（9122期）Auto Video Editing – AI语音智能剪辑，口播视频一键成片

AI语音智能剪辑，口播视频一键成片 基于AI语音识别的智能视频剪辑工具，自动按句子切割口播视频并合成带字幕成片，支持多平台硬件加速与竖屏优化 使用说明 核心用法 Auto Video Editing 是一套完整的自动化口播视频剪辑工作流，通过语音识别技术将视频按句子精准切分，支持用户交互式选择片段后合成最终视频。 完整工作流程： 音频提取：从视频提取 WAV 格式音频 语音识别：使用 Whisper（推荐 faster-whisper）生成带时间戳的逐句文本 视频切分：按句子边界精确切割视频片段（重编码确保音频无重叠） 字幕烧录：自动检测语言、智能折行、适配竖屏（9:16）平台 用户交互：展示片段列表（时间区间+内容），支持连续范围、多选、混合选择 合成导出：合并选中片段为最终视频 封面生成：AI 总结吸引力标题，叠加封面至视频首帧 章节时间轴：可视化进度条，自动生成或自定义章节 显著优点： 智能适配：自动检测平台（macOS/Linux/WSL/Windows）、GPU 类型、编码器，动态选择最优模型 中文优化：自动使用中文字体（Noto Sans SC/苹方/微软雅黑）、清华 pip 镜像、HuggingFace 镜像 竖屏优先：针对小红书/抖音等平台优化字幕位置和字体缩放 精确切割：重编码模式避免片段间音频重复 硬件加速：支持 Apple Silicon (VideoToolbox)、NVIDIA (NVENC)、Intel (QSV)、AMD (AMF) 潜在缺点/局限性： 依赖繁重：需安装 ffmpeg、Python 3、Whisper 模型（large 模型约 2.9GB） 编译要求：ffmpeg 需包含 libass/libfreetype，标准 brew 安装可能缺失，需使用第三方 tap 识别精度：base/small 模型中文识别率较低，必须使用 large 模型保证质量 字体问题：Linux/WSL 可能缺中文字体，需手动安装 fonts-noto-cjk 网络依赖：模型下载可能超时，中国用户需配置镜像 适合人群： 口播/vlog/脱口秀/知识分享类视频创作者 需要批量处理长视频、提取精彩片段的剪辑工作者 小红书/抖音/B站/YouTube 多平台分发用户 有一定技术基础、能接受命令行操作的用户 常规风险： 语音识别错误需人工校验修正 transcript.json 硬件编码器失败时需回退 CPU 编码 多视频跨选时需注意片段编号管理 封面标题需人工确认避免 AI 总结偏差 原始说明 Automated video editing skill for talk/vlog/standup videos. Use when: cutting video, splitting video into sentences, merging video clips, extracting audio, t...