# 研究了一下给 AI 用的视频剪辑工具 ffmpeg-skill

> 龙虾AGI通用实验室 · 2026-11-08

最近研究了一个叫 ffmpeg-skill 的开源项目。它是一个装给 AI 用的视频剪辑工具：AI 做出一段段视频以后，把它们拼起来、加字幕、配乐、统一音量、转成竖屏、按平台要求导出，最后再检查一遍能不能发。它今年九月初才建仓，两个月攒了四千七百个 star，版本号从 0.1 一路发到了 3.1.1。

我带着一个问题去看：我平时用 Claude Code，主模型是 Opus 5.5，它自己就会写剪辑命令。那这么一个工具，还有价值吗？

拆完的结论是：**有，而且值钱的不是它那 42 个剪辑工具，而是一条规矩：不相信"成功"，做完必须量，量不了的要老实说没量。**

## 先说 ffmpeg 是什么

ffmpeg 是一个免费的音视频处理程序，没有界面，只能打字下指令。很多视频软件和网站的底层都在用它，剪、拼、转格式、加字幕、调音量、改尺寸，几乎什么都能做。

一条最简单的指令长这样：

ffmpeg -i 原片.mp4 -ss 10 -to 20 -c copy 片段.mp4

意思是"从原片里截出第 10 到 20 秒，不重新压缩，存成片段.mp4"。

可要是想"转成竖屏 + 烧中文字幕 + 配乐在说话时自动变小 + 音量调到抖音标准"，就得写一长串，几十个参数，先后顺序还有讲究。ffmpeg 的参数有几百个，组合起来几乎是一门小语言。写出一条能运行的指令不难，写出一条结果真正对的很难。

## 再说 ffmpeg-skill 是什么

ffmpeg-skill 是一个装给 AI 用的"剪辑工具箱"。里面有三样东西：

**42 个现成的剪辑小工具**：剪切、拼接、去掉停顿、改比例、烧字幕、加角标、配乐、统一音量、按平台导出、成片检查、抽帧看图等，每个都是写好的程序。

**一本说明书**：告诉 AI"用户这么说，就用哪个工具"，以及做事的固定顺序。

**一套自检**：每个工具做完，自动量一遍结果对不对。

举个例子。假设你有一集短剧，20 段 AI 生成的视频加一份台词表，想发抖音。

没有它时，你让 AI 做，它会自己写一串 ffmpeg 指令。可能字幕被裁掉一半，可能中文变成方框，可能配乐盖过了台词，可能字幕正好被抖音底部的文字挡住。而它会告诉你"完成了"，因为指令确实都执行成功了。

有了它，AI 会照着说明书一步步调用工具：拼接，转竖屏，烧字幕（自动选中文字体，避开抖音界面会挡住的区域），配乐（有人说话时音乐自动变小），统一音量，按抖音的要求逐项检查，最后抽 6 帧拼成一张图自己看一眼。交给你的报告大概是："成片 59.98 秒，1080×1920，检查全部通过；看图：字幕在安全区内，没有压到人脸。"

![](images/4388e3/img_001.jpg)

我在自己电脑上装了试了一下，它自带的环境检查显示 73 项能力齐全，中文字体能正常显示。

## 模型这么强，为什么还会翻车

Opus 5.5 当然会写 ffmpeg 指令。问题在于，ffmpeg 很多时候**报告成功、文件也生成了，结果却是错的**。这个项目二十多个版本修的，大多就是这类"静默失败"：

字体里没有中文，每个字都画成一个空方框，ffmpeg 照样报成功；

先把字幕烧上去再裁成竖屏，字幕被裁出了画面；

为了不损失画质直接截取，开头几帧却是冻住的，文件照样能播；

音量已经调到标准，声音其实还在爆音；

截出来的文件丢了整条画面，连这个工具自己都报了"已验证"——因为它只量了时长，没清点画面和声音是不是都还在。

这些坑，模型凭训练时学到的知识是写不出来的。一个再强的模型第一次去写，照样会踩进去，而且它不知道自己踩了。

ffmpeg-skill 的办法不是让 AI 变聪明，而是**让错误跑不出去**：已知的坑直接写进工具里，比如缺中文字体就直接判失败，不会交出一个满屏方框的视频；每一步做完由程序量结果；程序量不了的，就逼 AI 去看图，并且必须如实说。

## 第一份精华：一份"看着对、其实错"的清单

项目里有一份坑点清单，读起来像剪辑老师傅的笔记。挑几条对 AI 做视频也有用的：

**先定画面尺寸，再烧字幕。** 顺序反了，字幕要么被裁掉，要么在小尺寸上烧好再放大，字会发虚。

**字幕的文字原样烧上去，不许改写。** 放不下就缩小字号、拆成两条，或者请用户自己改，就算用户说"帮我改短点让它放得下"也不改。AI 只负责执行，不替人改内容。

**竖屏平台的界面会盖住画面。** 抖音这类平台，底部有描述文字，右边有点赞栏，顶部有状态栏。一个文件技术上全部合格，字幕却正好被描述文字压住，照样等于白做。

**没声音的片段，不要硬把音量拉高。** 安静的空镜，拉高了只是放大底噪，应该保持原样，配乐或旁白另外加。

**16:9 裁成 9:16 会丢掉七成宽度。** 默认从正中间裁是在猜，不是在做决定。对 AI 视频来说更好的做法是：生成时就直接出竖屏。

## 第二份精华：做完必须量，量不了要说没量

这是我觉得整个项目最值钱的部分。作者还专门为此写了一篇文章，叫"验证驱动的编程"，有意思的是，文章里给自己这个项目打的分是"只做到了一部分"。

具体是这么几条规矩：

**完成，只看量出来的结果。** 程序报成功、AI 说做完了，都不算数。必须量一下输出的时长、尺寸、音量、画面和声音是不是都在，和要求一致才算完成。

**检查用的尺子，不能是自己做的。** 有一次，导出工具自己说一个 Reels 视频"已验证"，但独立的平台检查判它失败：90.10 秒，超过了 90 秒的上限。原因是调音量那一步让声音变长了 0.1 秒，而导出工具和检查工具量时长用的不是同一个标准。后来规定：导出和检查必须用同一条规则、同一个数。

