stable-video-cut은(는) 무엇을 하나요?
从一段(或多段)实拍素材中自动找出"画面稳定"的片段,剪出来,再按稳定度排序拼成一条带转场的成片。全程只用 ffmpeg + Python(numpy),无需任何剪辑软件。
何时使用
- "找稳定的画面剪一下 / 画面晃动的太多,挑稳的"
- "把这些素材合成一个视频,拼接处加转场"
- 手机/手持拍摄的工厂、产品展示、案例视频,需要挑出能直接用的段落
环境依赖
- ffmpeg / ffprobe:先
which ffmpeg ffprobe(或where ffmpeg)确认已安装。Windows 可用 winget(winget install Gyan.FFmpeg)或从 gyan.dev 下载;Mac 用brew install ffmpeg。下文命令一律用ffmpeg/ffprobe可执行文件名,不再写死绝对路径;若不在 PATH,先导出FF=/path/to/ffmpeg、FP=/path/to/ffprobe再用"$FF"等替代。 - Python 3 + numpy(
python --version/python -c "import numpy"确认;缺则pip install numpy)。 - 涉及封面标题时另需 Pillow(
pip install pillow)。
流程
1. 探测素材
对每个视频跑 ffprobe,拿到 分辨率 / 帧率 / 时长:
ffprobe -v error -select_streams v:0 -show_entries stream=width,height,r_frame_rate,duration \
-show_entries format=duration -of default=noprint_wrappers=1 <file>
记录各片规格——不同片拼接前必须统一(步骤 4)。
2. 稳定性分析 + 剪片段
把下面的脚本存到素材目录(如 _stability_cut.py)再运行;它完成:帧差分析 → 自适应阈值找稳定段 → 剪成 mp4(带原音)→ 输出 稳定剪辑/分析报告.json。
关键参数都在文件开头,可按需调:
import subprocess, numpy as np, os, json, shutil
SRC = r"E:\你的素材文件夹" # 改成实际路径
OUT = os.path.join(SRC, "稳定剪辑")
FF = shutil.which("ffmpeg") # 不在 PATH 时改成实际路径
FPS = 5 # 采样帧率:分析用,越大越精细越慢
W = 160 # 分析灰度图宽度
MIN_SEC = 4.0 # 最短保留片段秒数
TOP_N = 4 # 每个原片最多保留几段
THR_PCT = 45 # 自适应阈值 = 本片帧差分布的 P45(越小说出的段越稳但越少)
def gray(path):
p = subprocess.run([FF,"-hide_banner","-loglevel","error","-i",path,
"-vf",f"scale={W}:-2,fps={FPS}","-f","rawvideo","-pix_fmt","gray","-"],
stdout=subprocess.PIPE)
fp = FF.replace("ffmpeg","ffprobe")
if shutil.which("ffprobe"):
fp = shutil.which("ffprobe")
pr = subprocess.run([fp,"-v","error",
"-select_streams","v:0","-show_entries","stream=width,height","-of","json",path],
capture_output=True,text=True)
w,h = json.loads(pr.stdout)["streams"][0]["width"], json.loads(pr.stdout)["streams"][0]["height"]
h = (h*W//w)//2*2
return np.frombuffer(p.stdout,np.uint8).reshape(-1,h,W).astype(np.float32)
def smooth(x,w=5):
k=np.ones(w)/w; return np.convolve(x,k,mode="same")
report={}
for name in sorted(f for f in os.listdir(SRC) if f.lower().endswith((".mp4",".mov",".m4v"))):
f = gray(os.path.join(SRC,name)); n=f.shape[0]
D = np.mean(np.abs(f[1:]-f[:-1]),axis=(1,2)) # 相邻帧平均差 = 波动
S = smooth(D)
