引言

口播视频创作中，剪辑口误、删除静音、添加字幕等后期工作往往耗时费力，传统剪辑工具需要手动逐帧操作，效率低下且容易遗漏。videocut-skills的开源为创作者带来了福音，作为专为Claude Code设计的视频剪辑技能包，它将AI智能与视频剪辑深度结合，实现口误识别、静音删除、字幕生成等核心功能的自动化，让口播视频后期处理从“小时级”压缩到“分钟级”。本文将从项目概况、核心优势与应用、技术原理与部署实践三方面，全面解析这款高效剪辑工具。

项目概况

videocut-skills是Ceeon团队开发的Claude Code专属视频剪辑Agent，基于MIT开源协议，目前在GitHub收获494 stars、108 forks，于2026年1月15日正式发布，核心定位是“口播视频自动化后期处理工具”。

该项目以Claude Code Skills为载体，集成了口误识别、静音检测、语气词处理、字幕生成、自更新五大核心功能，无需手动操作时间轴，仅通过简单命令即可完成口播视频的全流程优化。项目依赖Python 3.8+环境，核心技术支撑包括FFmpeg（视频处理）、FunASR（口误识别）、Whisper large-v3（字幕转录），模型总大小约5GB，安装过程自动化，无需复杂配置。

项目采用模块化设计，包含“剪口播”“剪辑”“字幕”“安装”“自更新”五大技能模块，支持从视频转录、问题片段识别、剪辑执行到字幕烧录的全流程自动化，还能学习用户剪辑偏好，越用越贴合个人需求，大幅降低口播创作者的后期制作成本。

核心优势与应用场景

核心技术优势

1. 全流程自动化，效率大幅提升：从视频转录、口误/静音/语气词识别，到剪辑执行、字幕生成，全程无需手动干预，仅需用户确认审查稿，将口播视频后期处理时间缩短80%以上。
2. 精准识别能力，处理更干净：基于FunASR专业语音识别模型，实现逐字级口误检测，精准定位“嗯”“啊”“哎”等语气词，同时自动识别≥1秒的静音片段，识别准确率高，避免遗漏或误删。
3. 高质量字幕生成，省心省力：采用Whisper large-v3模型转录文本，搭配词典纠正功能优化字幕准确性，生成质量优于传统剪辑工具，还支持自动烧录到视频中，无需额外编辑。
4. 个性化自更新，越用越顺手：支持用户反馈剪辑偏好，Agent会记录并更新处理规则，适配不同创作者的语言习惯（如特定语气词、口误类型），实现个性化剪辑效果。
5. 操作极简，上手门槛低：通过Claude Code命令触发功能，无需学习复杂的剪辑软件操作，仅需输入/videocut:剪口播等简单指令，即可启动对应功能，非技术用户也能快速掌握。
6. 深度集成Claude Code，生态协同：作为Claude Code Skills，可与Claude的文本理解、对话交互能力深度协同，支持自然语言描述剪辑需求，进一步降低操作复杂度。

典型应用场景

1. 口播博主日常创作：自媒体、知识博主制作口播视频时，快速处理录制过程中的口误、静音和语气词，搭配自动字幕生成，大幅缩短后期制作周期，专注内容创作。
2. 直播回放剪辑：将长时长直播回放自动处理为短视频片段，删除无效静音、重复表述，保留核心内容并添加字幕，提升短视频生产效率。
3. 在线课程制作：教师录制教学视频后，通过工具快速优化音频流畅度，删除口误和长时间停顿，生成清晰字幕，提升课程观看体验。
4. 企业宣传口播：企业制作产品介绍、品牌宣传等口播视频时，确保内容流畅专业，避免口误影响品牌形象，同时降低后期制作成本。
5. 新手创作者入门：对剪辑操作不熟悉的新手，无需学习复杂软件，通过简单命令即可完成专业级后期处理，快速产出高质量口播视频。
6. 批量视频处理：需要同时处理多个口播视频（如系列课程、多集短视频）时，工具的自动化能力可显著提升批量生产效率，保证所有视频的处理质量一致。

