# Claude Code 视频剪辑怎么做：它读转写稿不看画面，口播最合适

> Claude Code 能剪视频，但不读 mp4：它读带时间戳的转写稿，决定留哪几段，再调用 ffmpeg 剪切、加字幕、出竖版。口播和教程最合适，多机位和调色仍要人工。

- URL: https://blog.laozhang.ai/zh/posts/claude-code-video-editing
- Published: 2026-10-15
- Updated: 2026-10-15
- Author: LaoZhang AI Team (https://blog.laozhang.ai/zh/about)
- Topic: Claude Code
- Tags: Claude Code, 视频剪辑, ffmpeg, Whisper, Skills, MCP

---
Claude Code 可以剪视频，但方式和"把 mp4 丢给它看"不一样。Claude 不接收视频和音频文件，它读的是素材的转写文字稿（每个词带开始和结束时间），需要时再看几张抽出来的截图，然后写出"保留哪几段"的剪辑表，由 ffmpeg 去切、拼、加字幕。所以它擅长以说话为主的素材：单人口播、录屏教程、访谈、播客。去停顿、删掉说错重来的那一遍、加字幕、出 9:16 竖版都能做；多机位切换、以调色为主的片子、要看画面挑镜头的 Vlog，它没有依据可判断。

路线按素材和预算选：

- 不想多付任何转写费、能接受命令行：本地 Whisper 转写 + ffmpeg 脚本，由 Claude Code 写剪辑表并执行。
- 想要一条龙（去口误、调色、字幕、动画），能接受付费转写：video-use 这个 Claude Code skill，需要 ElevenLabs key。
- 素材里没有重录，只想去掉空白：auto-editor 一条命令。
- 最后要在 Premiere、达芬奇或 Final Cut 里精剪：让工具导出时间线，Claude 只负责粗剪。

这里的"剪"指处理已经拍好的素材。想让 Claude 用代码生成新的动画视频，看 [Claude Opus 5.5 能生成视频吗：它写代码做视频，画面靠渲染](https://blog.laozhang.ai/zh/posts/claude-opus-5-5-video-generation)；claude.ai 里的 Motion 动画是另一项功能，见 [Claude Dashboards 和 Motion 怎么用：Pro 能做看板，动画要 Team 起](https://blog.laozhang.ai/zh/posts/claude-dashboards-and-motion)。

## Claude 为什么读不了 mp4：只认图片和文字，剪辑靠转写稿

[Anthropic 的视觉（Vision）文档](https://platform.claude.com/docs/en/build-with-claude/vision)列出的输入格式是 JPEG、PNG、GIF 和 WebP，GIF 动图也只取第一帧；[Claude Code 工具参考](https://code.claude.com/docs/en/tools-reference)里 Read 工具能返回的是图片、PDF 和 Jupyter notebook。两份文档都没有视频或音频这一项。由此可以推断：Claude 本身不会打开 mp4，也听不到声音，想让它"看"素材，只能先用 ffmpeg 抽帧、用语音识别出文字稿。

所以"一句话让 Claude Code 自动剪视频"背后，实际是四步：

1. 用 Whisper 这类语音识别模型转写音频，得到逐词时间戳。
2. Claude 读文字稿，判断哪几句是重录、哪里是停顿，写出保留区间（剪辑表，也叫 EDL）。
3. ffmpeg 按剪辑表切片、拼接、加淡入淡出。
4. 把词的时间映射到新时间线上生成字幕，再按需烧录或出竖版。

![Claude Code 剪视频四步流程：Whisper 转写出 words.json，Claude 读稿写 edl.json，ffmpeg 切片拼接成 final.mp4，再生成字幕和竖版；只有第二步用到 Claude](https://blog.laozhang.ai/posts/zh/claude-code-video-editing/img/claude-code-video-editing-workflow.webp)

