视频剪辑工具 AutoCut勾选句子自动剪出成片【免费下载链接】autocut用文本编辑器剪视频项目地址: https://gitcode.com/GitHub_Trending/au/autocutAutoCut 把视频剪辑换了一个思路先用 Whisper开源语音识别模型对视频做转录把语音转成文字生成一份带复选框的 Markdown 字幕稿。你在文本编辑器里勾住想保留的句子、保存它就自动把对应片段从视频里剪出来拼好。整个剪辑过程不需要碰时间轴也不需要任何剪辑软件。装完依赖后最短的一条命令是pip install autocut-sub autocut -t demo.mp4跑完会在同目录生成demo.srt字幕文件和demo.md待勾选的文本稿。想要完整功能含剪辑和后台监听需要克隆仓库后pip install .安装git clone https://gitcode.com/GitHub_Trending/au/autocut cd autocut pip install .另外系统里必须有 ffmpegUbuntu 上sudo apt install ffmpeg即可。运行方式按场景选一种方式安装/启动适合场景本地 Whisperpip install .CPU 或带 GPU 的单机faster-whisperpip install .[faster]追求更快转录速度OpenAI APIpip install .[openai]无本地算力走云端DockerDockerfileCPU/Dockerfile.cudaGPU不想污染本机的环境环境跑通后来看代码是怎么分工的。 代码全景四个功能域怎么分工命令行入口autocut/main.py是唯一的参数解析层声明了-t转录、-c剪辑、-d监听目录、-msrt 转 md、-s压缩 srt五个动作然后按需导入对应模块执行。autocut/type.py则定义了模型大小、转录模式、语言这三组枚举供命令行做参数校验。转录链路autocut/transcribe.py里的Transcribe类负责编排先用 ffmpeg 加载音频跑 Silero VAD语音活动检测找出哪些时间段有人声再逐段调模型转录最后写出.srt和.md。模型本身在autocut/whisper_model.py它用一个抽象基类包住三种后端本地 Whisper、OpenAI 云端 API、faster-whisper。剪辑与合并autocut/cut.py里有两个类。Cutter解析你在 md 里勾中的字幕索引把连续句子合并成时间区间用 moviepy 切片、拼接、导出*_cut.mp4Merger则读取目录里的autocut.md把多个剪好的视频按你勾选的顺序拼成最终成片。后台监听autocut/daemon.py是个死循环扫描目录里的媒体文件缺.srt/.md就补转录md 标记编辑完成就自动剪辑最后生成/刷新autocut.md供合并。录制软件把视频丢进目录全程不用人管。整条数据流是这样的视频 → load_audio → VAD 分段 → Whisper 转录 → .srt .md → 勾选句子 → Cutter → *_cut.mp4 → Merger → autocut_merged.mp4⚙ 值得拧的几个配置旋钮所有配置都是命令行参数改完立即生效不存在需要编辑的配置文件配置项默认值作用何时需要改--whisper-modelsmall转录模型大小tiny 到 large-v2转录不准换medium/large机器慢换tiny/base--whisper-modewhisper选本地、faster或openai后端没有 GPU 时改用faster或openai--langzh指定转录语言录英文内容时传en能明显提升准确率--bitrate10m输出视频码率对画质要求高时调大如20m--encodingutf-8字幕与 md 文件编码编辑器打开乱码时换gbk注意生成和剪辑两次要一致--device自动强制cpu或cuda转录想用 large 模型但显存不够时强制cpu--vadauto开/关/自动语音活动检测转录把大段静音误识别时可以试试0关掉--force关允许覆盖已存在的输出文件想对同一视频重跑时加上调优建议有 GPU 时优先加模型--whisper-model large质量提升最明显纯 CPU 时优先换后端--whisper-mode faster速度提升最明显。 三个典型场景走一遍场景 1剪一条口播视频你录了一段 20 分钟的教程想只留干货部分。autocut -t lecture.mp4 # 用 Typora 或 VS Code 打开 lecture.md勾选想保留的句子 # 把开头的 Mark if you are done editing 也勾上保存 autocut -c lecture.mp4 lecture.srt lecture.md产物是lecture_cut.mp4和lecture_cut.md时长只有你勾中的句子。在 Typora 里编辑的体验长这样不想用 Markdown 也行直接在.srt里删掉不要的句子然后autocut -c lecture.mp4 lecture.srt不传 md 即可。