企业官网建设流程全解析

一条短视频，从拿到原始素材到发布，通常要经历粗剪、去废片段、加字幕、挑高光、配乐、转场、导出这几个环节。如果你只是偶尔剪一条 vlog，用剪映、Premiere 手动拖一拖也能接受；但如果你每周要处理几条长访谈、课程回放、直播切片，就会明显感觉到：真正耗时间的不是“剪辑操作”，而是反复在时间轴上做判断——哪些片段值得留，哪几句话信息密度最高，哪里该切一刀。

我用 AI 编程助手的方式做自动化剪辑，把整个流程拆成了 3 个 Skill，并且已经跑通了一套从“长视频输入”到“成片输出”的流水线。

先说判断：AI 自动化剪辑的关键，不是让 AI 帮你点按钮，而是把剪辑师脑子里的判断规则，变成一套可以复用、可以调试、可以逐步调优的 Skill。

这篇文章我会先解释 Skill 到底是什么、为什么它比普通提示词更适合做剪辑流水线，然后把 3 个 Skill 的设计思路、代码实现、运行验证、常见坑逐一拆开讲。读完你可以直接照着一套最小实现跑通自己的自动化剪辑流程。

1. 为什么是 Skill，而不是“AI 一键成片”

市面上已经有不少“AI 一键成片”工具，输入一段文字描述就能生成视频。这类工具在营销素材、快剪场景下确实有用，但它有两个问题：素材内容是模型生成的，不是你真实拍摄的；成片风格由平台模板决定，很难针对你自己的节目形态做精细调整。

如果你要剪的是真实拍摄的课程、访谈、直播回放，需要的是另一类工具：一个能听懂“帮我保留老板讲核心观点的部分，去掉寒暄”、能自动调用剪辑命令、能按固定节奏输出成片的自动化框架。

这就是 Skill 的用武之地。

Skill 可以类比为“用户态插件”。它是结构化文件加脚本的集合，包含三个核心部分：

• 描述文件：告诉 AI 这个 Skill 在什么场景下使用、能解决什么问题。
• 工作流提示词：把剪辑中需要连续执行的步骤写成到位的指令，让 AI 按照固定顺序处理任务。
• 工具脚本：真正去调用 ffmpeg、语音识别、字幕导出、视频拼接等命令，把 AI 的“裁剪意图”变成真实文件操作。

普通提示词是“一次性对话”，Skill 是“可复用流程”。普通提示词给不出稳定的工具调用逻辑，Skill 可以像函数一样被随时调用。对视频剪辑这种“流程长、步骤多、重复性高”的场景，Skill 的优势非常明显：它把剪辑经验沉淀成了代码，而不是留在某次对话上下文里。

2. 自动化剪辑流水线的整体设计

我跑通的 3 个 Skill，正好对应剪辑三个阶段：

用流程表达就是：

原始视频 -> Skill 1 粗剪切分 -> 分段片段 -> Skill 2 字幕与高光 -> 高光列表 | v 最终成片 <- Skill 3 成片合成 <- 高光片段文件 <------------------------+

这样的拆法有一个很重要的理由：每个 Skill 只完成一件事，输入输出都是标准文件，所以中间任何一步出错都可以单独排查、单独重跑。剪辑行业多年的工程经验也是这样收敛的：先做素材整理，再做内容理解，最后才做包装合成。

如果你一开始就想写一个“全自动剪好一条视频”的大脚本，大概率会陷入一个极其长的 if-else 泥潭。把流程拆成 Skill，本质上是把复杂度分摊到了不同的边界里。

3. 环境准备与 Skill 项目结构

这套 Skill 方案的运行环境并不复杂，核心依赖是 ffmpeg 和 Python。ffmpeg 负责视频处理，Python 负责编排和调用本地工具，AI 编程助手负责理解需求并调度 Skill。

我建议的最小环境如下：

以我使用的 AI 编程助手（支持 Skill 机制的工具）为例，每个 Skill 是一个独立的目录，结构如下：

skills/ ├── rough-cut/ │ ├── SKILL.md │ └── scripts/ │ ├── split_scenes.py │ └── cut_fragments.sh ├── subtitle-highlight/ │ ├── SKILL.md │ └── scripts/ │ ├── transcribe.py │ └── extract_highlights.py └── final-mix/ ├── SKILL.md └── scripts/ ├── concat_clips.py └── export_final.sh