Claude 自己没有剪辑功能，它是在指挥 ffmpeg 和 Whisper。日本 Fyve 在 2026 年 6 月 29 日的 [Claude Code 剪视频入门文章](https://fyve.co.jp/claude-code/articles/claude-code-video-editing-start)里也是这样描述的，并建议把产出当草稿：大约七成自动，三成仍靠手工。

## 为什么靠转写稿：10 分钟素材抽帧约 $6.46，文字稿约 $0.03–$0.08

图片按 28×28 像素一块计费：一张图的视觉 token 数 = ⌈宽/28⌉ × ⌈高/28⌉。Claude 4.7 及以后的模型（包括 Opus 5.5）走高分辨率档，1920×1080 的一帧不缩放，记 2,691 token；其他模型走标准档，同一帧会缩到 1456×819，记 1,560 token（公式和示例都来自上面的 Vision 文档）。

拿一段 10 分钟的素材，按 Opus 5.5 截至 2026 年 10 月的 API 标价每百万输入 token $4（[Claude 价格页](https://claude.com/pricing)）算一遍：

| 给 Claude 的内容 | 计算 | 输入 token | 按 $4/百万 token |
| --- | --- | --- | --- |
| 每秒抽 1 帧，1080p 原尺寸 | 600 帧 × 2,691 | 约 161 万 | 约 $6.46 |
| 每秒抽 1 帧，缩到 640×360 | 600 帧 × (23 × 13 = 299) | 约 17.9 万 | 约 $0.72 |
| 逐词 JSON 文字稿 | 约 1,500 词 × 57 字节 ≈ 86 KB ÷ 4 | 约 2.1 万 | 约 $0.084 |
| 精简文字稿（每行"开始 结束 词"） | 约 1,500 词 × 20 字节 ≈ 30 KB ÷ 4 | 约 7,500 | 约 $0.03 |

表里的假设：口播每分钟约 150 词；每词 57 字节是下文测试样片的实测值（57 个词的 JSON 共 3,275 字节）；按约 4 个字符 1 个 token 估算，这是英文的经验值，中文文字稿的换算不同。这是按公式算的，不是账单；Claude Code 的每一轮还会带上系统提示、工具定义和之前的对话，整段会话花得更多。

结论很直接：全分辨率抽帧比读文字稿贵约 77 到 215 倍，而且就算看了 600 张图，Claude 仍然听不到一句话。video-use 的 README 也用同样的对比解释它为什么只给 Claude 看打包后的文字稿和少量截图。抽帧适合在少数关键点上确认画面，不适合当主要输入。

用 Pro 或 Max 订阅时，这些 token 不会单独出账单，而是消耗用量额度。素材越长，读稿和反复修改越费额度，韩国 Heimdex 在 2026 年 8 月 5 日的 [Claude Code 剪辑自动化指南](https://blog.heimdex.co/post/claude-code-video-editing-automation-guide-ko/)里也提醒过长素材可能把额度用完。套餐怎么选见 [Claude Code 价格 2026：Pro、Max、Team、API 和额外用量怎么选](https://blog.laozhang.ai/zh/posts/claude-code-pricing-guide)；额度掉得异常快时，可以对照 [Claude Code Max配额消耗异常？完整诊断与修复指南（2026）](https://blog.laozhang.ai/zh/posts/claude-code-max-quota-consumption)排查。

