ARTICLE · 1150297
两篇喊「卸载剪映」的 AI 剪辑爆文,作者都没把话说满
两篇喊「卸载剪映」的 AI 剪辑爆文，作者都没把话说满
这半个多月，公众号上「用 AI 自动剪视频」的小号文章，转发高得有点离谱。
算一下转发和阅读的比例，这四篇在 16% 到 28% 之间，差不多每 4 到 6 个点开的人里，就有 1 个转了出去。
剪视频是很多人的痛点，大家都想存一份、转一份。
我把转发排前两位的可可和阿胖对着读了一遍。两个人走的是两条很不一样的路，说的几句实话却很像。
可可的路子，不装 Skill，对话着剪
可可剪的是生活素材，孩子在树屋、跳竹竿舞这类视频。她在文章开头说，剪几十秒的视频，往往 2 小时打底，所以素材一直攒着没剪。
她的做法大致是这几步。
把要剪的视频放进同一个文件夹，让 WorkBuddy 自己去读 先让它确认能看画面、能听声音。她的意思是，不能只根据文件名编个故事 让它把素材整理成时间轴，再给 3 套方案。她那组素材拿到的是温情纪实、高光片段、教育理念三个方向，每个都带时长、镜头顺序和封面文案 选一个方案，把尺寸和要求一起说清楚。比如横屏素材要做成 3:4 竖屏，她让它上下用模糊背景填充，别直接裁掉 要两个版本，带字幕和无字幕各一份 看完成片，直接说哪里不对
第 2 步看着像句废话，其实挺要紧。我的判断是，不少这类剪辑工具并没有从头到尾「看」画面。拿开源剪辑 Skill video-use 来说，它的项目说明写得很直白，模型从来不看视频，它是在「读」。先把声音转成带时间戳的文字，只有碰到拿不准的停顿、要比较几遍重录时，才截一张胶片条加波形的图来看一眼。
可可那组素材是孩子在玩，没几句台词。AI 要是只能听、不能看，剪出来的东西就只能靠文件名去猜。所以她先问一句能不能看、能不能听，比一上来就要成片稳当得多。
第 6 步挺有意思。她看到竹竿舞后半段衔接不顺，像卡住了，就告诉它。它回去排查，找出了三个原因。准备动作和起跳被拆开了，中间切掉一截；后半段连用了几个相似的跳跃镜头，看着像重复；每段画面各取各的原声，画面一换，儿歌也跟着断。后来它把音轨改成连续一段原声，在这段声音上剪画面，留下了一个 18.8 秒的版本。
她还补了一个小经验，提修改意见时，能说出具体是第几秒，就把时间带上，它找起来更直接。
她特别提了一句，这篇教程里没有要先安装的剪辑 Skill，指令里也没有点名调用某个技能。WorkBuddy 要是读不了视频，先让它检查缺什么工具。
阿胖的路子，三个 Skill 剪口播
阿胖剪的是口播视频，中间穿插录屏讲解。他的流程分三段，每段一个 Skill。
粗剪和精剪。先用 auto-editor 按声音找出停顿、静音和空白，剪掉；再把结果交给 video-use，结合语音转写，删掉口误、说错重说的那一遍、重复的表达 动效包装和素材安排。用 erduo-broll-loop-engineering，它先理解整条视频讲什么，按字幕拆镜头，判断哪里加动画、哪里放图片或录屏。整片开做之前，先出一个五镜头的试看片给他确认风格 音效和 BGM。他把自己喜欢的音效打包放进一个文件夹，让 AI 在标题、重点卡片、步骤切换这些位置插音效，BGM 压在人声下面
他给的提示词里有几句约束，思路我觉得值得抄。
不要把正常的换气和自然停顿剪得太狠。 遇到无法确定是不是口误的地方，优先保留。 音效不要互相重叠，也不要盖住人声。 无法确认使用条件的素材不要用。尤其是末尾那句。让 AI 自己找配乐时，他要求记录素材来源和使用条件，确认不了的就别用。这一步省掉，后面可能有版权麻烦。
