视频编辑
AI 辅助编辑真实素材。不是从提示词生成。快速编辑现有视频。
何时激活
- 用户想要编辑、剪切或结构化视频素材
- 将长录制转换为短视频内容
- 从原始素材构建 Vlog、教程或演示视频
- 为现有视频添加叠加层、字幕、音乐或旁白
- 为不同平台（YouTube、TikTok、Instagram）重新构架视频
- 用户说"编辑视频"、"剪切这段素材"、"制作 Vlog"或"视频工作流"
核心论点
AI 视频编辑在你停止要求它创建整个视频，开始用它来压缩、结构化和增强真实素材时才有用。价值不在于生成。价值在于压缩。
流水线
Screen Studio / 原始素材
→ Claude / Codex
→ FFmpeg
→ Remotion
→ ElevenLabs / fal.ai
→ Descript 或 CapCut
每一层都有特定的工作。不要跳过层级。不要试图让一个工具做所有事情。
第 1 层：采集（Screen Studio / 原始素材）
收集源材料：
- Screen Studio：用于应用演示、编码会话、浏览器工作流的精美屏幕录制
- 原始摄像头素材：Vlog 素材、访谈、活动录制
- 通过 VideoDB 的桌面捕获：带实时上下文的会话录制（参见
videodb技能）
输出：准备好整理的原始文件。
第 2 层：整理（Claude / Codex）
使用 Claude Code 或 Codex 来：
- 转录和标记：生成转录文本，识别主题和话题
- 规划结构：决定保留什么、剪切什么、什么顺序合适
- 识别死区：查找停顿、跑题、重复拍摄
- 生成编辑决策列表：剪切的时间戳、保留的片段
- 搭建 FFmpeg 和 Remotion 代码：生成命令和合成
示例提示：
"这是一段 4 小时录制的转录文本。找出 8 个最强片段
用于 24 分钟的 Vlog。给我每个片段的 FFmpeg 剪切命令。"
这一层关乎结构，而非最终创意品味。
第 3 层：确定性剪切（FFmpeg）
FFmpeg 处理枯燥但关键的工作：分割、裁剪、拼接和预处理。
按时间戳提取片段
ffmpeg -i raw.mp4 -ss 00:12:30 -to 00:15:45 -c copy segment_01.mp4
从编辑决策列表批量剪切
#!/bin/bash
# cuts.txt: 开始,结束,标签
while IFS=, read -r start end label; do
ffmpeg -i raw.mp4 -ss "$start" -to "$end" -c copy "segments/${label}.mp4"
done < cuts.txt
拼接片段
# 创建文件列表
for f in segments/*.mp4; do echo "file '$f'"; done > concat.txt
ffmpeg -f concat -safe 0 -i concat.txt -c copy assembled.mp4
创建代理文件以加快编辑
ffmpeg -i raw.mp4 -vf "scale=960:-2" -c:v libx264 -preset ultrafast -crf 28 proxy.mp4
提取音频用于转录
ffmpeg -i raw.mp4 -vn -acodec pcm_s16le -ar 16000 audio.wav
归一化音频电平
ffmpeg -i segment.mp4 -af loudnorm=I=-16:TP=-1.5:LRA=11 -c:v copy normalized.mp4
第 4 层：可编程合成（Remotion）
Remotion 将编辑问题转化为可组合的代码。用于传统编辑器难以处理的事情：
何时使用 Remotion
- 叠加层：文本、图片、品牌、字幕条
- 数据可视化：图表、统计、动画数字
- 动态图形：转场、说明动画
- 可组合场景：跨视频可复用的模板
- 产品演示：带注释的截图、UI 高亮
基本 Remotion 合成
import { AbsoluteFill, Sequence, Video, useCurrentFrame } from "remotion";
export const VlogComposition: React.FC = () => {
const frame = useCurrentFrame();
return (
<AbsoluteFill>
{/* 主要素材 */}
<Sequence from={0} durationInFrames={300}>
<Video src="/segments/intro.mp4" />
</Sequence>
{/* 标题叠加 */}
<Sequence from={30} durationInFrames={90}>
<AbsoluteFill style={{
justifyContent: "center",
alignItems: "center",
}}>
<h1 style={{
fontSize: 72,
color: "white",
textShadow: "2px 2px 8px rgba(0,0,0,0.8)",
}}>
AI 编辑技术栈
</h1>
</AbsoluteFill>
</Sequence>
{/* 下一个片段 */}
<Sequence from={300} durationInFrames={450}>
<Video src="/segments/demo.mp4" />
</Sequence>
</AbsoluteFill>
);
};
渲染输出
npx remotion render src/index.ts VlogComposition output.mp4
详见 Remotion 文档获取详细模式和 API 参考。
第 5 层：生成资产（ElevenLabs / fal.ai）
只生成你需要的内容。不要生成整个视频。