## 剪辑 skill、脚本和插件怎么选：六条路线的费用与短板

下表是 Claude Code 剪已有素材的几条常见路线。标"已测"的两条在下文的本地测试里实际跑过，其余按各项目自己的文档描述。

| 路线 | 对原始素材做什么 | Claude 之外的费用或 key | 素材在哪处理 | 主要短板 |
| --- | --- | --- | --- | --- |
| Whisper + ffmpeg 脚本（已测） | 去停顿、按文字稿删重录、字幕、竖版 | 本地模型不按小时收费；Mac 上烧录字幕要装 ffmpeg-full | 本机 | 词边界有偏差，要校正切点；脚本自己维护 |
| [video-use](https://github.com/browser-use/video-use)（skill） | 去语气词、口误和空白，分段调色，切点 30 ms 淡入淡出，烧录字幕，动画叠加，自查切点最多 3 轮 | ElevenLabs Scribe key，$0.22/小时音频 | 本机渲染，音频上传 ElevenLabs 转写 | 只做口播，B-roll 不支持；本地 Whisper 方案尚未合并 |
| [auto-editor](https://github.com/WyattBlue/auto-editor)（已测） | 按音量或画面变化去掉空白 | 免费（Unlicense） | 本机 | 不懂字词，说错重录的那一遍会留下 |
| [ButterCut](https://github.com/barefootford/buttercut) | 本地 WhisperX 转写 + 画面分析，Claude 出粗剪，导出 XML | 免费（非商用许可，成片可商用）；Pro 版 $49/年加多轨 B-roll | 本机，主要面向 Apple Silicon | 要装 Ruby、Python、完整版 FFmpeg 和 WhisperX |
| 剪辑软件 MCP（达芬奇、Premiere、Palmier Pro） | Claude 在真实时间线上排片、打标记、渲染 | 达芬奇要 Studio 版才稳定；Premiere 要订阅加 CEP 面板 | 本机剪辑软件 | 社区项目，只做"初版拼接"，不判断剪得好不好 |
| [ChatCut 的 Claude Code 插件](https://www.chatcut.io/claude-code-plugin) | 修剪、降噪、字幕、动效、生成 B-roll、配音，浏览器里有时间线 | ChatCut 月费 $25 / $45 / $88 / $160 | 素材上传到 ChatCut | Claude 用量和 ChatCut 订阅两头付费，素材离开本机 |

几点补充，都会改变选择：

- **video-use 的转写只能用 ElevenLabs。** 它的 SKILL.md 把"在 CPU 上本地跑 Whisper"列为反面做法（慢，而且会把语气词规整掉）。社区提过多个本地 Whisper、Groq Whisper 和 FunASR 的合并请求，截至 2026 年 10 月 15 日，#12、#28、#114 已关闭未合并，#22、#60、#151、#223 和 FunASR 的 #4 仍未合并。按 [ElevenLabs API 价格页](https://elevenlabs.io/pricing/api)，Scribe v2 每小时音频 $0.22，各档同价，免费档大约含 4.5 小时。
- **video-use 的边界**：俄罗斯 Habr 上 2026 年 5 月 7 日的 [video-use 评测文章](https://habr.com/ru/articles/1032374/)说，它只适合口播，B-roll 开箱不支持；自查能抓到爆音、字幕被挡这类技术问题，但抓不到"留错了那一条"这类内容问题。作者的结论是偶尔剪一条的话，在达芬奇里手动剪两小时可能更省事。
- **剪辑软件 MCP 都是社区项目**，不是 Blackmagic 或 Adobe 出的。[davinci-resolve-mcp](https://github.com/samuelgursky/davinci-resolve-mcp) 在 README 里写明不做"判断剪辑好坏"，产出是初版拼接；它通过官方脚本 API 控制达芬奇 Studio，免费版要靠桥接脚本，并说 21.1 起 Python 脚本移到了 Studio 版。[Adobe_Premiere_Pro_MCP](https://github.com/hetpatel-11/Adobe_Premiere_Pro_MCP) 通过 CEP 面板控制 Premiere，只在 macOS 上完整验证过。[Palmier Pro](https://github.com/palmier-io/palmier-pro) 是自带 MCP 服务的 Mac 剪辑软件，要求 macOS 26 和 Apple Silicon，v0.7.6 之后的版本不再开源。