技术原理与部署实践

核心技术原理

videocut-skills的技术核心围绕“语音识别-智能决策-视频处理-字幕生成”的自动化流程展开，各模块协同实现高效剪辑：

1. 语音转录与识别模块：基于Whisper large-v3模型将视频中的语音转换为文本，同时通过FunASR模型进行语音分析，精准识别口误、语气词（基于语音特征与文本语义匹配）和静音片段（基于音频能量阈值检测）。
2. 智能决策模块：Claude Code根据识别结果生成视频审查稿，标记需要删除的片段位置与原因，等待用户确认后，制定剪辑方案（如片段删除范围、剪辑顺序）。
3. 视频剪辑模块：调用FFmpeg工具执行剪辑操作，按决策方案删除冗余片段，同时支持循环审查机制，剪辑后重新检测是否存在遗漏的口误/静音，确保处理干净。
4. 字幕生成与烧录模块：Whisper转录的文本经词典纠正后，生成标准字幕文件（如SRT格式），再通过FFmpeg将字幕烧录到视频中，支持调整字幕样式与位置。
5. 自更新模块：记录用户的反馈（如保留特定语气词、调整静音检测阈值），更新内部处理规则库，实现个性化适配。

环境搭建与部署

1. 前置准备

确保已安装Claude Code，且本地环境满足：

• Python 3.8+
• 足够的存储空间（模型下载约需5GB）
• 网络通畅（用于下载依赖与模型）

2. 安装技能包

# 克隆项目到Claude Code的skills目录（适配macOS/Linux）
git clone https://github.com/Ceeon/videocut-skills.git ~/.claude/skills/videocut

# Windows系统克隆命令
git clone https://github.com/Ceeon/videocut-skills.git %USERPROFILE%\.claude\skills\videocut

3. 自动安装依赖与模型

打开Claude Code，在对话框中输入以下命令，Agent会自动安装FFmpeg、FunASR、Whisper等依赖，并下载对应模型：

/videocut:安装

等待安装完成（约5-10分钟，取决于网络速度），出现“安装成功”提示即可使用。

核心功能使用示例

示例1：口播视频优化全流程

# 1. 上传口播视频到Claude Code（支持本地文件或URL）
# 2. 触发口误/静音识别，生成审查稿
/videocut:剪口播

# 3. 查看Claude Code生成的审查稿，确认需要删除的片段
# （审查稿示例：00:01:23-00:01:25 识别到语气词"嗯"；00:03:10-00:03:12 识别到静音片段）

# 4. 确认后执行剪辑，循环审查直到无冗余片段
/videocut:剪辑

# 5. 生成并烧录字幕
/videocut:字幕

# 6. 反馈偏好，让Agent自更新（如"保留'其实'这个词，静音检测阈值调整为1.5秒"）
/videocut:自更新 保留"其实"这个词，静音检测阈值调整为1.5秒

示例2：单独生成并烧录字幕

# 仅对已剪辑好的视频添加字幕
/videocut:字幕 请为这个视频生成中文字幕并烧录，字幕颜色为白色，字体大小24号

示例3：批量处理多个视频

# 上传多个口播视频后，触发批量处理
/videocut:剪口播 请批量处理所有上传的视频，删除口误、语气词和≥1秒的静音，处理完成后统一生成字幕并烧录

注意事项

1. 模型下载：首次安装需下载约5GB模型，建议在网络通畅的环境下进行，避免中断；
2. 视频格式支持：支持主流视频格式（MP4、MOV、AVI等），若遇到格式不兼容问题，可先通过FFmpeg转换为MP4格式；
3. 审查确认：剪辑前务必查看审查稿，避免Agent误删重要内容，尤其是专业术语、特定表述等；
4. 性能要求：处理长时长视频（如1小时以上）时，建议确保设备有足够的内存（≥8GB）和CPU/GPU性能，提升处理速度；
5. 字幕优化：若字幕存在个别错误，可手动反馈给Agent，触发自更新功能，后续生成的字幕准确性会逐步提升。

该项目及相关内容已AladdinEdu课题广场同步发布，欢迎前往了解更多技术实现与资源
项目地址：AladdinEdu课题广场