这三个 Skill，项目页上写了能做到哪一步
阿胖串起来的三个工具，代码都公开在 GitHub 上，项目页能直接打开。我对着读了一遍，有几处跟他文章里说的能对上，也有几处得提前知道。
auto-editor 是个命令行程序。项目说明里讲，它主要靠分析音量来自动剪。正式剪之前，先把「死区」去掉，多数时候就是静音，他们管这叫 first pass，头一遍粗剪。默认会在留下的片段前后各留 0.2 秒余量，觉得剪得太紧，可以用 --margin 把余量调大。
这里有个容易踩的地方。它默认看声音，素材里要是没人说话，比如一段风景空镜，我的理解是按音量剪，很可能把大段都当成静音剪掉。项目页给了另一种办法，改成按画面运动剪，画面几乎不动的部分才去掉。
video-use 接着做语义那一层。项目页列了它能做的几件事，剪掉嗯、呃这类口头词和开头说错的半句，去掉两遍录制之间的空档，按你要的样式烧字幕，渲染完还会在每个剪切点自己检查一遍，过了再给你看。
它有两条规矩，跟阿胖那几句约束对得上。一条是剪的计划要先用大白话说给你听，你点头之前，它不动刀。另一条写在剪辑环节的规则里，实在躲不开的口误，要是找不到更好的一遍来替换，就留着，并写明原因。阿胖那句「拿不准是不是口误，优先保留」，走的也是这个思路。
还要注意，它的转写靠 ElevenLabs 的 Scribe。安装说明里写了，得自己准备一个 ElevenLabs 的 API Key，没有它，什么都转写不了。
erduo-broll-loop-engineering 是三个里门槛高的。它要的是完整的 SRT 字幕文件加一份设计要求，按字幕的意思分镜、做动画。作者在 README 里自己写了，这个项目是多角色接力，整体偏重，安装、理解和维护的门槛都更高；做日常口播，他推荐的是自己另一个更轻的工具 Agent Motion。
阿胖说的五镜头试看片，在项目说明里也找得到。v1.0.1 写的是先做 5 个镜头的样片，用户没选之前，不启动完整长片。到了 v1.1.0，作者把固定的 5 镜样片拿掉了，改成只有风格拿不准、或者转场复杂时，才先做有代表性的片段来看。
也就是说，你现在去装，流程未必跟阿胖文章里一模一样。
项目页还公开过一次 v1.0.0 的生产记录。一份 179.866 秒的字幕，从导演环节开始到头一次出完整预览，用了大约 242.05 分钟，作者自己标了没达到 120 分钟以内的目标。三分钟的片子跑了四个钟头。阿胖说动效这一步很费额度，看完这份记录，我一点不意外。
两个人都说了的实话
说实话，两篇标题都喊「卸载剪映」，正文里两个人都没把话说满。
阿胖写了好几处。
粗剪加语义精简大概要几十分钟，没有很多人吹的几分钟就搞定那么快 刚开始要跟 AI 多来回几轮，调出自己要的节奏。有人想说话自然一点，他要的是更紧凑、更连续 两个剪辑 Skill 未必一次就把停顿、口误清干净，尤其刚开始用的时候，所以他还要导回剪映自己审一遍 动效包装那个 Skill 很费额度。这一段他没在 WorkBuddy 里跑，用的是 OpenAI 家的编程工具，他说自己是 Plus 用户，一条 5 分钟左右的视频，要花掉周额度的 50% 到 60% BGM 和音效建议固定下来，能少一些 AI 抽卡 一点都不用剪映，他说现在还做不到。他的分工变成了 AI 负责把视频做出来，他负责验收和微调