按素材对号入座：

1. 单人口播、录屏教程，有重录：先用 Whisper + ffmpeg 脚本或 video-use。前者零转写费，后者省去自己写脚本。
2. 一条到底、没有重录，只是停顿多：auto-editor 就够了。
3. 播客、访谈要交给剪辑师精剪：auto-editor 或 ButterCut 导出时间线，Claude 负责粗剪。
4. 已经在用达芬奇 Studio 或 Premiere，想让 Claude 帮忙排片、打标记：试剪辑软件 MCP。
5. 不想装任何环境、素材可以上传：ChatCut。
6. 多机位、以调色为主、要按画面挑镜头：留在剪辑软件里手工剪，这几条路线都帮不上主要的忙。

skill 怎么装、怎么确认生效，见 [Claude Code Skills 推荐：先用哪个、怎么安装与确认生效](https://blog.laozhang.ai/zh/posts/claude-code-best-skills)；MCP 的添加方法见 [Claude Code 最值得先加的 MCP（2026）：按工作流选第一批集成](https://blog.laozhang.ai/zh/posts/claude-code-best-mcp-servers)。

另外三样常被一起提到的工具不剪原始素材：[claude-code-video-toolkit](https://github.com/digitalsamba/claude-code-video-toolkit) 主要用来生成新视频，对已有素材主要是重新配音、加音乐、去水印和裁切拼接，没有去静音和字幕；[HyperFrames](https://github.com/heygen-com/hyperframes)（Apache-2.0）和 Remotion 用来做叠在成片上的标题、图表和动画，Remotion 对个人和 3 人以内的公司免费，更大的公司要买 [Remotion 公司许可](https://www.remotion.pro/license)；Claude Motion 在 claude.ai 里做动画，不处理上传的视频，也不属于 Claude Code。

## 本地免费路线实测：Whisper 转写 + ffmpeg 剪掉一段口误

这次测试想回答一个问题：只靠本地工具，Claude Code 能不能认出"说错重来"的那一遍并把它剪掉。在这段样片上能做到，但中途踩了三个坑。

### 测试素材和环境：合成英文口播，32.59 秒

- 机器：Apple M4，macOS 26.1，Homebrew；Claude Code 会话使用 Opus 5.5。还没装 Claude Code 的话，先看 [Claude Code 安装教程：全平台完整设置指南（2026）](https://blog.laozhang.ai/zh/posts/claude-code-install)。
- 素材：32.59 秒、1920×1080、30 fps 的 H.264 视频。声音是 macOS `say` 合成的英文语音，画面是 ffmpeg `testsrc2` 测试图，没有真人、没有环境噪声，只有一个说话人。
- 内容：开头 3 秒空白，句间有 2.5 秒和 1.2 秒的停顿，结尾空 2.5 秒；中间有一处口误："First, we cut out the long pauses. Um, wait, let me say that again."，紧接着是说对的一遍。

这是一次单机、单样本的测试。素材是英文合成语音，中文转写没有测，转写准确率不能推广到真实录音、口音、背景音乐或其他语言。

### 第一步：faster-whisper 生成逐词时间戳

```bash
python3 -m venv venv
./venv/bin/pip install faster-whisper "av<19"
./venv/bin/python transcribe.py raw/talk.mp4 base.en
```

`"av<19"` 这个版本限制不能省，原因见下一节的第一个故障。`transcribe.py` 如下：

```python
"""第一步：给原始素材生成逐词时间戳（本地运行，不需要 API key）。"""
import json
import sys
import time

from faster_whisper import WhisperModel

src = sys.argv[1]
model_name = sys.argv[2] if len(sys.argv) > 2 else "base.en"

t0 = time.time()
model = WhisperModel(model_name, device="cpu", compute_type="int8")
segments, info = model.transcribe(src, word_timestamps=True, vad_filter=False)
words = []
for seg in segments:
    for w in seg.words:
        words.append({"start": round(w.start, 2), "end": round(w.end, 2), "word": w.word.strip()})
json.dump(words, open("words.json", "w"), indent=1)
print(f"model={model_name} words={len(words)} audio={info.duration:.1f}s elapsed={time.time()-t0:.1f}s")
```

