直播切片不是“让 AI 从逐字稿里挑 5 个高分段落”，而是把整场直播变成一套覆盖完整时间轴、每个判断可追溯、关键结果由人确认的制作流水线。

刷到六水老师@Clara_J_0529需要直播切片工作流的那条帖子后， 我发现评论区里大家对 AI 自动剪辑的兴趣很高。

周末在六水老师同意下，用她的直播录像做了一个直播切片工作流的 demo，也得到了六水老师的肯定。

六水老师对直播切片工作流 demo 的反馈

下面分享一下我在制作过程中的心得。

第一版的问题：只筛了 5 个预选区间

我第一版上来就犯了一个错误。

第一版工作流存在漏审风险

刚开始没想到六水老师的直播信息密度太大，以至于我最开始设置的是让系统给我做 5 个切片。

结果发现，因为我开始时的表述不准确，Codex 并没有遍历全部时间轴，选出所有满足评分的片段再排序，而是人工预选了 5 个子区间，再从中筛选出 5 个片段。

修改后，工作流覆盖完整时间轴并保留全部高分候选

最终，将近1 小时的直播录像粗筛出 33 个区间，按主题和 50% 时间重叠去重后保留 20 个候选片段。可见六水老师的直播信息密度确实很高，全程都有内容。

视频剪辑首先要确定基准时间轴

传统剪辑软件以时间轴为基础进行剪辑，AI 剪辑也一样要找到一条不变的时间轴。对于口播视频来说，这条基准时间轴就是原片和音频。

完整流程

四个角色如何分工

  • Whisper.cpp：生成带时间码的逐字稿。
  • Agent：理解、评分、记录证据、推荐候选与切点。
  • 人：批准内容、切点、视觉和标题。
  • Remotion：预览已经作出的决定并渲染视频。

工作流为什么必须有人参与

说个反常识的点，很多人认为工作流一定要做成一键出片等全自动形式才行，其实不然，工作流一定要有人参与进来。

人工参与的核心价值是：

  • 内容价值不能只由分数决定。
  • 切点会改变原话语义。
  • 冷开场可能制造误导。
  • 竖屏裁切可能遮挡人物和信息。
  • 标题可能夸大实际内容。

把“高光”变成可量化的切片规则

直播切片最重要的一点，就是教会 AI 如何识别精彩片段。你需要把自己对精彩片段的理解，拆分、抽象成 AI 可以量化的规则。

这里我设置了口播精彩片段的判断标准。每个候选片段按以下 6 个维度评分，并保存证据：

  • 内容完整度 30 分：单独观看能理解前因、观点和结论。
  • 信息价值 20 分：包含方法、结论、案例、反常识或明确回答。
  • 开头吸引力 20 分：前 3-5 秒存在问题、冲突、结果或强判断。
  • 情绪与表达 10 分：表达集中、有态度、有明显情绪变化。
  • 可剪辑性 10 分：起止点完整，没有切断词语或关键上下文。
  • 平台适配度 10 分：能在目标时长内成立，字幕和画面可读。
    这套规则需要根据视频类型进行相应修改，不能用一个模板覆盖所有内容。

为什么用 Remotion，而不是 HyperFrames

直播切片使用 Remotion，核心不是为了“动效更炫”，而是为了守住一条可审核的视频时间轴。

简单列一下两者的不同：

所以，Remotion 与 HyperFrames 不是谁更高级，而是分工不同：

  • 直播切片、口播、录屏、字幕同步、可回放审核：Remotion 做主引擎。
  • 不依赖真实素材的纯动画片段，例如片头、数据可视化、概念演示：HyperFrames 可以单独制作，最后作为一个已确认的视频素材交给 Remotion 拼入成片。

把一次剪辑沉淀成可复用工作流

完成工作流后，再让 Codex 沉淀这次可以复用的内容。例如，时间轴、审计和确认机制可以固定；裁切、字幕、节奏和模板则要根据视频类型制作多个版本。

最后把这些内容整理为模板规则，方便 Agent 下次工作时直接读取。

总结

真正值得自动化的，是转录、覆盖扫描、评分记录、派生母版和渲染。

不能交给自动化的，是内容价值、切点和最终效果的确认。

来源：@Jasper_Wei1 · 发布于 2026-07-20 23:39:18 · 原文链接