人不可有傲气,但不可无傲骨。——徐悲鸿

一条链接进,十条竖屏出:AutoClip 真正在算的不是剪辑,是七个平台各自的规矩

先说一件被「一键」这两个字遮住的事

「一键」是这两年被用掉最多的一个词。

每一个剪辑软件都说自己一键。按下去,出来的是模板、是转场、是一段自动配上的电子乐,还有一句「已为你智能生成」——这句话通常出现在你刚发现它把一句最精彩的话截成了半句的时候。

所以第一次看到「一个链接,一键出片」的时候,我的预期是很低的。

但把这四个字拆开看,会发现它指的其实是另一件事:一键完成的不是特效,是一整套决策。

一条一小时的访谈进来,要决定的东西有:哪几个瞬间值得剪、每个瞬间从哪一秒切到哪一秒、竖过来之后框该偏向谁、字幕断在哪个字后面、封面用哪一帧、标题写什么、话题带哪几个、发到哪个平台、每个平台的时长上限是多少。

这些决定,平时是一个剪辑师加上一个运营,花半天做完的。

AutoClip 说自己能一键做完。这就值得看一看了。

项目地址:https://github.com/zhouxiaoka/autoclip

它的描述写得很长,但每一句都在讲同一件事:开源 AI 视频剪辑桌面工具,把播客、访谈、课程这类长视频自动剪成短视频,生成字幕、封面和发布文案,适配抖音、小红书、TikTok、Reels 与 YouTube Shorts。

而正文里那句才是完整的:贴上链接、选好平台,生成视频、封面和发布文案,适配抖音、小红书、TikTok、Reels、YouTube Shorts、B 站与 YouTube。软件免费,云端模型按量计费;需要调整时可以进编辑器。

数一下平台:七个。

「一键」底下,是七套不完全一样的规矩

这是我看完这份文档之后,认为它最被低估的地方。

大多数人以为这类工具的核心是「看懂视频」。其实看懂只占一半,另一半是知道每个平台要什么形状。

文档把这件事写得很具体:

抖音和小红书,默认访谈式。 竖版,按访谈节目的构图来处理。

TikTok、Reels、Shorts,默认满屏播客式。 同样是竖版,但画面铺满,人占满整个屏。

B 站和 YouTube,横版。 保留原画幅,不做裁切。

而竖版也不是死规定:你可以自己在这两种版式之间选。

光看这几个名字就能读出三套不同的假设:访谈式假设观众在看「一个人说话」,所以要看见脸、看见表情、看见环境;满屏播客式假设观众在刷信息流,所以画面得在一秒内占满注意力;横版假设观众是坐下来看的,所以不该动他的构图。

一个工具如果只会把 16:9 裁成 9:16,它产出的东西在抖音上会显得很远,在 TikTok 上会显得很慢。而这种「显得不对」,是没法用参数调回来的——它是版式选错了。

文档还有一句话,把这层意思说得更清楚:字幕和文案的语言,也按平台走。

也就是说,同一条素材,发抖音是中文字幕,发 Shorts 是英文字幕。这不是翻译功能,这是「同一个人有七个身份」这件事的具体化。

竖版裁切的真正难题:该裁谁

把 16:9 裁成 9:16,听起来是个几何问题。

实际上一动手就会撞上一个没法用几何解决的问题:画面里有两个人,你裁谁?

访谈节目最典型的构图是两个人并排坐着,中间一张桌子。裁成竖版的时候,你只能留一个。留错的那一个,观众看到的是一个人在说话,另一个人的反应全被切掉了——而反应往往才是短视频里最值钱的部分。

这份文档给了两条规则,两条都很懂内容。

第一条:画面跟随说话人。

这条规则的意思是,画面不是钉死的,是跟着声音走的。谁在说话,框就偏向谁。这听起来像个识别问题,其实更是个节奏问题——偏早了,观众还在看上一个表情;偏晚了,说话的人已经说到第三句。