thr = float(np.percentile(D,THR_PCT))
good = S<thr
runs,start=[],None
for i in range(len(good)):
if good[i] and start is None: start=i
if not good[i] and start is not None: runs.append((start,i)); start=None
if start is not None: runs.append((start,len(good)))
runs=[(a,b) for a,b in runs if (b-a)>=FPS*MIN_SEC]
runs.sort(key=lambda ab: float(S[ab[0]:ab[1]].mean())) # 按最稳排序
top=runs[:TOP_N]; top.sort(key=lambda ab:ab[0])
os.makedirs(OUT,exist_ok=True)
base=os.path.splitext(name)[0]
for i,(a,b) in enumerate(top,1):
outp=os.path.join(OUT,f"{base}_稳定{i}_{a/FPS:05.1f}s-{b/FPS:05.1f}s.mp4")
subprocess.run([FF,"-hide_banner","-loglevel","error","-y","-ss",f"{a/FPS:.2f}",
"-i",os.path.join(SRC,name),"-t",f"{(b-a)/FPS:.2f}",
"-c:v","libx264","-preset","veryfast","-crf","20",
"-c:a","aac","-b:a","128k","-movflags","+faststart",outp],check=True)
report[name]=[{"片段":i,"起":a/FPS,"止":b/FPS,"时长s":(b-a)/FPS,
"波动":round(float(S[a:b].mean()),2)} for i,(a,b) in enumerate(top,1)]
print(name,"->",len(top),"段", [(f"{a/FPS:.1f}-{b/FPS:.1f}s",round(float(S[a:b].mean()),1)) for a,b in top])
json.dump(report, open(os.path.join(OUT,"分析报告.json"),"w",encoding="utf-8"), ensure_ascii=False, indent=2)
3. 排"稳定度总表"
把所有片子的段按 波动 升序汇总成一张表(排名、原片、时间区间、时长、推荐用途),写成 稳定剪辑/稳定度排名总表.md。
经验:
- 波动值越小越稳,但它是相对本片的量纲,跨片只能排序参考,不能当绝对值。
- "重点用哪支"一般就是波动最低的那支;最长且稳的段适合当主画面。
- 只有稳定段偏短(<4s 居多)时,把
THR_PCT调大到 55-60 重跑。
4. 统一规格 + 拼接转场
先把全部片段归一化(分辨率、帧率、音频参数必须完全一致,xfade 才不会报错):
for f in 片段*.mp4; do
ffmpeg -y -i "$f" -vf "scale=720:1280:force_original_aspect_ratio=decrease,pad=720:1280:(ow-iw)/2:(oh-ih)/2,setsar=1" \
-r 30 -c:v libx264 -crf 20 -pix_fmt yuv420p -c:a aac -b:a 128k -ar 44100 -ac 2 "_norm/$(printf '%02d' $i).mp4"
done
- 竖屏素材用
720:1280;横屏用1280:720;方屏1080:1080。 - 源片比目标更清晰时,
force_original_aspect_ratio=decrease会缩到刚好放进目标画框,pad居中补黑边,不变形。 - 归一化文件一律用 ASCII 文件名(01.mp4…)放
_norm/子目录——避免下面 concat 的中文路径坑。
xfade 拼接:12 段、每段 0.5s 转场时,filter 这样构造:
[0:v][1:v]xfade=transition=<T1>:duration=0.5:offset=<o1>[v1];
[v1][2:v]xfade=transition=<T2>:duration=0.5:offset=<o2>[v2]; ... 最后 -> [vout]
[0:a][1:a]acrossfade=d=0.5[a1]; [a1][2:a]acrossfade=d=0.5[a2]; ... -> [aout]
offset 递推公式(转场时长 d,各片时长 D1..Dn):
o1 = D1 - d