SKILL.md 是这个 Skill 的说明书，AI 会先读它理解职责，再去调用 scripts 里的脚本。整个目录挂到你的 AI 编程助手工作区之后，AI 就可以在对话中识别当前任务并自动加载对应 Skill。

4. Skill 1：粗剪切分——把长视频变成可用片段

第一个 Skill 解决的是“素材太长”的问题。一段两小时的直播回放，如果直接全部转写、全部保留，后面的处理压力会非常大。粗剪的目标不是做精细剪辑，而是快速去重、去静音、做场景切分，产出一份 m3u8 级别的片段清单。

这里最容易踩的坑是：很多同学直接用 ffmpeg 按固定时长切分，比如每 10 分钟一刀。这种切法切出来的片段完全不顾内容语义，后面挑高光的时候会非常痛苦。更好的切法是做“场景检测”，在画面切换明显的地方切一刀，这样每个片段内容相对完整。

我设计的粗剪 Skill 模块，核心流程如下：

• 用 ffmpeg 的 silencedetect 检测静音段，把静音超过 3 秒的位置标记出来，这些位置是自然断点。
• 用 scene detection 计算画面差异，在差异超过阈值的位置生成切点。
• 合并两部分切点，生成一个带时间戳的片段列表。
• 输出 JSON 文件，供下一个 Skill 读取。

SKILL.md 的核心描述如下：

# 粗剪切分 将输入的长视频按照静音检测和场景检测结果切成多个片段， 输出片段时间戳列表 JSON 文件。 使用场景： - 视频文件时长超过 20 分钟 - 需要先整理素材再进入高光提取 - 需要去除明显静音和头尾无意义内容 依赖命令： - ffmpeg - python3 输出文件： - segments.json（片段列表）

scripts/split_scenes.py 是核心实现，用 Python 调用 ffmpeg 完成切分：

#!/usr/bin/env python3 # 文件路径：skills/rough-cut/scripts/split_scenes.py import json import subprocess import sys def run_cmd(cmd): """执行命令并返回 stdout 文本""" result = subprocess.run(cmd, shell=True, capture_output=True, text=True) if result.returncode != 0: print(f"命令执行失败: {cmd}\n{result.stderr}") sys.exit(1) return result.stdout def detect_silence(input_file, threshold=-30, min_duration=3.0): """检测静音区间""" cmd = ( f'ffmpeg -i "{input_file}" -af ' f'"silencedetect=noise={threshold}dB:d={min_duration}" ' f'-f null - 2>&1' ) output = run_cmd(cmd) silences = [] for line in output.splitlines(): if "silence_start" in line: start = float(line.split("silence_start: ")[1]) silences.append({"start": start, "end": None}) elif "silence_end" in line and silences: end = float(line.split("silence_end: ")[1]) silences[-1]["end"] = end return [s for s in silences if s["end"] is not None] def detect_scenes(input_file, threshold=0.3): """检测场景切换点""" cmd = ( f'ffmpeg -i "{input_file}" -filter:v ' f'"select=\'gt(scene,{threshold})\',showinfo" ' f'-f null - 2>&1' ) output = run_cmd(cmd) scenes = [] for line in output.splitlines(): if "pts_time:" in line: pts = line.split("pts_time:")[1].split()[0] scenes.append(float(pts)) return scenes def merge_cut_points(silences, scenes, video_duration): """把静音和场景检测得到的切点合并排序""" cut_points = [0.0, video_duration] for s in silences: mid = (s["start"] + s["end"]) / 2 cut_points.append(mid) for scene in scenes: cut_points.append(scene) cut_points = sorted(set(round(p, 2) for p in cut_points)) return cut_points if __name__ == "__main__": input_file = sys.argv[1] # 获取视频时长，用于构造最后一段 duration_cmd = f'ffprobe -v error -show_entries format=duration -of default=noprint_wrappers=1:nokey=1 "{input_file}"' video_duration = float(run_cmd(duration_cmd).strip()) silences = detect_silence(input_file) scenes = detect_scenes(input_file) cut_points = merge_cut_points(silences, scenes, video_duration) segments = [] for i in range(len(cut_points) - 1): start = cut_points[i] end = cut_points[i + 1] if end - start < 5: continue # 过滤掉太短的片段 segments.append({"index": len(segments), "start": start, "end": end}) with open("segments.json", "w", encoding="utf-8") as f: json.dump({"segments": segments, "source_file": input_file}, f, ensure_ascii=False, indent=2) print(f"完成：共生成 {len(segments)} 个片段")