第二条更妙:无人镜头保留完整画面。

什么叫无人镜头?就是画面里没有人在说话的那些段落:一块 PPT、一个产品特写、一段演示录屏、一张图表。

这时候如果还硬裁成竖版,你要么切掉半边内容,要么把整页 PPT 塞进一个小方块里,字全糊了。

所以它选择不裁,保留完整画面。

这条规则的成本是「看起来不统一」,收益是「内容没被切坏」。而做内容的人会知道,这个取舍一点都不难选。

顺便说,这也解释了为什么它给了两种竖版版式而不是一种。访谈式假设你要看人和环境,满屏播客式假设你只看人。这两种假设对应的构图本来就不一样,硬合成一种,两边都不像。

至多十条:一个关于决策带宽的决定

这是整份文档里我最欣赏的一个数字。

每个平台按评分自动生成至多 10 条合格片段,其余列为备选,点「生成这条」再制作。

至多十条。不是「生成全部」,不是「三十三条任你挑」。

而文档里那个对比表,恰好把这件事的证据摆出来了:旧链路生成 33 条,新链路自动生成 10 条。

这个改动看起来是功能缩水,其实是一次产品判断的转向。

因为一个创作者真正的问题,从来不是「片段不够」,是「三十三条里我该发哪十条」。你把三十三个选项推给他,等于把排序这件最费脑子的事又还了回去,还附赠了三十三次预览的时间。

十条,是一个人还能认真看完并做决定的数量。而剩下的进备选,不是被丢掉,是被降级——你想看,它在;你不看,它不吵你。

顺带说,每条成片带的不是视频文件,是一个包:封面、标题、简介、话题,加一个 ZIP 发布包。

这个清单很懂运营。视频本身只是发布动作的五分之一,剩下四样才是真正卡住人的地方——尤其话题,那是要一个个试的。

那张耗时表,最值钱的地方是它说自己不可比

很多项目会放一张性能表,然后暗示你「看,我们多快」。

这张表在标题下面就写了一句:以下是开发期间三条不同素材的实测,不是同一输入的速度对照。

三个不同的原片,三种不同的版本条件,三个不同的目标平台。它没有假装这是 A/B 测试。

版本 原片 出片 文字模型费用估算
新版 · 有字幕 Jensen · 1 小时 43 分,英 → 小红书 7.5 分钟出 10 条 ¥0.09
新版 · 无字幕 TIM × 罗永浩 · 2 小时 52 分,中 → 抖音 29.5 分钟出 10 条 ¥0.20
旧版 MrBeast · 2 小时 06 分,英 → TikTok 65 分钟 ¥0.64

表格里最刺眼的不是 7.5 分钟,是 7.5 和 29.5 之间的那道沟。

两条都是新版链路,差别只有一个:有没有现成的字幕。

有字幕,跳过转写,7.5 分钟;没字幕,得先跑一遍本地 Whisper,29.5 分钟。接近四倍的差距,卡在语音识别这一步。

这也顺便解释了那句「有作者字幕时最快」为什么值得单独强调。对一个做播客或课程的人来说,字幕文件往往本来就有——那这个工具的启动成本会低得离谱,一小时四十三分的素材,七分半钟出十条。

而费用那一栏,¥0.09 和 ¥0.20,也标了口径:按当时的 qwen-plus 文字模型用量估算,不含云端语音识别、AI 生图、投稿服务。

一句「估算」,加一句「以所选服务商为准」,比一个精确到小数点后四位的数字诚实得多。

重活在本机,判断可以外包

这份文档对「什么在你的电脑上、什么在云上」的划法,值得单独抄下来。

剪辑、取景、渲染,全在本机。 这一条在文档里没有留例外。

分析和转写,可选。 你可以用云端模型,也可以用 Ollama 或 LM Studio 跑本地模型;转写可以用作者字幕、本地 Whisper、SenseVoice,或者已经配好的云端转写。

然后是那段把隐私写成了清单的话,一句一句都很具体:

