AI 做视频,终于不用＂改一句字幕就重渲全片＂了:BaoCut 把时间线变成了中间态,改一句字幕 / 不用重渲全片

做过 AI 视频的人，都懂那个"不可逆"的痛：

你给 AI 一个 brief，它吐给你一条 MP4。然后你想改一句字幕？重来。换一个镜头？重来。旁白第三句语气不对？还是重来。

你 → Prompt → AI → MP4 → 你——一条单向道，中间没路可走。每次修改都是全片重跑，既费钱又费时间。

字节最近把剪映 Hub、即梦、小云雀打通，做的也是"一句话创意 → 成片"的完整链路。但有个开源项目偏偏反着来——BaoCut。

GitHub 地址：github.com/JimLiu/baocut

一句话说清它是什么

一个把"可编辑视频"作为中间态的 AI 视频 Agent 基础设施。

它不是另一个剪映，也不是另一个 Sora。它做的事情更底层：给 AI Agent 一个真的能操作的视频工作台，让 Agent 像人在剪映里拖时间线、改字幕那样，精确地、局部地、可撤销地修改视频的每一个元素。

1.25k star，TypeScript，开源后没多久就冲到 1.2K Star，OpenAgentSkill、MeshKore、VibeCrowd 这些 Agent 聚合站都有收录。

它的核心哲学：四句话

① 视频是事实源。 字幕、配音、动效、章节、摘要——所有派生物都住在时间线里。文件只是从时间线导出来的快照，不是反过来。

② 局部修改，不重渲。 修一条字幕、换一个镜头、重配一句旁白——Agent 只改那一处，然后给你一张详细的变更单。其他一切保持原样。

③ 人和 Agent 共用一个编辑器。 你拖一个片段、Agent 改一段字幕——两边走的是同一套命令协议、同一个事务、同一个撤销栈。你随时可以接管。

④ 有边界的自治。 Agent 在你划定的范围、模式、预算内工作，破坏性操作先问你。你给它的原始资料是数据不是指令（防止 prompt injection）。

它能做什么：从原材料到成品

从已有素材出发：

从零开始：

最让开发者兴奋的：四个入口，一个 Runtime

BaoCut 把所有能力收敛在一个本地 Runtime 上，开了四个完全等价的入口：

关键设计是 "Bring your own agent engine"：支持 Claude Code、Codex CLI 端到端验证，其他引擎（Copilot CLI、Pi、OpenCode、Qwen Code、Cursor Agent、Grok、Kimi Code）都内置适配——任何支持 Agent Client Protocol 的 Agent 都能接入。

模型也一样，能力和提供商完全解耦：

还有个彩蛋：一台机器可以局域网共享自己的本地模型。家里 Mac Mini 跑 Whisper 和 Fish Audio，办公室 PC 直接通过 LAN 调用——不用重复下载、不用重复推理。

快速上手

普通用户：直接装 App。macOS Apple Silicon 有 DMG（签名+公证），Windows 有 CPU/CUDA/Vulkan 三版。本地模型默认从 Hugging Face 下载，国内慢就切 ModelScope（设置 → 通用 → 模型下载源）。

开发者：源码构建要 Node 22.12+、Rust、CMake、ffmpeg。不想装 Rust 有轻量模式 npm run dev:lite（UI 能跑，但视频引擎/本地推理/导出不可用）。

接入你的 Agent：

baocut skill install
baocut mcp install

之后在 Claude Code 或 Codex 里，BaoCut 就出现在工具列表——baocut transcribe、baocut subtitle、baocut dub、baocut export……直接用自然语言调用。

说点实话

适合：

要注意的：

最后说两句

2026 年 AI 视频赛道，正在经历一场从"一次性生成"到"可编辑时间线"的范式转移。剪映 Hub、CapCut Video Studio 都在往这个方向走，但它们是封闭生态——你只能用它们提供的 Agent、模型和云端能力。

BaoCut 反着来：开源、本地优先、Agent 原生、中间态可编辑。

这四件事凑在一起，意味着它给了开发者和重度创作者一个"另起炉灶"的可能——装在自己的时间线里，用你最信任的 Agent 来干活。

工具负责让每一处修改都精确落地，你负责决定哪里值得改。

项目地址：https://github.com/JimLiu/baocut^[1]

官网：https://baocut.com^[2]

我是明见，热衷分享 AI 观察与干货，下期见。