这里做了两件关键的事：一是用静音中点作为自然断点，避免切在说话中间；二是过滤掉时长不足 5 秒的片段，避免出现大量碎片。

运行方式：

cd skills/rough-cut python3 scripts/split_scenes.py /path/to/input.mp4

成功运行后，会在当前目录生成 segments.json。如果运行失败，先看 ffmpeg 是否在 PATH 中，再看输入文件路径是否有空格导致参数解析错误。

5. Skill 2：字幕与高光提取——让 AI 理解视频内容

粗剪完成之后，素材仍然是“一堆片段”，AI 还不知道每一段在讲什么。第二个 Skill 的目标是把片段转成文字，再用文字内容做判断，挑出高光片段。

这个环节是整个流程里最像“AI 剪辑师”的一步。我的做法分两步：先做语音转写，生成每段片段的文本和字幕；再用规则和 AI 结合的方式提取高光。

语音转写推荐用本地 Whisper 或者任意 ASR 接口。如果是本地运行，转写命令类似：

whisper /path/to/segment.mp4 --language zh --task transcribe --output_format srt

这条命令成功后会生成同名的 .srt 文件。需要注意，转写是耗时操作，视频越长越慢。如果素材很多，建议先用 GPU 或者控制并行任务数量，避免把机器跑死。

拿到各片段的文本之后，高光提取就有依据了。我借鉴了一个很小的策略：把文本按句子切成单元，给句子打分。分数来源有三部分：

• 关键词命中：标题、摘要里的关键词，视频的节目主题词，以及“重点、核心、结论、最后、总结”这类高信息密度词。
• 语义密度：句子长度和数字序号等结构特征。
• 情感强度：语气词、重复词、加强语气的词汇。

这个打分逻辑放在 extract_highlights.py 里，可以灵活调整策略。核心代码如下：

#!/usr/bin/env python3 # 文件路径：skills/subtitle-highlight/scripts/extract_highlights.py import json import sys import re # 配置区：可自行调整关键词 KEYWORDS = ["核心", "结论", "重点", "注意", "总结", "关键"] STRUCTURE_MARKS = ["第一", "第二", "第三", "首先", "然后", "最后", "一方面", "另一方面"] EMOTION_WORDS = ["非常", "特别", "极其", "十分", "很明显", "毋庸置疑"] def load_srt(srt_path): """解析 SRT 字幕文件为句子列表""" with open(srt_path, "r", encoding="utf-8") as f: content = f.read() blocks = re.split(r"\n\s*\n", content.strip()) sentences = [] for block in blocks: lines = block.strip().split("\n") if len(lines) < 2: continue # 第一行是序号，第二行是时间轴，后面的行是文本 text = " ".join(lines[2:]).strip() if not text: continue sentences.append({"text": text}) return sentences def score_sentence(text): """给句子打高光分数""" score = 0 for kw in KEYWORDS: if kw in text: score += 5 for mark in STRUCTURE_MARKS: if mark in text: score += 3 for word in EMOTION_WORDS: if word in text: score += 2 # 句子越长，往往信息量越大；但过长也可能是废话连篇 if 30 <= len(text) <= 120: score += 2 return score def extract_highlights(segments_json, srt_dir, top_n=10): with open(segments_json, "r", encoding="utf-8") as f: data = json.load(f) segment_scores = [] for seg in data["segments"]: srt_file = f"{srt_dir}/segment_{seg['index']:03d}.srt" try: sentences = load_srt(srt_file) except FileNotFoundError: continue total_score = sum(score_sentence(s["text"]) for s in sentences) if sentences: total_score += min(len(sentences) * 0.5, 5) # 鼓励信息密度适中的片段 segment_scores.append({ "index": seg["index"], "start": seg["start"], "end": seg["end"], "score": round(total_score, 2), "text_preview": "".join(s["text"] for s in sentences[:3]) }) segment_scores.sort(key=lambda x: x["score"], reverse=True) return segment_scores[:top_n] if __name__ == "__main__": segments_json = sys.argv[1] srt_dir = sys.argv[2] output_json = sys.argv[3] if len(sys.argv) > 3 else "highlights.json" top_n = int(sys.argv[4]) if len(sys.argv) > 4 else 10 highlights = extract_highlights(segments_json, srt_dir, top_n) with open(output_json, "w", encoding="utf-8") as f: json.dump({"highlights": highlights}, f, ensure_ascii=False, indent=2) print(f"完成：共提取 {len(highlights)} 个高光片段") for h in highlights: print(f" 片段 {h['index']:03d} 分数 {h['score']:.2f}：{h['text_preview'][:40]}")

