AutoClip 开源长视频剪辑,支持 CLI 与 MCP
AutoClip 能把播客、访谈和课程等长视频剪成适配不同平台的短片,同时生成字幕、封面和发布文案。剪辑与渲染在本机执行,云端模型按量计费,成片可在编辑器中调整。
AI 深度解读
AutoClip 把长视频二次分发做成了一条可重复执行的流程。贴链接、选平台,它会挑出候选片段,在本机完成剪辑、取景和渲染,再把视频、封面和发布文案一起打包。成片有问题,还能进编辑器调整。
对做访谈、播客或课程切片的人,最实用的是同一套流程可以从桌面、CLI 和 MCP 进入。真正影响使用体验的,是素材有没有现成字幕、目标平台允许多长的片段,以及你愿意把哪些素材交给云端模型。
选平台时,你也选了片段规则和版式
AutoClip 会按目标平台的画幅和时长要求筛选候选片段,再按评分自动生成至多 10 条合格成片。剩下的候选会列为备选,点「生成这条」才制作。每条成片附封面、标题、简介、话题和 ZIP 发布包。这个上限把首轮渲染控制在一个可预期的范围内,也保留了人工挑选的余地。
抖音和小红书默认用访谈式竖版,TikTok、Reels 和 YouTube Shorts 默认用满屏播客式,竖版也可以在两种版式之间切换。字幕和文案语言仍按平台配置,B 站和 YouTube 长视频走横版。画面会跟随说话人,无人镜头会保留完整画面。自动品牌片尾默认开启,可以关闭,复制发布文案时不附 AutoClip 署名。
平台规则会直接决定有没有片可出。按项目文档,YouTube 长视频要求完整片段至少 180 秒,素材太短可以改选 Shorts 或 B 站。游戏录屏或口播较少的素材可以开启画面识别,搭配支持图片输入的模型,选段结果仍要自己检查。
本机渲染,哪些素材还会发给模型?
把处理过程拆开看就清楚了。有作者字幕就跳过转写,缺字幕可以用本地 Whisper、SenseVoice 或配置好的云端服务。分析模型也可以自选,本地服务可通过 Ollama 或 LM Studio 加载。用云端分析会发送相关字幕和文案,云端转写会发送音频,画面理解或参考帧生图会发送所需的抽样画面。成片在你选择投稿后才上传到已连接的平台,匿名统计和错误报告可以在设置里关掉。
软件采用 MIT License,默认自动设计封面不会调用付费生图。云端分析、转写和 AI 生图各按所选服务计费。文档给出的百炼 qwen-audio-3.1-asr-flash 参考价约为每小时音频 0.1 元,以阿里云账单为准。本地转写首次安装约要下载 220 MB,作者给出的国内网络耗时约 15 分钟。
README 标注的 2026-10-01 实测用了同一台 Apple Silicon Mac,跑了三条不同素材。新链路的两条素材各出 10 条,旧链路出 33 条。Jensen 用作者字幕,TIM 用本地 Whisper base。成本按当时 qwen-plus 的文字模型用量估算,未纳入云端语音识别、AI 生图和投稿服务。给出的原文没有列出逐阶段耗时和费用,能确认的是测试条件和估算口径。
一条出片命令怎么接进脚本?
桌面安装包自带 Python 和 FFmpeg,Apple Silicon Mac 用 .dmg,Windows 10 / 11 x64 用 -setup.exe。macOS 15 及以上若拦截首次打开,文档指向「隐私与安全性」里的「仍要打开」。Intel Mac 和 Linux 可以用 Docker 或 CLI。本地 CLI 需要 Python 3.10+,建议 3.11,PATH 中要有 FFmpeg 和 FFprobe,无需 Redis。
下面这段命令把已有字幕的访谈按抖音规则制作成播客式竖版,随后导出发布包。
autoclip --version
autoclip produce talk.mp4 --srt talk.srt --platform douyin --portrait-style podcast --json
autoclip outputs PROJECT_ID --export-kits
第二行的 --srt 会跳过转写,--json 方便脚本读取结果,第三行的 PROJECT_ID 要换成制作返回的项目 ID。运行前先保存模型配置,produce 不读取旧 run --provider 的临时覆盖。桌面、CLI 和 MCP 共用出片链路,MCP 可用 start_quick_output 发起任务,用 get_quick_output_status 查询进度,客户端也可用 get_version 核对版本。原文没有给出具体发行版号。
我的判断
我认可的是它把平台规则、选段、渲染和发布包串到了一起。跟手动把同一段访谈导进剪辑器、重新取景、再准备标题和话题相比,固定格式、反复分发的工作最有机会省掉重复操作。碰到临时活动或剪辑标准经常变化的内容,手动调整仍然容易控制节奏和上下文。原文没交代评分细节,也没量化自动成片需要多少人工返工。
三条实测只能当作作者的经验记录。素材、字幕来源和输出数量都有差别,同一台机器也不足以说明新版快了多少。团队评估时,除了首轮渲染时间,还要算上检查字幕、纠正取景和补全语境的时间。最终有几条能发,比一共渲染了几条更有参考价值。
能拿来做什么
- 先打开内置示例项目,无需 API Key 就能看完整出片效果。再用一条已有 SRT 的访谈只跑一个目标平台,检查字幕分页、人脸取景和片段首尾。
- 要用 Node 批量处理访谈,可以从
produce --json的结果里取项目 ID,再调用outputs --export-kits,把人工预览放在投稿之前。 - 要比较本地和云端转写,用同一段音频、同一个平台和版式跑两次,分别记转写耗时、总耗时、实际费用和可发布片段数。