结果：`base.en` 模型、CPU int8，32.6 秒音频转出 57 个词，用时 3.0 秒（含加载模型；首次运行会下载约 141 MB 模型，下载时间没算在内）。`base.en` 和 `small.en` 名字里的 `.en` 表示英文模型，中文素材要换不带 `.en` 的多语言模型并指定语言，这一步未经测试。

### 第二步：让 Claude Code 读文字稿，写出剪辑表

这一步是整个流程里真正用到 Claude 的地方。在素材目录里打开 Claude Code，可以这样交代（示例写法）：

```text
读 words.json，里面是每个词的开始和结束时间。这是一段口播，中间有一处说错后重录。
写 edl.json：每句话只保留最后一次完整说对的版本，去掉开头空白和句间超过 1 秒的停顿，
格式为 [{"start": 秒, "end": 秒}, ...]。
写之前先用 ffmpeg 的 silencedetect 找出静音区间，把每个切点对齐到最近的静音边界。
先列出打算删掉的内容让我确认，再写文件。
```

Claude 读完文字稿，保留了 4 段：去掉开头 3 秒，整段删除口误那一遍（它重复了"First, we cut out the long pauses"），保留重录的那一遍，压短长停顿。最后用的 `edl.json`：

```json
[{"start": 2.92, "end": 6.51}, {"start": 14.83, "end": 18.31}, {"start": 20.66, "end": 24.83}, {"start": 25.89, "end": 30.14}]
```

示例里"对齐静音边界"那一句来自第一版的教训：第一版剪辑表直接用 Whisper 的时间加了一点余量，结果切掉了最后一个词的尾音，详见下一节。

### 第三步：render.py 用一个滤镜图剪完，并生成字幕

`render.py` 把每个保留区间做 `trim`/`atrim`，两端各加 30 ms 音频淡入淡出，再 `concat` 拼起来；然后把词的时间换算到新时间线，每 2–3 个词一条字幕：

```python
"""第三步：按剪辑表（保留区间）输出 final.mp4 和 final.srt。"""
import json
import subprocess
import sys

src = sys.argv[1]
edl = json.load(open("edl.json"))
words = json.load(open("words.json"))
FADE = 0.03

# 1) 在一个 ffmpeg 滤镜图里完成剪切和拼接
parts, labels = [], []
for i, k in enumerate(edl):
    d = k["end"] - k["start"]
    parts.append(f"[0:v]trim={k['start']}:{k['end']},setpts=PTS-STARTPTS[v{i}]")
    parts.append(
        f"[0:a]atrim={k['start']}:{k['end']},asetpts=PTS-STARTPTS,"
        f"afade=t=in:d={FADE},afade=t=out:st={d - FADE:.3f}:d={FADE}[a{i}]"
    )
    labels.append(f"[v{i}][a{i}]")
graph = ";".join(parts) + ";" + "".join(labels) + f"concat=n={len(edl)}:v=1:a=1[v][a]"
subprocess.run(
    ["ffmpeg", "-v", "error", "-y", "-i", src, "-filter_complex", graph, "-map", "[v]", "-map", "[a]",
     "-c:v", "libx264", "-crf", "20", "-preset", "veryfast", "-c:a", "aac", "-b:a", "160k", "final.mp4"],
    check=True,
)

# 2) 把词的时间换算到新时间线，凑成字幕
# 只要词和某个保留区间有重叠就保留，并把时间夹到区间内
# （Whisper 的词边界会偏几百毫秒，要求完全落在区间内会漏词）
kept = []
for w in words:
    offset = 0.0
    for k in edl:
        overlap = min(w["end"], k["end"]) - max(w["start"], k["start"])
        if overlap > 0:
            s = max(w["start"], k["start"]) - k["start"] + offset
            e = min(w["end"], k["end"]) - k["start"] + offset
            kept.append({"start": s, "end": e, "word": w["word"]})
            break
        offset += k["end"] - k["start"]

def ts(t):
    h, rem = divmod(t, 3600)
    m, s = divmod(rem, 60)
    return f"{int(h):02d}:{int(m):02d}:{int(s):02d},{int(round((s % 1) * 1000)):03d}"

cues, chunk = [], []
for w in kept:
    chunk.append(w)
    if len(chunk) == 3 or w["word"].endswith((".", ",", "?", "!")):
        cues.append(chunk)
        chunk = []
if chunk:
    cues.append(chunk)
with open("final.srt", "w") as f:
    for n, c in enumerate(cues, 1):
        text = " ".join(x["word"] for x in c)
        f.write(f"{n}\n{ts(c[0]['start'])} --> {ts(c[-1]['end'])}\n{text}\n\n")
print(f"segments={len(edl)} kept_words={len(kept)}/{len(words)} cues={len(cues)}")
```

