Anthropic的命令行编程智能体Claude Code,可以把一段口播原始录像直接剪成可发布的成片,全程不用打开任何视频剪辑软件。在一个实例中,在终端里依次输入七条提示词,把一段1分53秒的原始素材(113.6秒)剪成了46.5秒的成片:口误被删掉,一处11秒的停顿缩成了一次换气,字幕在短语边界处换行,音频响度也被归一化到YouTube要求的-14 LUFS。七条提示词的Claude处理时间合计约14分钟。同样的方法用在一段完整的38分钟录像上,产出了一个17分钟的已发布视频,而过去这需要1.5到2天的手工剪辑。

这里最重要的经验,不是这个工具能做到,而是必须怎样去问它。一句"直接剪一下"的提示词,剪出来的片子看起来没问题,实际上却悄悄出了错。下面的工作流把任务拆成小步骤,把规则写进纯文本文件,并强制在每一步操作之后做一次验证。

为什么一条提示词不够

最诱人的捷径是一句话:"把raw.mp4里的空白和重拍剪掉,另存为edited.mp4。"Claude Code会检查文件、提取音频、运行转写、寻找重拍标记词,然后写出一个新视频。重拍和口误确实消失了。

但对输出做一下测量,情况就不一样了。这一次性剪辑的综合响度只有-22.2 LUFS,比YouTube的-14 LUFS交付标准低了大约8 dB。LUFS(相对满刻度的响度单位)衡量的是听众感受到的音频响度。同样关键的是,这种一句话式的做法什么都没留下:没有剪辑清单,没有核验过的文字稿,也无从知道模型做了哪些决定、为什么这样做。

更早的几次自动化尝试,已经说明了缺少记录的代价。有一次,Whisper语音识别模型悄悄丢掉了最后18秒的语音,Claude仍然报告任务全部通过。另一次,画面和音频在略有不同的位置被裁剪,导致声音比口型快了大约两帧,而模型自己的检查依然批准了结果。要靠逐秒看完每一次剪辑来发现这类问题,自动化本该带来的时间节省就全部抵消了。

解决办法分两部分:把剪辑规则写进文件,让智能体每次运行都重新读取;并在每条提示词里加一句自检要求,让智能体必须证明自己的工作,而不是直接宣称完成。

从胶片卷到响度表的七个相连工位,每个阶段之间都在文件夹里留下一个文件

▲ 七个提示词阶段与每步审计文件

第0步:配置工具

工作流从一个空文件夹开始,用一条提示词让Claude Code检查系统,只安装缺少的部分。以安全模式运行Claude Code,可以避免个人设置、钩子和插件干扰这次干净的配置。

配置过程会检查FFmpeg和FFprobe(用于裁剪、转换和分析媒体文件的开源工具)以及Python 3,然后创建一个名为.venv的独立虚拟环境文件夹,确保不触碰系统全局的Python安装。转写方面,它会检测硬件,在Apple Silicon的Mac上安装mlx-whisper,在Intel Mac和Windows上安装faster-whisper。Whisper是OpenAI的语音转文字模型,充当整条流水线的"耳朵":它为每一个词生成起止时间戳,智能体正是据此准确知道语音在哪里停、在哪里起。large-v3-turbo模型下载约1.5 GB,需要几分钟,随后一个自动化测试脚本会确认它能正常工作。

配置过程还会安装HyperFrames,这是HeyGen推出的免费开源框架,能把HTML、CSS和SVG逐帧渲染成标题卡、字幕条、标注等视频素材。它要求Node.js 22或更高版本。一个快速确认步骤会渲染一张2秒的黑色测试卡,中央写着"Ready",在真正开始剪辑之前证明渲染路径畅通。在那个更长的38分钟项目里,Claude Opus 5.5通过HyperFrames为61个独立的动态设计帧编写了网页。

第1步:用Markdown写规则

每个项目都有自己的文件夹,源文件命名为raw.mp4。一条提示词让Claude Code根据一段平实的英文描述写出两个配置文件:

  • rules.md设定节奏策略。超过1.0秒的停顿裁成短暂换气,相邻词之间的间隔上限为0.3秒,重复拍摄的段落只保留最后一遍,错误起头、"嗯"和"呃"一律删除。
  • names.md是一份权威的拼写词典,收录语音识别容易弄错的专有名词,比如某个人名、某个品牌名,以及产品名Claude Code。

由于Claude Code每次执行都会重新读取rules.md,想改变整个项目的观感,只需修改一行文字,而不用重新写提示词。

第2步:转写并核验覆盖范围

第二条提示词在.venv环境里用Whisper large-v3-turbo转写raw.mp4,保存为transcript.json,其中包含每个识别出的词的时间戳。提示词明确提醒智能体,Whisper可能幻觉出不存在的词或漏掉整句,并要求它对照音频检查:波形显示有语音的每一段,都必须对应有转写文本。

听错的人名在这一阶段故意不做修正。把原始错误保留在transcript.json里,后续步骤就能记录下修正过程,而不是悄悄掩盖它们。

第3步:按声音而不是按词剪静音

第三条提示词依据rules.md和transcript.json裁掉raw.mp4中的静音,并附带一条关键指令:停顿的边界要从实际音频响度中找,不能只依赖Whisper的词时间戳。语音模型给出的词边界可能跨越静音间隙,而测量波形能精确定位人声真正停下的位置。