o2 = o1 + D2 - d
o3 = o2 + D3 - d # 即前一段输出时长 - d,逐段累加
D 用 ffprobe 精确取(注意有些是 16.400023 这种,别手算 16.4)。总时长 = ΣDi - (n-1)·d。
音频用 acrossfade 同步淡化,避免拼接处"咔嚓"声。一次 filter_complex 全部搞定,不要逐对 concat demuxer(那样加不了转场)。
常用转场(每次挑不同的,避免重复感):
fade(叠化,最安全)、fadeblack(换分组/收尾)、slideleft/slideright/smoothleft、circleopen、radial、hlslice、zoomin。11 段以上建议把 fadeblack 用在第 4-5 处和最后,做分组。
ffmpeg -y -i _norm/01.mp4 ... -i _norm/12.mp4 -filter_complex "$FILTER" \
-map "[vout]" -map "[aout]" -c:v libx264 -crf 20 -preset veryfast -pix_fmt yuv420p \
-c:a aac -b:a 128k -movflags +faststart 成片名.mp4
5. 封面标题 + 背景音乐(成片包装)
核心技巧:标题文字用 PIL 生成透明 PNG,不要用 drawtext 画中文——drawtext 在 Windows 下中文路径转义极难调试(冒号要 \:、textfile 路径不能带空格/中文、filter_complex_script 在 ffmpeg 9 里已不存在),而 PIL 一次成功:
from PIL import Image, ImageDraw, ImageFont
F = "C:/Windows/Fonts/msyhbd.ttc" # 微软雅黑粗体, 支持中文; Linux/macOS 换用思源黑体等
img = Image.new("RGBA", (720, 1280), (0,0,0,0))
d = ImageDraw.Draw(img)
fnt = ImageFont.truetype(F, 62)
# 先画阴影再画正文, 保证在亮/暗背景上都清晰
d.text((x+3, y+3), "宠物洗护流水线", font=fnt, fill=(0,0,0,160))
d.text((x, y), "宠物洗护流水线", font=fnt, fill=(255,255,255,255))
img.save("title.png")
视频里叠加(前 4.5s 淡入淡出, 透明 PNG 用 loop 拉成 4.5s):
[1:v]loop=loop=449:size=1:start=0,fps=30,format=rgba,
fade=t=in:st=0:d=0.4:alpha=1,fade=t=out:st=3.8:d=0.7:alpha=1,
trim=duration=4.5,setpts=PTS-STARTPTS[ov];
[0:v][ov]overlay=0:0:eof_action=pass,format=yuv420p[vout]
BGM 混音(原声压低 0.45, BGM 0.9, 首尾 1-2s 淡入淡出):
[0:a]volume=0.45[a1];
[1:a]atrim=0:<总时长>,afade=t=in:d=1,afade=t=out:st=<总时长-2>:d=2,volume=0.9[b1];
[a1][b1]amix=inputs=2:duration=first:normalize=0[aout]
- BGM 自备:先用 ffprobe 看时长,不够长用
-stream_loop -1循环。注意使用免版权音乐(如 lofi/CC0 音源)。 - 封面图:取最稳段中间一帧,同样的 PIL 标题叠上去,720×1280,存 PNG/JPG。
6. 输出约定
- 素材目录/
稳定剪辑/← 各段稳定片段 +分析报告.json+稳定度排名总表.md+成片_标题+BGM.mp4+封面_720x1280.png - 归一化中间文件
_norm/、临时 PNG 用完删掉
常见坑
- concat demuxer + 中文/空格路径:ffmpeg 报
Illegal byte sequence。解法就是上面说的 ASCII 中间文件 + 相对路径 concat.txt。 - xfade 要求两输入完全同规格(分辨率/帧率/像素格式/采样率/声道数不一致就报错或结果错乱)——第 4 步的归一化就是干这个的。
- Bash on Windows 里中文输出成乱码(
、????)不影响实际剪出的文件(文件名是对的),只是 console 显示问题;别被吓到,用ls验证即可。 - 分析耗时随视频时长线性,几支 1-4 分钟的手持视频,整个流程(分析+剪辑+拼接)约 3-5 分钟。
- 中文标题别用 drawtext(见第 5 步),PIL 生成透明 PNG 再 overlay 才稳。