AI视频剪辑怎么做：每项功能做什么、什么时候用

AI 视频剪辑软件能做什么，不能做什么

AI 视频剪辑软件，就是在普通剪辑软件上给特定任务接了模型。这些模型能听懂语音、跟踪人脸和物体、把人声从噪音里分离出来，或者生成新的像素。截至本文撰写时，剪映、Premiere Pro、DaVinci Resolve 和 Descript 都有类似功能，只是叫法不同。

理解 AI 剪辑，最实用的办法是分成两类。分析类功能是在素材里找东西：字词、停顿、人脸、节拍、镜头切换。它们省时间，也容易检查。生成类功能是创造新的画面或声音：放大出的细节、补出的中间帧、扩展的背景、新的 B-roll。它们可能加入从未拍摄过的内容，所以要更仔细地检查，画面逼真时还要声明。

AI 不会替你决定视频讲什么。它判断不了一段长对话里哪 60 秒对你的观众最有吸引力，也分不清哪个停顿是戏剧性的留白，哪个只是冷场。这些判断仍然要你来做。

AI 剪辑功能一览

这些功能里有好几项背后有公开发表的研究，可以直接读：实时插帧的 RIFE、真实世界图像超分辨率的 Real-ESRGAN、音频声源分离的 Hybrid Demucs，以及语音识别的 Whisper。商业软件用的是自家的模型，但优势和失误的方式大体相似。

工作流：把长录音剪成 60 秒短视频

举一个完整的例子。你手上有一段 40 分钟的双人播客横屏录像，想剪出一条 60 秒的竖屏短视频，同时发 Shorts、抖音和 Reels。

1. 转写整段录音。现在你有了带时间码、可搜索的文字。
2. 找到精彩片段。通读或搜索文字稿，找一段单独拿出来也说得通的内容：一个清楚的问答、一个鲜明的观点、一个出人意料的数字。标出两三个候选。
3. 估算字数。英语口语大约每秒 2.5 到 3 个词，60 秒大约能放 150 到 180 个词。选一段 200 到 250 词的内容，因为后面还要删。
4. 按文字稿出粗剪。删掉跑题的句子和观众不需要的铺垫。从最有意思的那句话开始，不要从寒暄开始。
5. 执行去静音和去口头禅，然后听一遍。把有意义的停顿放回去，比如包袱前的那一拍。
6. 清理音频。用适中的强度降噪或分离人声，并戴耳机和原声对比。
7. 重构成 9:16。让自动重构跟着说话的人走，然后检查每一次说话人切换的剪点。修正裁切窗口里出现空椅子的地方。
8. 加字幕。校对人名和数字，文字要放在安全区内。
9. 加开头钩子。确保第一帧就是说话人的脸，光线好，而且正说到一半。在我们的测试中，开头一秒偏慢或偏暗，观众还没来得及看就划走了。
10. 导出一个 1080×1920 的高质量母版，同一个文件发到每个平台。

如果你的剪辑软件没有重构功能，可以用 ffmpeg 做固定裁切。下面的命令依次完成：截出选好的片段、列出停顿、把双人镜头的左半边裁成 9:16：

# 1) Cut the chosen passage (from 12:04 to 13:15) out of the recording
ffmpeg -ss 00:12:04 -to 00:13:15 -i podcast.mp4 -c:v libx264 -crf 18 -c:a aac -b:a 192k segment.mp4

# 2) List pauses longer than 0.6 s that are quieter than -35 dB
ffmpeg -i segment.mp4 -af silencedetect=noise=-35dB:d=0.6 -f null - 2>&1 | grep silence_

# 3) Fixed 9:16 crop around the left speaker of a 1920x1080 frame
ffmpeg -i segment.mp4 -vf "crop=608:1080:180:0,scale=1080:1920:flags=lanczos,setsar=1" \
  -c:v libx264 -crf 18 -pix_fmt yuv420p -c:a copy vertical.mp4

第 3 步中，crop=608:1080:180:0 取的窗口宽 608、高 1080 像素，从距离左边缘 180 像素处开始。608 比 1080 已经很接近 9:16，随后的缩放步骤再把它变成正好 1080×1920。改第三个数字就可以移动窗口。

正确的操作顺序

顺序很重要，因为有些步骤会破坏后续步骤需要的信息，有些工作做得太早就白做了。

1. 先选定并剪好内容。之后每一步处理的素材都更少。
2. 先清理音频再加字幕，让语音识别听到的是清晰的人声。
3. 先重构再加字幕，这样文字就是放在最终画面上的。
4. 调色匹配放在导出前，等所有素材都上了时间线之后。
5. 放大放在最后，对成片只做一次。每段素材先放大再剪，会成倍增加渲染时间，而且不同的设置会让镜头之间观感不匹配。
6. 只保留一个母版文件。每个 App 都会对你的上传再压缩一遍，每多一次重新编码都会多一份压缩痕迹。

生成类功能与声明义务

分析类功能很少引发问题，生成类功能则可能。YouTube 的披露政策要求创作者标注用 AI 制作或修改的逼真内容，比如真人看起来说了他没说过的话、被篡改的真实事件画面，或根本没发生过的逼真场景。同一页也列出了不需要披露的编辑，包括调色、美颜滤镜、生成字幕和协助制作的工作。

实际来说：字幕、去静音、降噪和调色匹配不会改变镜头前发生的事。而生成的逼真街景 B-roll、给画面加上人物的延长镜头，或在视频里换脸，就会。如果观众可能把生成的部分当成真实素材，就要标注。TikTok、抖音等平台各自有 AI 内容标识，中国和欧盟也有标识规则，详见我们的 AI 内容标识指南。

局限与常见错误

• 到处都是跳剪。删掉所有停顿，说话人的头会在画面间一跳一跳。用大约 10% 到 15% 的推镜、一段 B-roll 或字幕变化盖住一部分剪点，同时保留一些自然的停顿。
• 丢失上下文。从长对话里剪出的短片段可能改变说话人的原意。多读一读片段前后的句子，不要把引语剪成相反的意思。
• 人声处理过度。强降噪会让声音听起来单薄或像机器人。用能去掉干扰的最低强度，并保留一点环境底噪。
• 放大时凭空编细节。超分辨率模型是在猜细节。人脸可能略有变化，小字可能变成假字母。要在大屏幕上把放大后的母版和原片对比。
• 对快速运动做插帧。新生成的中间帧都是猜出来的。手部、旋转的物体和交错的人物经常变形。插帧只用于缓慢、简单的运动。
• 盲信自动重构。自动重构跟踪的是运动和人脸，而不是语义。在双人对谈里，它可能一直停在错误的人身上。每次说话人切换都要检查。
• 一上来就用 AI 处理完整的原始录像。先选好要用的片段再做繁重的处理，更快，需要检查的内容也更少。

短片段用免费的 AI 视频剪辑软件往往就够了。比较选项时，不要看排名，要看对你有用的几项：导出有没有水印、导出分辨率、文件是在本机处理还是要上传，以及字幕支持哪些语言。关于成片的比例和尺寸，请看我们的短视频尺寸指南。