运行 `python3 render.py raw/talk.mp4`，4 段渲染用时约 1.5 秒，输出 15.53 秒的 1080p 成片。保留 57 个词中的 43 个，删掉的 14 个正好是口误那一遍；字幕共 18 条。把成片重新转写一遍，整段稿子完整，口误消失，最后一个词也没被切。

![测试样片时间轴：32.59 秒原片按剪辑表保留 4 段，删掉开头空白、停顿和说错的那一遍，成片 15.53 秒；auto-editor 只按静音剪出 21.31 秒，口误仍在](https://blog.laozhang.ai/posts/zh/claude-code-video-editing/img/claude-code-video-editing-timeline.webp)

字幕部分的第一版有个 bug：只保留开始和结束都落在区间内的词，切点对齐静音边界后，"Hi," 等词被漏掉，只剩 40/57。改成"有重叠就保留，时间夹到区间内"后恢复正常，上面贴的是修好的版本。

### 第四步：软字幕、烧录字幕和 9:16 竖版

软字幕（播放器里可开关的字幕轨）用标准 ffmpeg 就行：

```bash
ffmpeg -i final.mp4 -i final.srt -map 0 -map 1 -c copy -c:s mov_text -metadata:s:s:0 language=eng final_softsubs.mp4
```

很多短视频平台会忽略视频里内嵌的字幕轨，上传时把 `.srt` 单独传上去更稳。

把字幕烧进画面要用带 libass 的 ffmpeg（Mac 上是 ffmpeg-full，原因见下一节）：

```bash
/opt/homebrew/opt/ffmpeg-full/bin/ffmpeg -i final.mp4 -vf "subtitles=final.srt:force_style='FontName=Helvetica,FontSize=22,Outline=2'" -c:v libx264 -crf 20 -preset veryfast -c:a copy final_burned.mp4
```

用时 1.67 秒。竖版只要把 `-vf` 换成下面这串，输出 1080×1920，用时 1.39 秒：

```text
crop=ih*9/16:ih,scale=1080:1920,subtitles=final.srt:force_style='FontName=Helvetica,FontSize=14,MarginV=60,Outline=2'
```

从成片 1.2 秒处抽一帧检查：画面上的测试时间码是 00:00:03.800，字幕是 "this is a"，说明切点映射和字幕都对得上。两点限制：中心裁切只适合主体在画面中间的素材，人在画面里走动就要做人脸跟踪（未测）；Helvetica 是 macOS 字体，其他系统要换字体名，中文字幕要换成带中文字形的字体（未测）。

## 实测遇到的三个故障：报错原文和修法

### TypeError: open() got an unexpected keyword argument 'metadata_errors'

只执行 `pip install faster-whisper` 时，装上的是 faster-whisper 1.2.1（2026 年 10 月 15 日 PyPI 上的最新版）和 PyAV 19.0.1，调用 `model.transcribe()` 就报这个错。把 PyAV 限制在 19 以下即可：

```bash
pip install faster-whisper "av<19"
```

装上的是 PyAV 18.1.0，转写恢复正常。PyAV 19.0.0 在 2026 年 9 月 29 日发布，19.0.1 在 10 月 3 日；从报错堆栈看是新版 PyAV 改了接口，faster-whisper 以后的版本可能会修复，到时这个限制就不需要了。