场景 2录屏目录挂机自动处理用 OBS 录屏时把文件名格式改成按日期分文件夹%CCYY-%MM-%DD/%hh-%mm-%ss然后一条命令监听autocut -d 2026-09-19录完一个视频丢进目录AutoCut 会在几秒内补上.srt和.md你勾好句子保存它自动剪出*_cut.mp4每轮还会刷新目录里的autocut.md。整个过程命令一直挂着人只管编辑。场景 3多段素材合并成一支成片同一天剪出几支*_cut.mp4后在目录的autocut.md里勾选要进入正片的片段再勾选完成标记。监听进程检测到后会输出autocut_merged.mp4和对应字幕文件按你勾选的顺序拼接。不挂监听的话这一步由autocut -d 目录手动触发即可。 进阶方向与常见坑进阶方向按投入从小到大换转录后端--whisper-modeopenai走云端 API需export OPENAI_API_KEYsk-xxx用--openai-rpm控制速率本地零算力也能跑--whisper-modefaster用 faster-whisper 换速度。当库调用项目支持from autocut import Transcribe, load_audio可以把转录能力嵌进自己的流水线见autocut/package_transcribe.py。容器化部署仓库自带DockerfileCPU和Dockerfile.cudaGPU把视频目录挂载进容器即可适合固定在服务器上做批处理。两个高频坑输出乱码。默认编码是utf-8Windows 老编辑器可能按 GBK 解码。用--encodinggbk生成时剪辑那一步也必须带同样的编码两次不一致会直接报错。另外 Typora 打开 gbk 文件后可能自动转码编辑完建议换回 VS Code 存成目标编码再剪。GPU 显存不够报 OOM。large 模型吃显存要么降回small要么--device cpu强制跑 CPU后者慢但不报错。深入读一遍 transcribe.py 的 VAD 分段逻辑和 cut.py 的时间区间合并就能理解勾句子到剪片段之间的全部映射关系。【免费下载链接】autocut用文本编辑器剪视频项目地址: https://gitcode.com/GitHub_Trending/au/autocut创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 视频剪辑工具 AutoCut：勾选句子，自动剪出成片
视频剪辑工具 AutoCut勾选句子自动剪出成片【免费下载链接】autocut用文本编辑器剪视频项目地址: https://gitcode.com/GitHub_Trending/au/autocutAutoCut 把视频剪辑换了一个思路先用 Whisper开源语音识别模型对视频做转录把语音转成文字生成一份带复选框的 Markdown 字幕稿。你在文本编辑器里勾住想保留的句子、保存它就自动把对应片段从视频里剪出来拼好。整个剪辑过程不需要碰时间轴也不需要任何剪辑软件。装完依赖后最短的一条命令是pip install autocut-sub autocut -t demo.mp4跑完会在同目录生成demo.srt字幕文件和demo.md待勾选的文本稿。想要完整功能含剪辑和后台监听需要克隆仓库后pip install .安装git clone https://gitcode.com/GitHub_Trending/au/autocut cd autocut pip install .另外系统里必须有 ffmpegUbuntu 上sudo apt install ffmpeg即可。运行方式按场景选一种方式安装/启动适合场景本地 Whisperpip install .CPU 或带 GPU 的单机faster-whisperpip install .[faster]追求更快转录速度OpenAI APIpip install .[openai]无本地算力走云端DockerDockerfileCPU/Dockerfile.cudaGPU不想污染本机的环境环境跑通后来看代码是怎么分工的。 代码全景四个功能域怎么分工命令行入口autocut/main.py是唯一的参数解析层声明了-t转录、-c剪辑、-d监听目录、-msrt 转 md、-s压缩 srt五个动作然后按需导入对应模块执行。autocut/type.py则定义了模型大小、转录模式、语言这三组枚举供命令行做参数校验。转录链路autocut/transcribe.py里的Transcribe类负责编排先用 ffmpeg 加载音频跑 Silero VAD语音活动检测找出哪些时间段有人声再逐段调模型转录最后写出.srt和.md。模型本身在autocut/whisper_model.py它用一个抽象基类包住三种后端本地 Whisper、OpenAI 云端 API、faster-whisper。剪辑与合并autocut/cut.py里有两个类。