写作时间：2026年8月
最近开始做AI自媒体，因为之前基本没碰过视频剪辑，我发现自己一点镜头感都没有，一到视频拍摄就卡住。录完一条口播，光是听自己说了多少个"然后""就是""那个"就头大，更不要提剪辑画面了。
找人剪？一条三分钟口播加动画图解、B-roll、字幕，随便都是钱，更何况 AI 时代剪辑肯定不能自己来，对吧？
所以我花了大概 3 天的时间，用Claude把最近爆火的ChatCut蒸馏成skill，一点一点搭了一条ai 剪辑生产线。从录完口播到出成品，中间90%的工作交给AI。
下面不说概念，就说我实际踩了哪些坑、最后怎么跑通的、哪些你可以直接用。
先说结果，这条产线能干什么
我现在做一条口播视频的流程大概是这样的，
1. 对着手机讲2-5分钟（目前还是需要提词器，做不到脱稿）
2. 把视频丢给 codex，自动转录文字、标记口误、生成审核网页，我在网页上勾选要删的部分，这是
第1个需要人工的地方
3. 点一下导出FCPXML，口播的A-roll就剪好了
4. codex自动生成分镜表，每几秒该看什么、为什么要换画面、用什么素材，全写清楚，发到飞书文
档让我审核，这是第2个需要人工的地方
5. codex根据分镜表生成动画HTML，数字滚动、流程图解、关键词浮层，录屏就能当B-roll用，或者
把截图路径写到飞书文档中的评论，这是第3个需要人工的地方。为什么不做视频，主要还是为了
节省成本。
6. 合成出片
整套流程从转录到出分镜表，大概10-15分钟。后面的动画生成看复杂度，大概30-60分钟能跑完，主要是最近赛博义父 tibo 一直按重置键，用的人太多，导致 codex干活比较慢。我实际要动手的就三块，录口播、审分镜、录真实素材（截图/录屏），加起来大概 15-20 分钟。
发出去几条之后的数据分析
流程跑顺之后，我连着发了几条，抖音和视频号两个平台一起铺（同样的视频，小红书小眼睛只有1）。发了几天再看后台数据，几个数字挺出乎我意料。
1 触达根本不缺。视频不是"没人看见"，抖音近7天的播放量超过同类作者93.95%，视频号超过74.5%。平台愿意给量，能刷到的人不少。
2 发的条数一多，有个数字把我之前的判断细化了。视频号后台能拆出一项"3秒以上播放率"，我的是48%，超过同类21%，等于说开头那几秒其实留住了小一半人，没我想的那么糟。可完播率只有4.2%，平均播放时长10.6秒，片子明明有一分多钟，大部分人看到十来秒就走了。所以需要优化的地方不在开头，是3秒之后的中段，加上片子太长。光改开头钩子不够，得动刀片长和中段节奏。
我之前纠结的那些"动画够不够精致""配色好不好看"，观众根本没看到那一步就走了。真正该改的是开头节奏和片长，不是画面品质。没数据的完美主义就是在浪费时间。
3 平台差异值得记一笔。同样一条片子，视频号的完播率和平均播放时长都比抖音明显好，平均时长还在往上走，比上周涨了25%。我猜是两边观众不一样，视频号的人更坐得住，另外视频号的观众熟人居多。所以接下来我打算分平台来，长一点、讲得深一点的放视频号，抖音这边砍短、把节奏提快。
4 互动是另一个短板。抖音的互动率1.6%，同类作者有9.1%，差一大截。我的片子基本没设计"看完扣个1""你怎么看"这类小钩子，观众看完就划走了。还有一条被限流了，但是用 ai 助手查了下没有问题，原因还得再研究下。
这件事是怎么开始的
这几天一个叫ChatCut的AI视频剪辑工具突然火了。它的卖点是"用自然语言指挥AI帮你剪视频"。你跟它说"把口误删掉"，它就删，说"在这里加个图解"，它就加。
第一眼看到挺兴奋，这不就是我想要的吗？
但小试了一下发现两个问题：
•它是云端产品，按积分收费。 生成一段5秒的视频要3个积分，一张图0.2-0.6个积分，音乐、配
音、MG动画也都要积分。一条稍微复杂点的视频，积分花销比找人剪还贵。最扯淡的是我试着剪
辑了一个 2 分多钟的视频，在导出的时候提示我积分不足需要充值，视频只能看不能用。
•它的"剪辑判断"全靠prompt约束，没有代码级的门禁。它也会犯错，麻烦的是犯了错之后你很难
查出来在哪里。
