做内容的人，大概都熬过这种夜——录完一个 2 小时的访谈，回头一看，里面其实只有 5 段值得剪成短视频的精彩内容。但需要手动一段段拖时间轴、配字幕、起标题、再拼成合集，熬到半夜是常事。

如果你也被"录完了不想剪"这件事拖住，GitHub 上一个叫 AutoClip 的开源项目，可以花几分钟了解一下。

这个项目把这件最费时间的活，做成了等几分钟的程度。

AutoClip 把自己定位为"AI 视频智能切片系统"，你给它一个视频（B 站 / YouTube / 本地文件），它会自己把视频拉下来、听一遍、把里面的精彩片段挑出来、剪好、起好标题、拼成合集，然后丢给你。它面向的人群也说得很明确：内容创作者 / 剪辑者。

它具体能做什么？

先说一个最大的痛点：素材是分散的。创作者常常需要从好几个平台找视频，B 站、YouTube 各自一套下载工具，转完还要再上传到剪辑软件里。AutoClip 把这一层搬运直接接住了。

那怎么把"真正值得剪的"挑出来？传统做法是创作者自己反复看、记时间点、凭感觉切。现在，它把这步交给 AI，整个处理流程拆成了6 步走：先做大纲、再定位时间、再按 4 个维度打分，再起标题、再聚合成合集、最后真正切割出视频。

打分的逻辑是这套系统的核心环节：它给每个话题按4 个维度（内容质量、语言表达、视觉质量、时长合适）打出0–100 的分，70 分以上的话题会被自动选中。这套标准是它在设计时就定下的，目的是不让"看起来热闹"的话题挤掉"信息密度高"的话题。

被选中的片段会被自动切割出来，AI 顺手给每个切片起一个标题。这一步背后有7 套提示词模板（业务 / 内容评论 / 娱乐 / 体验 / 知识 / 观点 / 演讲），可以根据视频类型切换，让标题更贴语料。如果一次出的切片比较多，它还会主动建议"这几个能拼成一条主题合集"，你可以接受建议，也可以自己拖拽改顺序，或者新建自己的合集。合集类型分AI 推荐和手动创建两种，整个过程里你都保留最终决定权。

还有一类视频：没字幕。AutoClip 自己是不能"听懂"视频画面的，它能用的素材是字幕。所以它走的是"先有字幕，AI 再读字幕"这条路。视频有现成字幕（B 站、YouTube 上不少作者都会自己上传字幕）就直接拿；没有的话，它会引导你在设置页里按需安装一个叫faster-whisper 的本地模型（214MB），安装好之后会自动把音频转成 SRT 字幕文件，再交给 AI 去读。

部署上，它给了三种交付方式。

Docker 部署是给"想自己跑一个服务"的人准备的：装好 Docker 20.10+ 和 Docker Compose 2.0+，克隆代码、进项目根目录跑启动脚本，前端在 3000 端口、后端在 8000 端口就起来了，API 文档会自动挂在http://localhost:8000/docs。这种方式的好处是隔离、可复现，适合团队共享。

想自己改代码的开发者一般会走本地脚本启动，需要 Python 3.8+、Node.js 16+、Redis 6+、FFmpeg 这些基础工具，pip 装后端、npm 装前端，然后两个启动脚本任选一个。后端开发用 uvicorn 命令实时重载，前端开发用 npm run dev，改动能实时看到。

还有一个主推的macOS 桌面客户端。打包脚本用的是python-build-standalone（PBS） 路线，便携 Python + 后端源码 + 静态 ffmpeg/ffprobe 全部打进.app 包里，整个安装包约 260MB。装到你机器上之后，Python、Redis、FFmpeg 这些都不用装，双击图标就能用。安装流程就是：双击 DMG → 拖进 Applications → 首次右键应用 → 打开（目前是 ad-hoc 签名，绕一下 Gatekeeper）→ 进设置填 LLM API key。填好之后整套流水线就通了。

不管走哪条路，使用流程都是统一的：

进首页点"新建项目"，选视频源（B 站 / YouTube / 本地文件），粘链接或拖文件，可选上传字幕文件，点"开始处理"。接下来进度条会一直告诉你跑到哪一步——大纲分析、时间线提取、精彩度评分、标题生成、合集聚类、视频切割，每一步都有状态。项目卡片的状态有四种：处理中、已完成、失败、暂停。等卡片从处理中变成已完成，点进去就能看到所有切片，挑合集、下载、导出都顺手。

如果你也想试试，开源地址贴在下面：https://github.com/zhouxiaoka/autoclip