
4. 汇总：把五轮的判断合并成两张表（删词汇总表 + 重复句子表）
5. 审核：把表呈给你，打开审核页让你亲自复核
6. 复盘：对比你的修改和 AI 的提案，把口味差异沉淀进偏好文件

其中"五轮扫描"是语义理解的关键，每轮只带一个判据，判断质量远高于一次带六个：

一个值得记住的原则是**"删前保后"**：后说的内容通常更完整，所以重复和改口默认保留最后版本。相邻两句开头有至少 5 个字相同，自动判定为重复并删前句。长句、整句、分叉重说这类高风险项，一律标记为高优先级让你重点听。

实战案例：一段 19 分钟的口播原素材，系统自动识别出 608 处问题（114 处静音 + 494 处口误/重复），生成可视化审核页面，你确认后执行剪辑，最终成片只有 72MB，附带专业级字幕文件。

第三步：字幕——不重新转录，用词典改字

很多工具的"AI 字幕"就是重新听一遍剪好的视频，既花钱又慢，而且专名照样错。这个项目的字幕思路完全不同：它直接用剪口播时已有的逐词稿 + 删词账本，算出每个词在成片里的时间，不需要再送一遍 ASR。

改字分两级：

• 词典：这个说话人固定的写法，不看上下文直接改，改完列清单。比如"叉"就是"X"，"大模型"就是"大模型"
• 文稿：作者手上有稿子时才用，逐处要证据，对不上的报"不敢定"，绝不瞎猜——因为名字写错比听错更糟

改完字就分屏：一个标点一段、一屏一行，和剪口播的分段粒度完全一致。太长的句子均摊拆屏，碎片屏自动合并（但不跨句号并，避免两句糊在一起）。

第四步：画面——给口播配上会动的分镜

这一步给剪好的口播盖视觉层：圈重点标注、整屏动画、推近效果。层是 HTML 模块，绑定在字幕屏上，由播放器逐帧驱动，你在预览里直接能看到效果。项目自带一套"小黑漫画"风格的 SVG 动效模板，把生图拆解成可控的 SVG 层，传送带、纸张、箱子、断点都能单独动，适合演示类口播的步骤可视化。

配画面的判断逻辑很克制，并不是每段都要加东西：

• 画面正好是正在讲的东西 → 圈住标注，说到哪个词圈哪里
• 画面空白或弱相关 → 用整屏动画补
• 画面自己足够清楚 →不动，这是最常见的正确答案

第五步：导出——所有图层一次烧进 mp4

导出是链条最后一段，也是唯一真正画出像素的地方。先跑--dry-run看计划（片长、帧数、字幕屏数、画面层数、输出尺寸），数字不对就是上游有问题，别等编码十分钟后才后悔。确认无误后正式导出，剪辑、推近、字幕、动画层一次全部烧进视频。

这里有个容易被忽略的常识：源片分辨率是天花板，放大不会变清楚。源宽超过 2560 就直接用原分辨率；如果源片是 960×720 这种低清录屏，优先去录屏工具里找同一次录制的高清导出——换源比任何后期都管用，而且因为音频逐位相同，换源后词稿、账本、字幕、画面层全都不用动。

常见问题与避坑指南

Q1：云端转录超时怎么办？检查上传环节的网络连接是否稳定。转录服务是云端的，网络波动会直接导致超时。

Q2：审核网页打不开？先查端口是否被占用。可以用lsof -i :8899（macOS）检查，找到占用进程处理后重试。

Q3：剪完音画不同步？系统底层用filter_complex + trim技术保证时间轴精确对齐，如果出现不同步，多半是 ffmpeg 版本过低，升级到 6.0 以上。

Q4：Runtime 装不上怎么办？把 Agent 的报错原文整理后走"上报 Bug"技能提交。注意：Runtime 缺失时，绝不能让 Agent 自己手搓一个"审片台"网页来顶替——真实发生过一次，Agent 手制的界面与产品账本格式完全不兼容，等于白做一遍。这个项目明确要求：产品不可用时，停止就是停止。

Q5：剪辑结果总是不合我心意？这是项目最值得称道的自进化机制。你在审核页里的每一次恢复、补删，都会被记录进偏好文件：口味差异写进cut-preferences.md，专名错误补进词典，规则空白记进"待升级判例"。下次剪辑，AI 就会按你的风格来。

动手之前，先准备好这三样东西

通读全文后你会发现，这个工具的核心设计哲学是"判断与执行分离"：AI 只负责理解和判断，物理剪切永远等你确认。这既保证了安全，也让每一刀都有据可查。

现在就可以开始你的第一次尝试，动手前请先确认：

1. 一台 macOS 或 Windows 10/11 的机器，Bun、Node.js、ffmpeg、Chrome 四样依赖齐备
2. 一个火山引擎 API Key，用于云端逐词转录
3. 一段你自己的口播原素材，最好是清晰、单人的，首次体验效果最佳

然后对 Agent 说"安装剪辑环境"完成就绪检查，再喊一声"剪口播"，剩下的交给它。剪完记得在审核页多看几遍——重点看 AI 标记为"高"风险的条目，那是它自己都拿不准的地方，也是你作为人的价值所在。

【免费下载链接】chengfeng-videocut-skills用 Claude Code Skills 做的视频剪辑 Agent项目地址: https://gitcode.com/gh_mirrors/vi/chengfeng-videocut-skills