企业官网建设流程全解析

5条命令让AutoCut剪掉视频废话，部署和回滚都是秒级操作

【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

晚上十一点，我盯着一个两小时的教学录像发愁。里面三成是口误、重复和长时间沉默，手动拖动时间轴剪到怀疑人生。后来我碰到一个叫AutoCut的工具，思路很反直觉：它先用Whisper把视频转成带时间戳的字幕，然后你像改作文一样删掉不要的句子，它替你剪出成片。说白了，就是用文本编辑器剪视频——部署上它，再随时能回滚，就是这篇文章要带你走的路。

先让它转起来：5条命令跑通一次

别急着看文档全貌，先让它跑起来再说。前提只有两个：Python 3和ffmpeg，后者负责最后真正动刀剪视频。

先装ffmpeg（Docker里已经内置，跳过即可）：

# Ubuntu/Debian sudo apt install ffmpeg

然后拉代码、装包，这两步装完你会得到一个全局可用的autocut命令：

# 克隆仓库并安装（会顺带装好PyTorch和Whisper依赖） git clone https://gitcode.com/GitHub_Trending/au/autocut cd autocut && pip install .

装好之后，对着一个测试视频执行第一条正事命令：

# 转录视频，生成同名 .srt 和 .md 两个文件 autocut -t test001.mp4

执行后你会在目录里看到test001.srt和test001.md。重点看md文件：每一行是一个句子，前面带[序号,开始时间]，开头有一个"完成编辑"的勾选项。用Typora或VS Code打开它，把想保留的句子前面的方框勾上，最后一行也勾掉，然后：

# 按勾选结果剪出 _cut.mp4，并生成预览用字幕 autocut -c test001.mp4 test001.srt test001.md

跑完你会拿到test001_cut.mp4。到这一步，一个完整循环已经走通了。

如果你要批量处理：挂个守护进程

单个视频手动跑没问题，但如果你每天录很多条，比如习惯把OBS录像按日期放进不同文件夹，那就用-d参数让AutoCut盯住一个目录：

# 监听 2022-11-04 文件夹，新视频自动转录并等待剪切 autocut -d 2022-11-04

执行后它进入常驻状态：文件夹里每落一个新视频，就自动生成字幕；你一勾选完md，它自动剪出_cut.mp4，再汇总成合并列表供你二次拼接。这个逻辑在daemon.py里，转录和剪切分别在transcribe.py和cut.py，想看实现直接点过去。

如果你不想污染本机：Docker部署

有些同事的机器上Python环境已经一团乱，这时候Docker是最省心的路。项目自带CPU版和GPU版两份Dockerfile，在仓库根目录执行：

CPU版构建与启动

# 构建镜像（基于 python:3.9-slim，已内置ffmpeg和CPU版PyTorch） docker build -t autocut:latest .

构建完你会得到一个1GB左右、开箱即用的镜像。启动时把本地视频目录映射进容器：

# 把你的视频目录挂进 /autocut/video docker run -it --rm -v /path/to/videos:/autocut/video autocut:latest /bin/bash

进容器后跑autocut -t即可，和本地用法一模一样。

GPU版构建与启动

如果你有N卡，用Dockerfile.cuda构建，它基于PyTorch CUDA 11.6镜像：

# 用 GPU 版 Dockerfile 构建，运行时加 --gpus all docker build -f Dockerfile.cuda -t autocut-gpu:latest . docker run --gpus all -it --rm -v /path/to/videos:/autocut/video autocut-gpu:latest

执行nvidia-smi能正常输出，就说明GPU链路通了，转录速度能快一个数量级。

如果你对转录质量不满意：换模型或换引擎

默认用的是whisper的small模型，对普通话基本够用。遇到听写不准的情况，有三档升级路线：

# 本地换更大的模型，质量更高但更慢 autocut -t video.mp4 --whisper-model large

嫌本地大模型慢，可以装faster-whisper加速推理：

# 安装带 faster-whisper 的版本，再用它转录 pip install '.[faster]' autocut -t video.mp4 --whisper-mode=faster

或者干脆调OpenAI的API，本机只负责剪切，转录外包出去：

# 用 OpenAI API 转录，免费额度限速 3 次/分钟 export OPENAI_API_KEY=sk-xxx autocut -t video.mp4 --whisper-mode=openai --openai-rpm=3

踩坑实录：我交过的四次学费

**坑一：显存爆了，还怪显卡差。**现象是跑large模型时直接OOM。我当时的错误判断是"显存不够就买新卡"，真正的解法是两条命令搞定：要么换小模型（默认small就够），要么加--device cpu强制CPU跑大模型，慢但稳。一句话记忆点：模型大小是可调参数，显卡不是。

**坑二：pip install .之后GPU却没人用。**现象是转录慢得像在CPU上跑，python -c "import torch; print(torch.cuda.is_available())"输出False。错判是"驱动坏了"，真相是pip install .默认拉的是CPU版PyTorch。解法：装AutoCut之前先手动装好对应CUDA版本的PyTorch，Docker GPU版则天然规避了这个问题。记忆点：先装对PyTorch，再装AutoCut。

**坑三：剪切那一步报ffmpeg的错。**转录明明成功了，一到-c就失败。错判是"AutoCut本身有bug"，实际是系统里压根没装ffmpeg——它只参与剪这一刀，不参与转录。解法就是开头那条sudo apt install ffmpeg，装完立刻恢复。记忆点：转录是AI的活，剪切是ffmpeg的活。

**坑四：字幕打开是乱码。**我在Windows的记事本里看md，全是问号。错判是"Whisper不支持中文"，真相是编码：AutoCut默认输出UTF-8，生成和剪切两端的编码必须一致。解法是统一用--encoding=gbk，或者干脆都保持默认UTF-8别折腾。记忆点：两端编码必须同，默认UTF-8最省事。

一页清单：关键命令速查

凌晨一点，test001_cut.mp4安静地躺在文件夹里，两小时的录像只剩四十六分钟的干货。现在你手里也有这条流水线了：一条命令转录、勾选、一条命令剪切，出状况就换模型、换设备、回旧镜像——下次那个让你拖时间轴到怀疑人生的视频，交给AutoCut就好。

【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