🧩 它做什么，不做什么

大多数“AI 视频剪辑”工具的思路是：你给一段素材，它直接吐出一个成品。问题是——如果它剪错了，你几乎没办法干预。video-edit 走的是另一条路：让 AI 负责判断，让 FFmpeg 负责执行，中间用一份结构化的“编辑计划”连接起来。

具体来说，agent 拿到原始素材后，先做分析——探测时长、分辨率、音轨，转写语音，抽帧看画面，识别静音段和节奏点。基于这些信息，agent 生成一份编辑计划（EditPlan），里面写清楚每一刀切在哪里、哪些片段保留、字幕放在什么时间轴位置、BGM 从哪里进入。然后 FFmpeg 照着这份计划逐条执行，渲染出最终视频。

这个设计带来的实际好处是可审计、可复现、可回滚。编辑计划是一个 JSON 或 YAML 文件，你可以读它、改它、用 git 追踪它的变化。FFmpeg 的渲染结果是确定性的——同样的计划，同样的输入，永远得到同样的输出。如果 agent 某一刀切得不对，你改计划里的一个时间戳，重新渲染就行，不需要从头再来。

它的典型能力覆盖：播客/访谈剪辑（砍掉停顿和废话，保留有效对话）、短视频生成（从长视频里挑出高光片段，做成 9:16 竖版）、字幕烧录（逐字或分段字幕，支持多种样式）、多机位同步（用音频波形对齐多个机位，再按计划切换角度）。

📦 第一次怎么装

video-edit 通常以 Agent Skill 的形式分发。在项目根目录执行：

npx skills add computerlovetech/video-edit-cli --skill video-edit-cli

安装完成后，Agent 会获得一个无头的编辑工作台，包含 inspect、transcribe、cut、master、package 等一系列原子命令。唯一的系统依赖是 ffmpeg 和 ffprobe，确保它们在 PATH 里即可。

如果你更喜欢 MCP 方式，也可以用类似下面的配置把 video-edit 挂到 Claude Desktop 或 Cursor 上：

{
  "mcpServers": {
    "video-edit": {
      "command": "npx",
      "args": ["-y", "video-edit-mcp"],
      "env": { "VIDEO_EDIT_WORKSPACE": "/path/to/your/media" }
    }
  }
}

全部处理在本地完成，不上传素材，不需要 API key。

🛠️ 装好之后怎么用

使用方式就是“用自然语言描述你要什么”。比如：

把这段播客里我停顿超过 1.5 秒的地方都砍掉，保留有效对话，加逐字字幕，导出 1080p。

Agent 会按照 skill 里定义的流程走：先 workspace init 初始化项目，再 probe 探测媒体信息，transcribe 转写语音，分析完成后生成编辑计划，最后用 FFmpeg 渲染。每个命令都会输出 JSON 结果，源素材保持不变，所有派生文件旁边会生成一个 .provenance.json，记录这个文件是怎么来的。

如果你用的是 vedit 这类带时间线 UI 的实现，流程会更直观：agent 在对话里说“砍掉前 40 秒，删掉我沉默的段落，屏幕录制加速 2 倍，按音乐节拍切 B-roll，烧入字幕”，时间线上的片段会实时重新排列。它暴露了 77 个 MCP 工具，和鼠标操作调用的是同一套底层指令，没有“只有 AI 能做的事”。

对于多机位场景，video-studio 这类实现会先用音频互相关对齐多个机位，然后在共享时间线上按计划切换角度，处理帧率不匹配和长镜头时钟漂移的问题。

💡 几个让它更好用的技巧

  • 先看 agent 生成的编辑计划，再让它渲染。编辑计划是纯文本的，你可以在渲染之前扫一眼时间戳对不对。这是 video-edit 相对于“一键生成”类工具最大的优势——你有干预的机会。
  • 静音检测的阈值可以调。默认可能是 -30dB 或 0.5 秒，但不同录音环境的底噪不一样。如果 agent 砍得太狠或太松，告诉它“静音阈值调到 -25dB”或者“停顿超过 2 秒才算静音”，它会重新生成计划。
  • 字幕样式在计划里改，不在渲染时改。字体、字号、颜色、位置这些参数都写在 EditPlan 里。改计划比改渲染命令更直接，也不会因为 FFmpeg 参数顺序问题导致样式不生效。
  • 多机位素材先对齐再剪。如果你的素材来自多个机位加独立录音机，让 agent 先跑音频同步，确认波形对齐了再进入剪辑阶段。对齐没做好，后面切得再准也是白搭。
  • 配合 whisper 做词级时间戳。video-edit 本身只负责“切”和“排”，语音转写通常交给 Whisper。用 --word_timestamps 参数拿到每个词的起止时间，agent 才能做出“切在词与词之间”的精准剪辑，而不是切在半个音节上。

🤖 适合哪些 AI 工具

video-edit 是一个标准的 Agent Skill，本质上是一份 SKILL.md 文件，不绑定特定平台。只要你的 AI 编码工具能读取项目目录中的 skill 文件或支持 MCP 协议，就能用。

目前经过验证的兼容工具包括：Claude Code、Cursor、Codex CLI、GitHub Copilot、Windsurf、OpenClaw，以及其他支持 Agent Skill 工作流的工具。在 Claude Code 中安装后，直接输入 /video-edit 或描述剪辑需求即可触发。

需要留意的是，video-edit 的定位是“对已有素材做剪辑”，不是生成视频内容。它不会凭空产生画面，也不会替代 HyperFrames 这类基于 HTML/CSS 的合成框架。如果你的需求是“从零做一个动画视频”，应该走合成路线；如果素材已经在硬盘上了，video-edit 才是正确的入口。