我做了个 AI 剪视频工具：第一步是让AI长出

我想让 AI 替我干件体力活：把三小时的课，自动切成十几条短视频。真动手才发现，“切”最简单，难的是“听”。

剪视频要的“听懂”，门槛比语音输入法高得多。素材脏、标点得齐，最要命的是每个字都得标出第几秒。时间戳不准，切出来会把词劈成两半。

我先测了 Whisper 和 Paraformer。Whisper 像打字机，一个字一个字往外蹦；Paraformer 像默写高手，听完一整段一口气写出来。前者大模型太笨重，小号又不准；后者天生为中文长音频设计，标点、时间戳全包。我果断选了 Paraformer。

模型定了，坑才刚开始。文稿结尾冒出一串孤零零的标点，排查半天是噪声被误判成人声；还有个别素材会重复输出，我又专门写了去重算法。踩平这些坑后，本地跑出了 80 倍速——一小时音频，45 秒转完。

本以为这事成了，结果做正式版时撞了两堵墙。模型加起来好几个 G，普通电脑根本跑不动。软件是给人用的，不是跑分截图用的。最后我把识别放到了云端，上传的只有加密音频，视频画面一步不出本机。

当初那套本地方案虽然没用上，但好歹是我一个坑一个坑踩出来的，直接开源在了 GitHub 上。