Claude会编写并运行一个Python脚本cut.py,应用静音阈值,把每一处裁剪记录到cuts.json,并渲染出一个名为tight.mp4的中间文件。提示词还要求画面和音频必须在完全相同的一帧上裁剪,从而避免早前出现过的两帧偏移。在示例中,正是这一步把两次拍摄之间11秒的空档变成了0.3秒的换气。

第4步:删除重拍并生成审计日志

第四步在tight.mp4上进行,删除重复拍摄、错误起头和填充词,只要同一句话说了不止一遍,就只保留最后一遍。口头说出的标记词(如"retake")会告诉智能体丢弃标记之前那一遍失败的拍摄。

这一步的验证是第二次转写。Claude重新转写新生成的cut.mp4,检查文本中是否还残留重复内容,这是确保漏网的重拍不会进入导出文件的唯一自动化手段。早前有一个项目就因为没有这第二遍检查,带着重复的口播台词发布了出去。随后,每一个操作都写入cuts.md,包括时间戳范围、删除的词和每处裁剪的理由。人只需几秒钟审阅这个文件,而不必看完整段视频。

第5步:修正人名并排版字幕

第五条提示词应用names.md修正转写错误,例如把"CloudCode"改回Claude Code,并生成captions.srt。字幕写成短行,在语法短语结束处换行,而不是在从句中间断开,这很重要,因为很多人是静音观看的。

当智能体遇到含糊的短语,比如"probably a way back"还是"a way back",它会请求决定而不是自己猜测。任何新确认的拼写都会追加到names.md,下一个项目一开始就更聪明。

第6步:归一化响度并合成

最后一条提示词把cut.mp4变成带母带处理音频的edited.mp4:综合响度为-14 LUFS以匹配YouTube的目标,真峰值控制在-1.5 dBTP以下(dBTP即分贝真峰值,是防止削波和失真的上限)。在示例中,响度从-22.6 LUFS调整到了-14.0 LUFS,真峰值落在-2.1 dBTP。

字幕以软字幕轨的形式嵌入edited.mp4,同时也保留为独立的captions.srt文件。YouTube经常忽略MP4内嵌的字幕轨,所以这个独立文件仍然需要上传。Claude最后给出一份总结报告,对比输入与输出的时长、响度和峰值测量值。

七条提示词,每一步都留下验证文件 是 否 配置工具,编写rules.md和names.md 用Whisper转写并检查语音覆盖范围 按响度剪静音生成tight.mp4 删除重拍和填充词,生成cut.mp4 重新转写cut.mp4 还有重复吗? 修正人名,写出captions.srt 归一化到-14 LUFS,导出edited.mp4并生成报告
▲ 七条提示词,每一步都留下验证文件

长长的原始视频条旁边是短得多的剪辑后视频条,配有响度表和一张字幕卡

▲ 原始素材与剪辑后成片的对比

七条提示词的成果

指标 之前 之后
时长 1:53(113.6秒) 0:46(46.5秒),缩短约59%
最长停顿 11秒 0.3秒换气
综合响度 -22.6 LUFS -14.0 LUFS
真峰值 未报告 -2.1 dBTP(上限-1.5 dBTP)
字幕 无 captions.srt,按短语边界换行
审计文件 无 rules.md、names.md、transcript.json、cuts.json、cuts.md

处理时间每次运行会略有差异,因为Claude每次都重新编写一个Python脚本,而不是运行固定代码。对于完整长度的项目,整体变化是从一整天的手工剪辑变成约4.5小时无人值守的机器时间。短片用标准的Pro订阅可能就够了,但处理长视频的人很可能需要Max套餐。

不止于干净的剪辑

第0到第6步得到的是一段干净、响度正确、带字幕的视频。同样的架构还可以扩展出七个阶段,处理品牌风格、节奏、分镜、设计帧、音乐、从修正中学习,以及发布。其中一些思路即使在小规模配置下也适用:

  • 一个frame.md风格文件(三种颜色加两种字体就是合理的起点),让每一张生成的图形保持一致。
  • 在渲染任何内容之前先审阅并批准一份文字分镜,因为修改计划只需一分钟,而重新渲染会浪费时间和token。
  • 独立的检查员智能体,原则是生成某项素材的模型是最不适合评判它的。
  • 一个偏好文件,记录每一处被批准或否决的裁剪,这样智能体就不会反复问同样的问题。在一次项目运行中,节奏报告标记了16处候选裁剪,其中5处根据过去的决定自动解决。一次隐私检查用OCR扫描了2,086张渲染帧,排查泄露的API密钥、人名或电子邮件地址,没有发现任何问题。

独立创作者该怎么做

对于没有剪辑师、自己发布口播或录屏视频的人来说,这套方法看起来很合适,前提是接受它所要求的纪律。实际操作顺序如下:

  1. 安装FFmpeg、FFprobe、放在.venv里的Python 3、适合你硬件的Whisper变体,以及供HyperFrames使用的Node.js 22或更高版本。渲染那张2秒的测试卡。
  2. 在碰素材之前先写好rules.md和names.md,并在每条提示词里加一句要求智能体验证输出的话。
  3. 先转写,再按音频响度剪静音,画面和声音在同一帧裁剪。
  4. 删除重拍,重新转写以确认,然后读cuts.md而不是重看视频。
  5. 修正人名,按短语边界排版字幕,并把captions.srt作为独立文件上传。
  6. 归一化到-14 LUFS,上限-1.5 dBTP,并检查最终报告。

抵住一句话捷径的诱惑。它省下的是一条提示词,付出的代价是你再也无法信任结果。