使用 ElevenLabs 的旁白
import os
import requests
resp = requests.post(
f"https://api.elevenlabs.io/v1/text-to-speech/{voice_id}",
headers={
"xi-api-key": os.environ["ELEVENLABS_API_KEY"],
"Content-Type": "application/json"
},
json={
"text": "你的旁白文本",
"model_id": "eleven_turbo_v2_5",
"voice_settings": {"stability": 0.5, "similarity_boost": 0.75}
}
)
with open("voiceover.mp3", "wb") as f:
f.write(resp.content)
使用 fal.ai 的音乐和音效
使用 fal-ai-media 技能进行：
- 背景音乐生成
- 音效（用于视频转音频的 ThinkSound 模型）
- 转场音效
使用 fal.ai 的生成视觉
用于不存在的插入镜头、缩略图或 B-roll：
generate(app_id: "fal-ai/nano-banana-pro", input_data: {
"prompt": "科技 Vlog 专业缩略图，深色背景，屏幕上的代码",
"image_size": "landscape_16_9"
})
VideoDB 生成音频
如果 VideoDB 已配置：
voiceover = coll.generate_voice(text="此处为旁白", voice="alloy")
music = coll.generate_music(prompt="编程 Vlog 的 lo-fi 背景音乐", duration=120)
sfx = coll.generate_sound_effect(prompt="微弱的嗖嗖转场音效")
第 6 层：最终润色（Descript / CapCut）
最后一层是人的工作。使用传统编辑器进行：
- 节奏：调整感觉太快或太慢的剪切
- 字幕：自动生成，然后手动校对
- 调色：基本校正和氛围
- 最终音频混音：平衡人声、音乐和音效电平
- 导出：特定平台的格式和质量设置
品味在这里体现。AI 清除重复性工作。你做最终决定。
社交媒体重新构架
不同平台需要不同的宽高比：
| 平台 | 宽高比 | 分辨率 |
|---|---|---|
| YouTube | 16:9 | 1920x1080 |
| TikTok / Reels | 9:16 | 1080x1920 |
| Instagram 动态 | 1:1 | 1080x1080 |
| X / Twitter | 16:9 或 1:1 | 1280x720 或 720x720 |
使用 FFmpeg 重新构架
# 16:9 转 9:16（居中裁剪）
ffmpeg -i input.mp4 -vf "crop=ih*9/16:ih,scale=1080:1920" vertical.mp4
# 16:9 转 1:1（居中裁剪）
ffmpeg -i input.mp4 -vf "crop=ih:ih,scale=1080:1080" square.mp4
使用 VideoDB 重新构架
from videodb import ReframeMode
# 智能重新构架（AI 引导的主体跟踪）
reframed = video.reframe(start=0, end=60, target="vertical", mode=ReframeMode.smart)
场景检测和自动剪切
FFmpeg 场景检测
# 检测场景变化（阈值 0.3 = 中等灵敏度）
ffmpeg -i input.mp4 -vf "select='gt(scene,0.3)',showinfo" -vsync vfr -f null - 2>&1 | grep showinfo
静音检测用于自动剪切
# 查找静音片段（适用于剪切空白时段）
ffmpeg -i input.mp4 -af silencedetect=noise=-30dB:d=2 -f null - 2>&1 | grep silence
高亮提取
使用 Claude 分析转录文本 + 场景时间戳：
"根据这个带时间戳的转录文本和这些场景变化点，
识别 5 个最适合社交媒体的 30 秒片段。"
每个工具最擅长的领域
| 工具 | 优势 | 劣势 |
|---|---|---|
| Claude / Codex | 整理、规划、代码生成 | 不是创意品味层 |
| FFmpeg | 确定性剪切、批处理、格式转换 | 无可视化编辑界面 |
| Remotion | 可编程叠加层、可组合场景、可复用模板 | 非开发者有学习曲线 |
| Screen Studio | 即刻生成精美屏幕录制 | 仅限屏幕捕获 |
| ElevenLabs | 语音、旁白、音乐、音效 | 不是工作流中心 |
| Descript / CapCut | 最终节奏、字幕、润色 | 手动操作，不可自动化 |
关键原则
- 编辑，而非生成。 此工作流用于剪切真实素材，而非从提示词创建。
- 结构先于风格。 在第 2 层把故事理顺，再触碰任何视觉内容。
- FFmpeg 是骨干。 枯燥但关键。长素材在这里变得可管理。
- Remotion 用于可重复性。 如果你将多次执行相同操作，把它做成 Remotion 组件。
- 选择性生成。 只对不存在的资产使用 AI 生成，不要用于所有内容。
- 品味是最后一层。 AI 清除重复性工作。你做最终创意决策。
相关技能
fal-ai-media— AI 图像、视频和音频生成videodb— 服务端视频处理、索引和流媒体content-engine— 平台原生内容分发