运行命令：

cd skills/subtitle-highlight python3 scripts/extract_highlights.py ../rough-cut/segments.json ./srt_files highlights.json 10

这个脚本的核心是分数可解释。当你发现某个片段被错误选入高光时，可以直接看它的文本和分数构成，调整关键词或权重即可，不需要重写整个流程。这一步是 Skill 方案优于纯提示词方案的关键：规则是代码，可测试、可版本化管理。

6. Skill 3：成片合成——拼接、转场与导出

高光片段确定之后，最后一步是把这些片段拼成一个完整成片。这个 Skill 看起来最“机械化”，但反而是最容易出问题的环节，因为 ffmpeg 的拼接和转码参数一旦设置错误，轻则画面黑屏，重则整条视频导出失败。

我的成片合成 Skill 分成两步：

第一步，把高光片段从原视频里真正裁剪出来，生成独立的小片段文件。裁剪时要注意，ffmpeg 的-ss和-i的顺序有讲究。-ss放在-i前面是快速跳转关键帧，速度快但可能不精确；放在-i后面是逐帧解码，精度高但慢。对最终成片来说，建议用后者，宁可慢一点也要保证不出现画面跳动。

第二步，把裁剪出来的小片段按顺序拼接。ffmpeg 有 concat filter 和 concat demuxer 两种方式。我推荐用 concat demuxer，因为它不需要重新编码，拼接速度快，质量无损。

concat 拼接需要一个列表文件：

# 文件路径：skills/final-mix/concat_list.txt file 'clips/highlight_001.mp4' file 'clips/highlight_002.mp4' file 'clips/highlight_003.mp4'

然后执行拼接命令：

ffmpeg -f concat -safe 0 -i concat_list.txt -c copy final_no_audio.mp4

这里-c copy表示不重新编码，直接复制音视频流。但这里有一个坑：如果裁剪出的多个片段编码参数不一致，-c copy可能失败。为了稳妥，可以在裁剪的时候就统一转成相同编码，或者在拼接失败时去掉-c copy重新编码。

完成基础拼接后，我会根据预设模板给成片加上一个简单的开头标题和片尾，再统一导出为 1080p、H.264 编码的 MP4，方便直接上传到视频平台。这个逻辑封装在 export_final.sh 中：

#!/usr/bin/env bash # 文件路径：skills/final-mix/scripts/export_final.sh set -e INPUT_FILE="$1" OUTPUT_FILE="$2" ffmpeg -y -i "$INPUT_FILE" \ -vf "scale=1920:1080:force_original_aspect_ratio=decrease,pad=1920:1080:(ow-iw)/2:(oh-ih)/2" \ -c:v libx264 -preset medium -crf 20 \ -c:a aac -b:a 192k \ -movflags +faststart \ "$OUTPUT_FILE" echo "导出完成：$OUTPUT_FILE"

-movflags +faststart是给网络播放优化的，可以把 moov 元数据移到文件头部，上传到视频平台后播放体验更好。

把三个步骤封装起来之后，Skill 3 的 SKILL.md 也很简单：

# 成片合成 将高光片段列表和原始视频合成为一个完整的成片文件。 使用场景： - 完成高光片段挑选之后 - 需要统一输出格式、分辨率和编码 - 需要自动添加片头片尾 流程： 1. 读取 highlights.json 2. 从原始视频裁剪高光片段 3. 生成 concat_list.txt 并拼接 4. 统一导出为 1080p MP4

7. 把 3 个 Skill 串起来：一条完整的自动剪辑流水线

三个 Skill 单独都能跑通，但它们要变成流水线，还需要一个编排层。这一步我不建议写复杂的调度框架，用一个简单的 shell 脚本或者 Makefile 就足够了。