用云端分析,会发送相关字幕与文案。

用画面理解或参考帧生图,会发送所需抽样画面。

用云端转写,会发送音频。

用本地分析和本地转写,不需要对应的云端 API。

成片只有在你选择投稿之后,才会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。

六句话,六种数据,六条边界。这种写法很少见,因为大多数产品的隐私说明写的是「我们重视您的隐私」,而这一份写的是「这一步会发什么,那一步会发什么」。

对做视频的人来说,这条边界不是抽象的。原始素材里可能有没公开的项目、有客户的画面、有还没上线的产品。知道自己上传的是「抽样画面」而不是「整段视频」,和知道「反正都在云上」,是完全两种心情。

三种形态,和一条共用的链路

快速开始那一节,先给了一张三行的表,按使用场景分:

在电脑上出片,用桌面版。 要求 macOS Apple Silicon 或 Windows x64。

自建 Web 服务或在 Linux 上用,用 Docker。 要求 Docker 与 Compose v2。

批量处理或接 Agent,用 CLI 或 MCP。 要求 Python 3.10 以上,建议 3.11,以及 FFmpeg。

这张表最有用的一句话,在下面:CLI / MCP 与桌面共用同一条一键出片链路。

这句话的意思是,你在图形界面里点出来的东西,和你在终端里敲出来的东西,是同一条流水线。不是两套代码,不是一个功能阉割版。

命令行长这样:

1
autoclip produce talk.mp4 --srt talk.srt --platform douyin --portrait-style podcast --json

一行里,素材、字幕、平台、版式、输出格式全齐了。有现成字幕就用 --srt 跳过转写——回到那张耗时表,有字幕和无字幕之间隔着的,是一整段语音识别的时间。

MCP 那边,新的入口是两个:一个开始,一个查状态。旧的那套按 run 和 export 分开的写法继续兼容。

安装也有几条路,其中两条短到不需要教程:

1
2
uvx autoclip-mcp
npx skills add zhouxiaoka/autoclip

一个视频工具同时提供 MCP 服务和一份给 agent 看的技能说明,说明它认真想过「我的用户可能不是一个坐在电脑前的人」。

一个桌面工具,为什么还要给你一个 Docker

快速开始那张表里,中间那行挺反常:自建 Web 服务或在 Linux 上用,走 Docker。

一个自称「桌面工具」的东西,为什么会有服务端形态?

答案藏在那句「共用同一条一键出片链路」里。它真正的内核不是那个窗口,是一条流水线:拿素材、转写、分析、选段、裁切、烧字幕、渲染、打包。窗口只是这条流水线的一个前端。

于是三种形态就说得通了:桌面壳给你本地出片,Docker 给你一台机器挂着一堆素材慢慢跑,CLI 和 MCP 给别人调用。同一个内核,三个入口。

在仓库根目录下,Docker 的启动步骤很短:

1
2
3
cp env.example .env
mkdir -p data logs uploads
docker compose up -d --build

三个目录提前建好,分别是数据、日志、上传。这个细节说明它没有把状态藏在容器里——你想备份、想迁机器、想看看日志,都在宿主机上看得见。

而 Linux 上如果绑定目录报权限错误,文档给了一条专门的修复命令,用 root 身份把三个目录的归属改成容器里的用户,然后再起。

这条命令的存在本身就是证据:作者在 Linux 上真的撞过这个墙,而且知道有人会直接上 sudo docker compose up——那个也能跑起来,但会在宿主机上留下一堆 root 所有的文件,下次更麻烦。

还有一句给局域网用户的:从局域网 IP 或自定义域名打开时,要把前端地址填进环境变量,可以逗号分隔。

以及一句给自建模型用户的:容器里的 localhost 指向容器自己,要访问宿主机上的 Ollama 或 LM Studio,得换成容器能到达的地址。

这条坑每年都要埋一批人。而它被写在了模型配置那一节里,不是在 FAQ 第三页。

顺便说,文档还特意写了一句「本地 CLI 不需要 Redis」。这种限定句通常意味着反面也成立——至少在某些形态里,Redis 是绕不过去的。把「哪种形态不需要什么」写清楚,比笼统说一句「依赖 Redis」有用得多。

一条 180 秒的硬规则,比任何审美都硬

FAQ 里有个问题:为什么没有生成片段?

