AutoClip：用 AI 自动从长视频中剪出精华片段

一个基于 AI 的智能视频切片系统，能自动从 YouTube、B站等平台的长视频中提取精彩片段，省去手动剪辑的痛苦。

AutoClip 封面

一、为什么需要 AutoClip？

做过短视频二次创作的人都知道，最耗时的不是剪辑本身，而是找素材——从一个几十分钟甚至几小时的长视频里，人工筛选出值得剪辑的片段，光是看完就要花大量时间。

AutoClip 就是为了解决这个问题。它利用大语言模型（LLM）自动分析视频内容结构，识别出最有看点的片段，打分排序后自动裁剪输出。整个过程几乎不需要人工干预。

AutoClip 处理流水线

二、它是怎么工作的？

AutoClip 采用流水线式的处理架构，一共 7 个步骤：

graph LR
    A[视频下载] --> B[AI提取大纲]
    B --> C[时间线分析]
    C --> D[片段打分]
    D --> E[标题生成]
    E --> F[合集推荐]
    F --> G[视频合成输出]

各步骤说明：

步骤 做什么 怎么做
视频下载 从 YouTube/B站获取视频和字幕 yt-dlp + Cookie 认证
AI 提取大纲 分析视频主题和结构 阿里通义千问 LLM
时间线分析 检测话题切换的时间点 AI 结合字幕时间戳
片段打分 评估每个片段的吸引力 多维度评分算法
标题生成 为每个片段生成吸引眼球的标题 LLM 生成
合集推荐 建议片段分组方式 AI 主题聚类
视频合成 裁剪并输出最终视频文件 FFmpeg

三、技术架构一览

AutoClip 是一个标准的前后端分离全栈项目，技术选型非常现代化：

graph TB
    subgraph 前端
        A[React 18 + TypeScript]
        B[Ant Design UI]
        C[Zustand 状态管理]
        D[Vite 构建]
    end
    subgraph 后端
        E[FastAPI]
        F[Celery 异步任务]
        G[Redis 消息队列]
        H[SQLite / PostgreSQL]
    end
    subgraph AI引擎
        I[阿里 DashScope API]
        J[通义千问 LLM]
    end
    subgraph 工具链
        K[yt-dlp 视频下载]
        L[FFmpeg 视频处理]
    end
    A --> E
    E --> F
    F --> G
    F --> I
    E --> H
    F --> K
    F --> L

后端核心

  • FastAPI：高性能 Python Web 框架，自带 Swagger 文档，开发体验极佳
  • Celery + Redis：视频处理是重计算任务，用 Celery 做异步任务队列，Redis 当消息中间件，避免阻塞主线程
  • WebSocket：实时推送处理进度到前端，用户不用反复刷新页面

前端核心

  • React 18 + TypeScript：类型安全的现代前端方案
  • Ant Design：企业级 UI 组件库，开箱即用
  • Zustand：比 Redux 轻量得多的状态管理方案，代码更简洁

AI 引擎

项目使用阿里云的 DashScope API（通义千问大模型）做内容分析。LLM 负责理解视频的语义结构，而不仅仅是简单的音频切割。这是 AutoClip 和传统视频切片工具的核心区别——它真正理解内容。

四、核心功能详解

4.1 多平台视频源

AutoClip 支持三种视频输入方式：

  • YouTube 链接：粘贴链接即可下载，支持 Cookie 认证绕过地区限制
  • B站视频：支持多账号管理、Cookie 导入，自动获取字幕
  • 本地上传：直接上传视频文件，支持附带字幕文件

4.2 智能片段分析

这是 AutoClip 最核心的能力。系统不是简单地按时间均匀切割，而是：

  1. 先通过字幕理解整个视频在讲什么
  2. 找到话题切换的自然断点
  3. 对每个片段进行多维度打分（话题热度、情感强度、信息密度等）
  4. 自动生成有吸引力的标题

4.3 合集管理

切出来的片段可以组织成合集：

  • AI 自动推荐分组方式
  • 支持手动拖拽排序
  • 方便批量管理和发布

4.4 实时进度追踪

通过 WebSocket 连接，处理过程中的每一步进度都会实时推送到前端界面。你可以清楚看到当前处理到了哪一步，预计还需要多久。

五、快速上手

Docker 部署（推荐）

最简单的方式，三行命令搞定：

1
2
3
git clone https://github.com/zhouxiaoka/autoclip.git
cd autoclip
./docker-start.sh

要求：Docker 20.10+，至少 4GB 内存

本地部署

如果你想自己折腾，需要准备：

  • Python 3.9+
  • Node.js 18+
  • Redis 6.0+
  • FFmpeg
  • 至少 8GB 内存、10GB 磁盘空间

安装步骤：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
# 1. 克隆项目
git clone https://github.com/zhouxiaoka/autoclip.git
cd autoclip

# 2. 后端环境
python -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate
pip install -r requirements.txt

# 3. 前端环境
cd frontend
npm install
cd ..

# 4. 配置环境变量（复制 .env.example 并修改）
cp .env.example .env
# 编辑 .env 填入 DashScope API Key 等配置

关键配置项

变量名 说明
API_DASHSCOPE_API_KEY 阿里云 DashScope API 密钥
API_MODEL_NAME 使用的大模型名称
REDIS_URL Redis 连接地址
DATABASE_URL 数据库连接字符串
UPLOAD_DIR 上传文件存储路径
PROJECT_DIR 项目数据存储路径

启动后，可以通过以下地址访问：

  • 前端界面：http://localhost:3000
  • API 文档（Swagger）：http://localhost:8000/docs
  • API 文档（ReDoc）：http://localhost:8000/redoc

六、项目结构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
autoclip/
├── backend/            # 后端代码
│   ├── api/           # API 路由定义
│   ├── core/          # 核心配置
│   ├── models/        # 数据模型
│   ├── services/      # 业务逻辑
│   ├── tasks/         # Celery 异步任务
│   ├── pipeline/      # 处理流水线各阶段
│   └── utils/         # 工具函数
├── frontend/           # 前端代码
│   ├── src/
│   │   ├── components/ # React 组件
│   │   ├── pages/      # 页面模板
│   │   ├── services/   # API 调用封装
│   │   └── stores/     # Zustand 状态管理
│   └── package.json
├── docker-compose.yml  # Docker 编排
├── docker-start.sh     # 一键启动脚本
└── requirements.txt    # Python 依赖

七、适用场景

  • 短视频创作者：从长播客、访谈、直播回放中快速提取精华片段
  • 知识博主：从课程视频中自动切出知识点片段
  • 运营团队：批量处理视频素材，提高内容生产效率
  • 个人用户：收藏长视频的精彩时刻

八、目前的局限与展望

项目仍在积极开发中，有几个功能尚未完成：

  • 自动上传：B站等平台的自动上传功能还在开发中
  • 字幕编辑器：可视化字幕编辑、多语言字幕支持即将上线
  • 移动端适配：目前主要面向桌面端使用

不过核心的 AI 分析 + 自动切片流程已经可用，值得一试。

九、总结

AutoClip 的核心价值在于把「AI 理解内容」这件事融入了视频剪辑流程。它不是简单粗暴地按时间切片，而是真正理解视频在讲什么，然后智能地找出最有价值的部分。

对于需要大量处理长视频的创作者来说，这类工具可以节省大量人工筛选时间，让你把精力集中在创意和后期精修上。

项目地址：https://github.com/zhouxiaoka/autoclip