但我没有白试。ChatCut的整个插件协议都是公开的，它跟AI的交互走的是MCP（Model Context Protocol），skill文件和工具定义都能看到。
我做了一件当时觉得有点疯的事，用Claude的Fable和最新的 GPT5.6 sol模型把它的架构全部分析了一遍。
README只是个入口，它的16个skill文件、40多个MCP工具定义、双宿主适配层，我一个个读完了。Claude Fable5是目前我用过分析代码最厉害的模型。我不是程序员，让我自己看那些JSX和JSON定义完全是天书，但Fable能把架构逻辑用我听得懂的中文解释清楚，然后把结果让 codex 再进行评估，交叉验证。
这次分析最有价值的发现有三个。
第一，ChatCut的口播清理分了两步。 先跑一个叫 clean_script 的工具做机械清理（固定口癖词表+静音压缩），然后必须重新读一遍再做语义编辑。"去口癖"和"判断这句话该不该留"是两回事，不能一口气做完。这个发现直接影响了我后来skill的设计。
第二，它的编辑界面是markdown文件，不是JSON。 口播转录的结果被物化成 timeline.md ，删词就是打删除线，挪句就是移动行，最后一个 apply_script 命令把改动落回时间线。这个"人类可读的中间格式"的思路，比直接操作JSON舒服太多了。
第三，它有一套"观众任务"框架。 每次换画面之前，都得先回答一个问题，观众此刻需要什么帮助。是要理解抽象概念，想看到关键数字，还是需要真实证据？答不出来就不换。这套思路后来成了我分镜skill的核心逻辑。
另一块拼图：GitHub上的AI剪口播skill
拆完ChatCut之后我没有直接抄它，而是去找有没有现成能跑的口播处理工具。
在GitHub上翻到一个剪口播的skill，它做的事情很简单：
1. 调用火山引擎的语音识别API做转录，精度比剪映好不少
2. 用AI逐句分析哪些是口误、哪些是重录、哪些只是说话习惯
3. 生成一个网页，你可以在上面一句句试听、一键勾选删除
4. 导出FCPXML文件，拖进Final Cut Pro或剪映就是剪好的时间线
我把它装进Claude Code，试了一下，这东西真好用。它对口癖的判断有一套判据，"这个'然后'是垫话还是承担了顺序关系？删了会不会让前后句硬拼？拿不准就留。"它不会简单粗暴地把所有"然后""就是"全删掉，是一个个判断的。
但它只解决了口播清理这一步。剪完A-roll之后画面怎么做、分镜怎么规划、动画怎么生成，这些它都没解决。
把拼图拼起来
有了ChatCut的方法论和GitHub上的转录skill，剩下就是把它们串起来。
第一段：口播清理
录完口播 → 火山引擎转录 → AI分析口误 → 网页审核 → 导出FCPXML
这一段基本是现成的，装好skill跑就行。唯一踩的坑是火山引擎的模型API太多了，搞了半天才搞清楚。另外转录结果对方言和专业术语偶尔有误，需要在审核网页里手动改。
我自己试下来的体验，一条3分钟的口播，从开始处理到导出FCPXML，大概5-8分钟。 其中AI处理要2-3分钟，剩下的时间是我在网页上快速过一遍、确认没有误删。
我实际在用的审核网页：196处AI预选，勾选确认后一键导出FCPXML
第二段：分镜规划（飞书表格审稿）
FCPXML导出之后，拿到的是一条剪好的A-roll时间线。下一步是规划画面，每几秒该看什么。
这一段我做了一个skill叫"口播分镜"，核心逻辑来自ChatCut分析里提炼的"观众任务"框架。
简单说就是六种情况，对应不同画面处理：
观众此刻需要什么首选手段
没有明确需求留真人知道讲到哪了（章节感）小节标签
看到关键词/数字关键词浮层
理解抽象概念/流程图解动画
看到真实证据截图/录屏
视觉呼吸（节奏调节）景别变化
这张表看着简单，但确实帮我想通了一个一直纠结的事，到底什么时候该换画面。以前全凭感觉，现在有依据了。
以前我看别人的口播视频总觉得"画面好丰富"，自己做的时候就乱加，这里加个图，那里放个截图，最后出来的效果既杂又乱。用了这套框架之后，每一次画面切换都有理由，没理由的就留真人。