答案里有一句,是我在这份文档里最喜欢的细节之一:

YouTube 长视频要求完整片段至少 180 秒。短素材可选 Shorts 或 B 站。

这句话把一个很抽象的东西说透了:平台规则不是建议,是门槛。

三分钟。不是「建议三分钟以上」,是低于三分钟就不算一个合格的长视频片段。所以生成的时候,候选必须满足这条规则,否则它就不是一个能用的产出。

而这句话后面那半句更实用:素材太短,就换一个平台目标,Shorts 或 B 站都行。

一个好的工具,不是把规则藏进黑箱然后告诉你「不符合要求」,而是把规则说出来,然后告诉你绕路在哪。

同一节里还有一条,关于什么素材效果最好:访谈、播客、课程、口播是主要验证场景,有作者字幕时最快;游戏录屏和口播较少的素材,可以启用画面识别并选一个支持图片的模型,但仍需检查实际选段。

最后那半句是整份文档里最像人话的一句。它没有说「我们什么都能剪」,它说的是:这类素材我们验证过,那类素材你可以试,但记得自己看一眼。

它给自己留了广告位,但没动你的文案

文档里有两句挨着的说明,放在一起看很有意思。

自动品牌片尾默认开启,可在设置中关闭。

复制发布文案不附 AutoClip 署名。

第一句是:我要在我的产出上留个名。第二句是:但你的文案里不会被我塞广告。

这两件事的边界划得挺清楚。片尾是视频的一部分,你可以在设置里关掉;文案是你发出去的字,我不碰。

做内容工具最容易犯的错,是把这两样混在一起——在你的标题后面加个「via 某某」,在你的简介末尾加一行推广。用户第一次发现的时候不会说什么,第二次就不用你了。

「先看示例,再填 Key」这个顺序很懂人

桌面版的第一步是装,第二步是配模型,填 API Key。

但第三步写的是:首页还没有项目时,点「用示例项目看看效果」,不需要 API Key,示例在安装包内。

这个顺序,是把「先付费再验证」改成了「先验证再付费」。

而它要付的代价很实在:安装包里得塞进一整个示例项目。这不是技术上难,是产品上愿不愿意。

同一节里还有几个数字,都是那种「用过才知道」的:

macOS 15 及以上首次打开会被拦,得去系统设置里点「仍要打开」;Windows 会弹 SmartScreen,点「更多信息 → 仍要运行」。

装本地转写,第一次要下大约 220 MB,国内网络大概 15 分钟。

不想等的话,可以改用云端转写,每小时音频大约一毛钱。

以及一句给 Intel Mac 用户的实话:没有桌面安装包,和 Linux 一样用 Docker 或 CLI。

这四句话凑起来,是一个工具在说「我知道你会在哪一步卡住」。而大多数安装文档,写的是「支持 Windows 和 macOS」。

安装包自带 Python 和 FFmpeg,这句话有多重

文档里有一句很容易读过去的话:安装包自带 Python 和 FFmpeg。

一句话,但它是这个项目里最不性感、最费体力的部分。

一个 Python 项目要变成「双击就能用」,中间隔着:把解释器打进去、把 FFmpeg 和 FFprobe 打进去、处理不同系统的动态库、处理路径、处理首次启动时的权限弹窗、处理杀毒软件的误报。

这些活没有一样能写进功能列表,也没有一样能拿来讲故事。但如果缺了,用户的第一次体验就会变成:装 Python、配虚拟环境、装依赖、发现 FFmpeg 不在 PATH 里、去官网找编译好的二进制、解压、加环境变量——然后关掉这个项目,明天再说。

而 FFmpeg 对这类工具不是可选项。切、拼、转码、抽帧、混音、烧字幕,全是它。没有它,这个软件什么也干不了。装过 FFmpeg 的人都知道,光是「让它在 PATH 里」这一步,就足够劝退一批人。