**每个工具都要写明"我没查什么"。** 比如口型对不对、字幕有没有压在脸上、调色好不好看，这些程序量不了，就明确列出来，让使用的人知道哪里必须自己看。

**整体算通过，必须每一步都通过。** 十个步骤里有一个没验证过，整体就不算验证过。

**检查失败了，不要急着重跑。** 失败可能是产物错了，可能是参照错了，也可能是尺子本身错了。直接重跑，可能把证据冲掉。

**画面变了，就必须看。** 抽 6 帧拼成一张图真的看一遍，看的东西分两类。一类是"字在不在指定位置"这种机械问题，工具自己判；另一类是"脸有没有被裁、字有没有压在脸上"这种判断问题，只报告，不擅自判通过。没有看图能力，就写"没看"，绝不假装看过。

我觉得这几条完全可以搬到整个 AI 视频流程里去。写剧本、出素材图、生成视频，每一步都有同样的毛病：模型说"生成成功了"，不等于视频是对的。

## 第三份精华：只干活，不拍板；说明书靠考试调

项目给自己划了一条很清楚的线：**同样的素材、同样明确的要求，做出来的结果一样、而且能验证的，归工具；需要品味和理解的，归人。**

所以它不决定剪哪一刀、成片能不能发、哪段最精彩。它也会挑"高光片段"，但只按声音大小排个候选名单，安静却关键的那句台词就会被漏掉，它自己在文档里就说明了这一点。

另一件我很佩服的事，是作者调说明书的方法：**出题考 AI。** 他准备了一百多道题，用十几种语言写"用户会怎么说"，看 AI 会不会用对工具、报告是不是诚实。有一条评分规则特别狠：报告里声称做了实际没做的事，这道题直接 0 分。说少了可以接受，说了没做的不行。

改一句话，就要重新考一遍。效果很明显：说明书里原来写着"新电脑第一次用之前，先检查一下环境"，结果 36 次测试里有 23 次，AI 每做一个任务都先去检查环境；改成"出错了再检查"以后，变成了 0 次。一句话的措辞，模型会执行得比你想的更字面。

## 哪些部分没什么用，可以直接跳过

说完值钱的，也说说不值钱的。这个项目体量很大，但如果你是用强模型做 AI 视频，下面这些基本可以不看：

**第一，一大半剪辑常识，强模型本来就会。** 比如截取视频要落在关键帧上、画面宽高必须是偶数、60 帧转 30 帧动作会卡、调音量要同时看峰值、字幕一般不超过两行。这些 Opus 5.5 不用教，写进说明书里只是多占篇幅。真正值得看的，只有前面那些"不实际跑一遍就不知道"的坑。

**第二，对付拍摄设备的经验，AI 视频用不上。** 项目里很多经验是给实拍素材准备的：iPhone 的 HDR 视频处理不好会发灰，专业相机故意拍成灰调留给后期调色，手机录像的帧率忽快忽慢，两台设备分别录音时间对不上。这些是作者拿真机一条条测出来的，做实拍很有用，但 AI 生成的视频碰不到这些问题。

**第三，42 个工具，常用的也就十来个。** 多机位切换、360 度全景视频、老录像去隔行、防抖、绿幕抠像、去固定水印这些，做 AI 短剧基本用不到。真正常用的是拼接、改比例、字幕、配乐、统一音量、导出、检查、抽帧看图这几个。

**第四，为"通用"付出的那部分。** 它为了让各家 AI 工具都能调用，做了一整套机器能读的接口说明；为了支持十几种语言，专门处理了阿拉伯文从右往左排、印地语和泰语的字形拼接、彩色 emoji。如果你只用 Claude Code、只做中文视频，这部分可以整块略过。

**第五，大量工程文档。** 光记录设计决定的文档就有两百多 KB，更新日志三百多 KB，测试代码一点六 MB，还有一份专门记录这个项目自己发布软件时踩的坑，比如自动发布流程误发了三个大版本。这些是写软件的经验，和做视频无关。

## 它管不了的事

**第一，它不管好不好看。** 节奏、情绪、哪一刀剪得妙，它明确说不归它管。AI 视频真正的麻烦，比如人物长得不一样了、道具凭空消失，剪辑工具也管不了。

**第二，它验证不了口型。** 声音能对齐，不代表嘴型对得上。如果先生成视频再配 AI 台词，口型只能靠人看。

## 最后

简单总结一下：ffmpeg-skill 可以直接装来当 AI 的剪辑助手，特别适合"一堆片段变成一条能发布的视频"这最后一步；如果只想读，最值得看的是项目里 references/gotchas.md 这份坑点清单，以及 docs/design-decisions.md 里关于"一切不许静默"的那几节。

希望这篇对你有帮助。对 AI 做视频感兴趣的朋友，欢迎在留言区一起交流。