分镜表长什么样？ 以我实际做过的一条90秒口播为例，出来的是一张飞书表格：
这张表会自动生成到飞书文档里，我在飞书上审。哪一拍觉得不对，直接在飞书里写评论，AI收到评论后只改那一拍，不动其他的。
这套飞书审稿的做法，是从一个叫张咋啦的创作者那里学的。 她做video essay，分镜表就是一张飞书表格，每一栏写清楚画面方案、素材来源、待定事项，协作者在表格里直接审。我把这个思路迁移到了口播场景，效果很好，比在 codex/claude里发截图讨论清晰太多了。
第三段：动画生成
分镜表里标了"HTML动效"的，由另一个skill来生成，它把分镜表里的文字描述转成可录屏的16:9动画HTML。
举几个例子，
•"数字从0滚到 3" → 一段CSS动画，数字匀速滚到位后停住•"消息流压缩成一页报告" → 几个消息气泡从两侧飞入，最后聚合成一本"手册"
分镜表里生成的时间对比动画（GIF预览）
实际B-roll帧——嵌入真实剪映截图作为画中画
技术上这些动画都是纯HTML+CSS+GSAP（一个动画库），在浏览器里打开就能看到效果，录屏之后就是可以直接用的B-roll。
为什么不用Canva/剪映的动画模板？ 两个原因，
1. 模板是死的，AI生成是活的。模板只能改文字和颜色，AI能根据你的内容定制布局、动画节奏、数
据展示方式
2. 一旦调好了风格，后面所有视频都能自动套用。第一次花时间多，之后每条视频的动画生成都是几
分钟的事
当然缺点也很明显，现阶段这些动画的视觉品质比不上真正的After Effects做出来的。 对我来说够用了，但如果你追求品牌级的精致度，这条路暂时实现不了
下面这张图是调试时的验证画面。之前有一版翻车了，动画标题直接压到抖音的头像区，发出去观众根本看不到关键信息。后来加了安全区参考框，检查文字有没有被平台UI挡住才算过关。这种坑不踩一次真想不到。
验证通过——三列布局避开头像区，安全区标注清晰
花钱买来的教训
"A-roll一改，下游全废"
这是最贵的一条教训。口播剪完之后我又回去改了一句话的顺序，结果分镜表的时间点全错了。分镜是基于剪后时间线做的，你一动A-roll，所有拍的起止时间全变。
后来我把这条写成了硬规则，口播剪辑定稿之前，绝对不开始做分镜。 就像盖房子，地基不稳，上面盖得再漂亮也得拆。
给AI立规则，别只下指令
刚开始用的时候，我给AI的指令是"帮我规划分镜"，出来的东西一塌糊涂。要么每句话都换画面（密得人头晕），要么该换的地方不换，不该换的地方乱换。
后来我发现ChatCut之所以好用，是因为它的skill文件里写满了各种判断规则。什么情况下该留真人、什么情况下必须上真实截图、什么情况下可以用动画，每一条都有判断的依据。
所以我也跟着要求，观众任务六分类、锚点词扫描规则（只许名词进入锚点，动词不行）、载体选择的最小手段梯。其实吧，这些规则就是画框，框里随便发挥，框外不许去。框画得越清楚，AI反而越不容易乱来。
不要让AI生成的东西冒充真实素材
ChatCut的插件里有一句话很重要，AI生成的图片不进evidence角色。
就是说要放真东西的时候，产品截图、操作录屏这些，必须用真的。AI画的再像，观众看得出来不对劲。
我现在给自己定了一条规矩，要证明什么东西只用真实素材，AI生成的动画只管辅助理解和强调重点。
飞书审稿效率高很多
之前分镜的效果，要视频合成后才能看到，既浪费 token 又浪费时间。刚好看到张咋啦用飞书表格做分镜表，直接借用过来刚刚好，只不过她的方案是上下双屏，我的设计是用来写 A/B-roll。
换成飞书表格之后，每一拍的画面方案、素材缺口、修改意见全在一行里，一眼就能看到哪些OK、哪些需要改、改什么。AI处理评论之后只改被点名的地方，不动其他的。这条很重要，防止"改一个拆一片"。
普通人能不能复制？
先说门槛。
技术门槛比你想象的低，但不是零。 你不需要会写代码，但你需要会用ai工具，比如 codex/claude。
认知门槛比你想象的高。 最难的不是"怎么用工具"，反而是"你要什么效果"。你得知道一条好视频长什么样、分镜节奏怎么把握、什么时候该上画面什么时候该留真人。这些AI替不了你，只能放大你已有的判断力。