所以那句话真正在说的是:我们把最烦的那二十分钟,提前替你干完了。

代价写在别处:Intel Mac 没有桌面安装包。打包这件事,每多一个目标平台就多一份工,一个人维护的项目,只能先挑最常用的两个。

赞助商、推荐链接,和一句「个人维护」

致谢那一节列了三个赞助商,每个都写了能干什么、怎么接、有什么福利,还都带了一句「具体以平台页面为准」。

然后单独开了一节,叫推荐链接,第一句是:这是作者推荐链接,不是上面的赞助。

把「别人给我钱」和「我拿推广返利」分成两栏写,还主动说明区别。这个动作很小,但它决定了你读后面那段话时的心情。

更坦诚的是贡献那一节的最后一句:个人维护,回复时间不固定,不提供即时客服或一对一部署服务。

一个项目愿意在首页写「我不提供客服」,比写「7×24 小时专业支持」可信得多。因为它把预期放在了正确的位置:你用的是一个人的作品,不是一个团队的服务。

那句研究标题,其实是整个产品的说明书

文档的「文档」表里,有一篇研究笔记,标题是:

选对瞬间,而不是堆特效。

一句话,把这个产品的立场说完了。

大多数自动剪辑工具的做法是往里加东西:加转场、加滤镜、加动效、加贴纸、加自动生成的 BGM。因为「加了东西」是看得见的,用户会觉得值。

而这条路径的另一头是:视频不好看,往往不是因为缺特效,是因为那六十秒本来就不该被剪出来。

所以真正要解决的问题是选择,不是渲染。一条两小时的访谈里,可能有六十分钟都是客套、铺垫、重复,真正能单独成片的只有几分钟。找到那几分钟,比给那几分钟加十个转场重要一个数量级。

这个立场也能解释前面所有的设计:为什么每个平台只给十条、为什么评分排序、为什么剩下的进备选。

因为它假设你的瓶颈在选择,不在制作。

十六条成片,和一句版权声明

一份 AI 工具的文档,通常会给三样东西:架构图、指标、演示视频。

这一份给的是十六条成片。

六条精选,十条收在「查看更多」里。每条标了三件事:版式、平台、字幕语言。竖版里有访谈式也有满屏播客式,平台覆盖抖音、小红书、TikTok、Shorts,字幕中英都有,时长从 43 秒到 2 分整。

这是个很像作品集的排法,不像性能表。

性能表告诉你「我们有多快」,作品集告诉你「你可以期待什么」。前者可以被参数美化,后者不行——一条剪得难看的片子,放在那儿就是难看的。

而紧跟在这十六条后面的那句,比整个案例库都重要:原片版权归原作者,仅作效果展示。

这句话必须写。因为被剪的那些素材,是 Bill Gates 的访谈、是 AI 研究者的辩论、是别人的播客。展示效果和拿别人的内容做宣传,中间只隔着一句声明。

它还把另一条路开着:欢迎投稿你的成片。

一个工具愿意让用户把自己的产出摆到首页,说明它不怕被比较。这比任何「业界领先」都有说服力。

最后

回到开头那个词。

「一键」这两个字,通常用来掩盖复杂度——按一下,剩下的交给魔法,你别问。

AutoClip 的这个「一键」,底下其实摊着一堆很具体的东西:七个平台的画幅与时长、两种竖版版式、按平台走的字幕语言、每个平台至多十条的评分上限、一百八十秒的平台门槛、封面标题简介话题的发布包、以及一条「哪些数据会出门」的清单。

这些都不浪漫。但它们是「一键」能成立的原因。

一份文档愿意把「三条素材不是同一输入的对照」「Intel Mac 没有安装包」「不提供一对一部署服务」「游戏录屏要自己检查选段」这些话写在首页,通常说明作者对这东西的边界很清楚。

而一个清楚自己边界的工具,才敢让你把两小时的素材扔进去。

至于它到底剪得好不好,文档没有替你做结论,只是把十六条成片摆在那儿,让你自己判断。

这个举证方式挺聪明。它没有告诉你「我们的算法多强」,它说的是:片子在这儿。

在一个所有人都在描述算法的行业里,直接给成片,反而更像有底气。