可可也说，她 5 个多月前试过让 AI 剪片，没成功；这次顺了，但出片效果还有很大空间要调。
我顺手翻了下剪映官网。它的 AI 工具里列着「智能剪口播」，说明写的是「AI识别无效词，对着文本剪口播」；还有「智能解说粗剪」，能生成解说词再粗剪；「AI音效」写的是理解视频内容后匹配音效。去停顿、删口误、配音效这几样，剪映里本来就有对应的功能。
我的判断是，两位作者换掉的，是过去那一长串手动拖时间轴的操作。剪映作为审片和微调的地方，还留在他们的流程里。阿胖剪完导回剪映再审一遍，说的就是这个。
还有一点要说清楚，两篇里的播放量和效果，都是作者自己说的，我没法核实。上面的步骤，也都是按他们公开写的内容整理的。
头一回试，挑什么样的素材
按两位作者的写法和这几个工具的说明，我觉得头一回试，素材挑对了，比提示词写得漂亮更省事。下面几条是我的判断，不是哪家写的规则。
先挑短的。一分钟以内，一两个文件就够。素材一多，AI 整理时间轴要更久，你看成片、提意见、等它改，每一轮都跟着变长。
再挑声音干净的。口播这条路，auto-editor 按音量找静音，video-use 先转写再剪，两步都先吃声音。背景音乐压过人声、几个人抢着说话、户外风噪大，转写和找停顿都容易偏。
生活素材反过来，要画面能看。可可那条路靠 AI 读画面、排镜头，光线太暗、晃得厉害的片段，排出来的方案你多半也不想用。
挑你自己拍的。可可剪的是自家孩子，阿胖剪的是自己的口播和录屏。素材是自己的，版权这关少一层，配乐另说。
别拿急活练手。阿胖说光粗剪和精简就没有几分钟搞定那么快，动效那段还很费额度。拿一条明天就要发的片子去试，压力最后还是落回你自己身上。
开场的话可以照可可的前三步来写。先别让它剪，让它把看到的东西和方案交出来。
这个文件夹里是我要剪的素材。先别剪，先告诉我三件事： 1. 你能不能看到画面、能不能听到声音，缺什么工具； 2. 按时间顺序列出每段素材里发生了什么，标上起止秒数； 3. 给我 3 套剪法，每套写清时长、镜头顺序和封面文案。 我选完方案再开始剪。第 2 条那张时间轴，顺手对一遍。哪段它说错了内容，说明它看画面这一步有问题，后面的方案也别急着选。
这几处，人还得自己盯
把两篇的流程和三个项目页摆在一起看，AI 接走的是重复、费时间的那部分。下面这几处，两位作者都没交出去。
方向得你定。可可在 3 套方案里自己选，阿胖要先看五镜头试看片定风格，video-use 也规定计划没被确认前不动刀。AI 能给选项，选哪个它替你拿不了主意。
节奏得你看。竹竿舞那段卡顿，是可可看完成片自己发现的，AI 回去才找出三个原因。你说得出是第几秒，它才好改。
口误和正常停顿，得你分。阿胖专门写了「别把换气剪太狠」「拿不准就保留」。哪句是说错重来，哪处停顿是故意留的，说话的人自己心里有数。
字幕得你读。转写出来的字幕，我的判断是人名、产品名、方言词容易出错，导出前从头到尾读一遍，比发出去再改省事。
配乐和素材来源得你核。阿胖让 AI 记下来源和使用条件，确认不了就不用，这一条他没交给 AI 拍板。
还有出镜的人。素材里有家里孩子、有路人的脸，发不发、要不要打码，是你的决定，AI 不会主动问你。
你该走哪条路
可可在文末的建议我挺认同，先把自己的素材跑通，以后要是经常剪同一类内容，再把确认过的规则整理成自己的 Skill。
想试的话，从手里一段不超过一分钟的素材开始，先让 AI 确认它能看画面、能听声音，再让它给 3 套方案，别一上来就让它直接出成片。