Cutter解析你在 md 里勾中的字幕索引把连续句子合并成时间区间用 moviepy 切片、拼接、导出*_cut.mp4Merger则读取目录里的autocut.md把多个剪好的视频按你勾选的顺序拼成最终成片。后台监听autocut/daemon.py是个死循环扫描目录里的媒体文件缺.srt/.md就补转录md 标记编辑完成就自动剪辑最后生成/刷新autocut.md供合并。录制软件把视频丢进目录全程不用人管。整条数据流是这样的视频 → load_audio → VAD 分段 → Whisper 转录 → .srt .md → 勾选句子 → Cutter → *_cut.mp4 → Merger → autocut_merged.mp4⚙ 值得拧的几个配置旋钮所有配置都是命令行参数改完立即生效不存在需要编辑的配置文件配置项默认值作用何时需要改--whisper-modelsmall转录模型大小tiny 到 large-v2转录不准换medium/large机器慢换tiny/base--whisper-modewhisper选本地、faster或openai后端没有 GPU 时改用faster或openai--langzh指定转录语言录英文内容时传en能明显提升准确率--bitrate10m输出视频码率对画质要求高时调大如20m--encodingutf-8字幕与 md 文件编码编辑器打开乱码时换gbk注意生成和剪辑两次要一致--device自动强制cpu或cuda转录想用 large 模型但显存不够时强制cpu--vadauto开/关/自动语音活动检测转录把大段静音误识别时可以试试0关掉--force关允许覆盖已存在的输出文件想对同一视频重跑时加上调优建议有 GPU 时优先加模型--whisper-model large质量提升最明显纯 CPU 时优先换后端--whisper-mode faster速度提升最明显。 三个典型场景走一遍场景 1剪一条口播视频你录了一段 20 分钟的教程想只留干货部分。autocut -t lecture.mp4 # 用 Typora 或 VS Code 打开 lecture.md勾选想保留的句子 # 把开头的 Mark if you are done editing 也勾上保存 autocut -c lecture.mp4 lecture.srt lecture.md产物是lecture_cut.mp4和lecture_cut.md时长只有你勾中的句子。在 Typora 里编辑的体验长这样不想用 Markdown 也行直接在.srt里删掉不要的句子然后autocut -c lecture.mp4 lecture.srt不传 md 即可。场景 2录屏目录挂机自动处理用 OBS 录屏时把文件名格式改成按日期分文件夹%CCYY-%MM-%DD/%hh-%mm-%ss然后一条命令监听autocut -d 2026-09-19录完一个视频丢进目录AutoCut 会在几秒内补上.srt和.md你勾好句子保存它自动剪出*_cut.mp4每轮还会刷新目录里的autocut.md。整个过程命令一直挂着人只管编辑。场景 3多段素材合并成一支成片同一天剪出几支*_cut.mp4后在目录的autocut.md里勾选要进入正片的片段再勾选完成标记。监听进程检测到后会输出autocut_merged.mp4和对应字幕文件按你勾选的顺序拼接。不挂监听的话这一步由autocut -d 目录手动触发即可。 进阶方向与常见坑进阶方向按投入从小到大换转录后端--whisper-modeopenai走云端 API需export OPENAI_API_KEYsk-xxx用--openai-rpm控制速率本地零算力也能跑--whisper-modefaster用 faster-whisper 换速度。当库调用项目支持from autocut import Transcribe, load_audio可以把转录能力嵌进自己的流水线见autocut/package_transcribe.py。容器化部署仓库自带DockerfileCPU和Dockerfile.cudaGPU把视频目录挂载进容器即可适合固定在服务器上做批处理。两个高频坑输出乱码。默认编码是utf-8Windows 老编辑器可能按 GBK 解码。用--encodinggbk生成时剪辑那一步也必须带同样的编码两次不一致会直接报错。另外 Typora 打开 gbk 文件后可能自动转码编辑完建议换回 VS Code 存成目标编码再剪。GPU 显存不够报 OOM。large 模型吃显存要么降回small要么--device cpu强制跑 CPU后者慢但不报错。深入读一遍 transcribe.py 的 VAD 分段逻辑和 cut.py 的时间区间合并就能理解勾句子到剪片段之间的全部映射关系。【免费下载链接】autocut用文本编辑器剪视频项目地址: https://gitcode.com/GitHub_Trending/au/autocut创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考