时间门槛，第一次搭起来要花1-2天。 装环境、配API、调规则、跑第一条片子。之后每条视频就是一两个小时了。
额外费用门槛几乎为零。 火山引擎的语音识别有免费额度，Claude/codex用订阅套餐，飞书免费，HTML动画不花钱。跟外包剪辑比，这个成本可以忽略不计。
火山引擎语音识别的订单记录，全部0元
什么样的人适合试？
•个人创作者，想做口播视频但卡在剪辑环节。 录完之后不知道怎么处理，也不想花钱找人剪•小团队，每月有稳定的内容输出需求。 一条视频省300-800块，一个月省几千块•对AI工具有基本使用经验。 不一定要会代码，但至少用过ChatGPT/Claude/Cursor之类的
踩过的坑
坑1：火山引擎注册。 需要企业认证或个人实名，api key 的使用也有点麻烦， 很反人类，即使你把文档丢给 ai，也需要花点时间。
坑2：时间轴不要混。 口播的原始录音有一个时间轴，剪辑后有另一个时间轴，两者可能差十几秒。分镜必须用剪后时间轴，用错了全片画面错位。我第一次做就犯了这个错，改了一整个晚上。
坑3： AI 的方案还是要去看，如果看不懂就让它给出解释，我的方法就是跟AI说，说人话。就像小排老师说的，claude 是 CEO，codex 是 CTO。一开始claude 做的方案，我直接丢给 codex 去执行，没认真看，导致后面慢慢路线就出现了偏离。
坑4：不要一上来就追求完美。 我第一条视频用这套流程做了快一周，中间不停调规则，现在想想真是浪费时间，一个跟我一起做视频的圈友视频已经发了好多条了，我还一直在调试。一开始出来的东西肯定不如专业剪辑师，但够发了。发出去看数据，有数据再优化，没数据的完美主义就是在浪费时间。
下一步打算做什么
目前这条产线能相对稳定的出片，但还有几个方向想探索：
1. 音效层。 现在的视频是纯口播+背景音乐，没有转场音效、打字音效这些。这些细节对完播率影响
很大，但好的音效素材库还没建好。
2. ChatCut的云端剪辑我会接着盯。 虽然现在积分太贵不适合高频用，但它的实时协作和云端渲染能
力确实强。如果它以后降价了，我可能会把一部分本地流程搬过去。最新看到的是 chatcut 插件可
以在 claude 中使用，不涉及到 api 的不会消耗积分。
3. 把流程做成可分享的SOP。 现在还是"我自己能用"的状态，要让别人跟着搭起来，还得写更细的教
程。
写在最后
分析完架构我才明白，工具智不智能其实不关键，更重要的是背后那套判断规则。回头想想，最庆幸的一个决定是，没有直接抄ChatCut，先拆解它的思路，再自己搭。
ChatCut的16个skill文件、几万字的规则文档，这些才是它真正值钱的东西。模型会迭代，工具会过时，但"什么情况该怎么处理"这套判断，这个淘汰不掉。
我一开始就应该先拍5条视频发出去看数据，调产线的事往后放。 因为很多时候我纠结的"视觉品质"问题，观众根本不在意，他们在意的是内容有没有用、节奏是不是舒服。
所以我的建议是，先把手边的AI工具用熟，弄清楚自己做视频卡在哪一步，再来搭产线。 如果你录完视频不知道怎么处理，这篇文章里的流程拿去就能用。如果你连录都还没录，那先录起来，剪辑的事后面有的是办法解决。
最后说一下我对这套东西的定位。我做它，图的就是两件事，一个是把剪辑效率提上来，本来一条视频要折腾大半天，现在录完丢给 AI，人工部分只剩十几分钟；二是让 AI 剪出来的东西质量稳定，别这条行那条不行。它不是拿来跟专业剪辑师拼精致度的。
视频我也是最近才开始发，数据还少，谈不上什么经验，这套流程远没到定型。我现在就是把它当成一个会一直改的半成品，能提效、能稳定出片，对这个阶段的我就够了。哪里该继续优化，等数据多了自然会知道，不急着一步到位。
最后附上视频制作效果，陆续完善中，大家轻喷：
7.99 复制打开抖音，看看【阿甘玩 AI的作品】不懂代码，我也用Codex搭出了会自己长大的Obs… https://v.douyin.com/OZ6FgYpDJkw/ [email protected] pQX:/ 02/11 :1pm
暂无评论内容