技能介绍

问题

长视频、直播回放、口播稿的剪辑常卡在三个环节：语音转写不准、剪辑决策靠手工拖时间轴、渲染后还要人工复查黑帧、爆音、静音和切点。若要把同一条素材改造成社交平台短视频，还需要反复裁切、加字幕、适配横竖屏，流程容易散落成一堆脚本。

工作方式

ai-video-clip 把剪辑抽象成一条可审计的 Agent 工作流：先调用 transcribe.py 用 whisper、faster-whisper 或中文优化的 funclip 生成结构化转录；再由 generate_edl.py 根据策略输出 EDL，支持 remove_fillers、extract_highlights、condense、topic_splits、social_clip 和 custom。每个切点包含 start/end/reason/confidence，便于用户审核和重放。接着 render_edl.py 用 FFmpeg 执行渲染，处理音频 crossfade、色彩校正、字幕烧录和拼接；self_eval.py 再检查时长、黑帧、爆音、过长静音和切点边界，必要时进入修复循环。

适用边界

它适合已有本地视频文件、希望用自然语言描述剪辑意图的场景，尤其是中文口播去口癖、直播高光提取和短视频批量适配。依赖 FFmpeg 与 Python 环境，本地 Whisper/FunClip 会占用 CPU/GPU 资源；pyannote-audio 等说话人分离能力为可选项。若项目需要严格品牌审核、复杂调色或非线性时间轴交互，仍建议把 EDL 作为中间产物接入更专业的剪辑流程。