以 Makefile 为例：

# 文件路径：Makefile INPUT_VIDEO := input.mp4 SEGMENTS_JSON := skills/rough-cut/segments.json SRT_DIR := srt_files HIGHLIGHTS_JSON := skills/subtitle-highlight/highlights.json OUTPUT_VIDEO := final_output.mp4 .PHONY: all rough-cut subtitle-highlight final-mix clean all: final-mix rough-cut: cd skills/rough-cut && python3 scripts/split_scenes.py $(INPUT_VIDEO) subtitle-highlight: rough-cut mkdir -p $(SRT_DIR) cd skills/subtitle-highlight && python3 scripts/extract_highlights.py \ ../rough-cut/segments.json ../../$(SRT_DIR) highlights.json 10 final-mix: subtitle-highlight bash skills/final-mix/scripts/build_final.sh $(INPUT_VIDEO) $(HIGHLIGHTS_JSON) $(OUTPUT_VIDEO) clean: rm -rf $(SRT_DIR) final_no_audio.mp4 $(OUTPUT_VIDEO)

build_final.sh 的作用是读取 highlights.json 里的片段信息，执行 ffmpeg 裁剪和拼接，最后调用 export_final.sh 导出。这里就不贴完整脚本了，逻辑和前面讲的裁剪、拼接保持一致。

有了这个编排层，你只需要在项目根目录执行：

make clean && make

就能从原始视频一路产出最终成片。中间任何一步失败，Makefile 会停在出错的地方，方便你单独调试。

从实际使用体感看，这套流水线最值钱的部分不是“全自动”，而是“可干预”。如果哪一期视频的高光选得不准，你只需要改 keywords 配置，然后重跑 subtitle-highlight 和 final-mix，不需要重新做粗剪。这种按 Skill 分步重跑的能力，是单个大脚本很难提供的。

8. 常见问题与排查思路

自动剪辑流程里，问题几乎都出在视频处理和脚本配置上。我把高频问题整理成了排查表：

其中最容易忽略的是“静音阈值”问题。不同视频的底噪差异很大，录屏视频底噪低，现场收音底噪高。如果静音检测设置成固定的 -30dB，可能在底噪较高的素材上完全检测不出静音，导致粗剪切点过少。建议在 SKILL.md 里把阈值参数暴露出来，遇到特殊素材时通过 AI 对话直接调整。

9. 最佳实践：从玩具到流水线的工程建议

跑通 3 个 Skill 只是第一步。如果你想把这套自动化剪辑流程用到真实的每周更新场景，需要额外注意几点：

第一，每个 Skill 的输出都要带索引和版本。我在 segments.json 和 highlights.json 里都保留了原始时间戳，这样即使后续环节调整了策略，也能追溯一个片段最初来自原视频的哪个位置。真实生产中，素材可追溯比结果好看更重要。

第二，把规则写在代码里，而不是写在提示词里。关键词、权重、阈值这类东西如果写在 SKILL.md 的提示词里，AI 每次运行都有可能理解偏差；写在配置区里，AI 只会读取和使用，不会随机发挥。Skill 里“代码负责逻辑、提示词负责定位”的分工，是保持稳定性的关键。

第三，控制重跑成本。高光提取依赖语音转写，这是整个流水线里最耗时的部分。建议把转写结果缓存下来，文件名用视频文件名的哈希值加时间戳。如果只是调整了关键词权重，不需要重新转写，直接从缓存里读取 SRT 文件即可。

第四，尊重素材的合法授权。自动化剪辑不是让你随意抓取别人的视频来二创发布。使用歌手、讲师、直播主理人的内容做剪辑分发时，务必确认你有相应的处理权和传播权。版权合规应该是自动化流水线里默认的一环，不需要等到被投诉才开始考虑。

第五，参数配置要做到环境无关。我在本地跑通后，把 ffmpeg 路径、转写模型路径、输出目录全部改成了环境变量或配置文件。这样可以方便地迁移到另一台机器，也方便后续接 CI 或定时任务。

第六，用“影子模式”先试运行。别上来就全自动直接发布。建议先跑通流水线，把成片截图和文字摘要发给团队或朋友人工过一遍。确认效果稳定后，再把流程推到生产环境。

从实际价值来看，这套 Skill 方案最打动我的不是它省了多少时间，而是它把剪视频这件事从“手动操作工具”变成了“调试一套代码”。每一次效果不满意，我都是在调参数、调关键词、调 pipeline，而不是重新拖一遍时间轴。这种工作方式的转变，才是 AI 自动化剪辑真正值得投入的地方。

下一步，你可以先照着文中第 3、4、5、6 章的最小实现跑通一条视频，把这三个 Skill 装进你的 AI 编程助手工作区里，然后根据自己的素材类型调整关键词和阈值。跑通之后，再考虑加入自动封面、多平台导出、素材归档等扩展 Skill。你会发现，真正决定自动化剪辑上限的，是你对剪辑流程本身的拆解能力。