### 成片最后一个词被切掉：Whisper 词边界偏差约 0.5 秒

第一版剪辑表直接用 Whisper 给的时间加小余量，渲染后重新转写，最后的 "platforms." 被听成了 "platform."。Whisper 标的结束时间是 29.50 秒，而 `silencedetect` 显示声音实际持续到 30.04 秒；开头的 "Hi," 也有类似偏差（Whisper 标 2.74 秒，实际 3.02 秒才出声）。

修法是先找出静音区间：

```bash
ffmpeg -i raw/talk.mp4 -af silencedetect=noise=-40dB:d=0.3 -f null -
```

再把每个切点对齐到最近的静音边界，前后留 ±0.1 秒。改过的剪辑表成片 15.53 秒，尾音完整。

偏差这件事不只出现在这一个样本里。西班牙 Aducti 在 2026 年 9 月 1 日的 [Claude Code 剪辑 skill 文章](https://aducti.com/recursos/editar-videos-claude-code-skill)里说，Whisper 会把句前的静音并进句子第一个词，按第一个词剪会留下约 0.5 秒空白，他们同样用 `silencedetect` 交叉校正；video-use 的 SKILL.md 说 ElevenLabs Scribe 的时间戳也会偏 50–100 ms，建议切点留 30–200 ms 余量，并尽量在 400 ms 以上的静音里下刀。

### No such filter: 'subtitles'：Homebrew 标准 ffmpeg 没有字幕滤镜

用 `brew install ffmpeg` 装的标准版（测过 8.0.1_2 和当前的 9.0.2）没有 `subtitles`、`ass`、`drawtext` 三个滤镜，`ffmpeg -filters` 里查不到。报错有两种写法：

- `-vf subtitles=final.srt` 报 "No option name near 'final.srt'" 和 "Error parsing filterchain"。
- `-vf subtitles=filename=final.srt` 报 "No such filter: 'subtitles'"。

原因是 Homebrew 的 `ffmpeg` 公式不带 libass 和 freetype。改装 `ffmpeg-full`：

```bash
brew install ffmpeg-full
```

这台机器上用了 2 分 05 秒。ffmpeg-full 多了 libass、freetype、fontconfig、harfbuzz、whisper.cpp 等依赖，有 `subtitles`、`ass`、`drawtext` 和 `whisper` 滤镜。它是 keg-only，不会进 PATH，要用完整路径 `/opt/homebrew/opt/ffmpeg-full/bin/ffmpeg`。

装完还出了个连带问题：ffmpeg-full 把共享依赖 libvpx 从 1.15.2 升到 1.17.0，机器上原来那个没更新的 ffmpeg 8.0.1_2 随即启动失败，报 `dyld: Library not loaded: /opt/homebrew/opt/libvpx/lib/libvpx.11.dylib`。执行 `brew upgrade ffmpeg`（升到 9.0.2_1，8 秒）就好了，之后 `brew linkage --test` 没有再发现缺失的库。

Linux 发行版和 Windows 上的 ffmpeg 构建各不相同，很多"full"版本自带 libass，这些平台没有测。只要软字幕，标准 ffmpeg 就够，不必装 ffmpeg-full。

## 只按静音剪的 auto-editor：一条命令去空白，但口误留着

[auto-editor](https://github.com/WyattBlue/auto-editor) 按音量（或画面变化）判断哪里是空白，不需要文字稿。同一段样片：

```bash
brew install auto-editor
auto-editor raw/talk.mp4 --margin 0.2s -o out.mp4 --no-open
```

auto-editor 31.7.2 用 3.9 秒输出 21.31 秒的成片，停顿都去掉了，但说错的那一遍还在：导出的时间线里有一段从 8.8 秒开始、152 帧长的片段，正是口误那一遍。静音检测不知道哪一遍说错了，这个判断只能靠读文字稿，也就是交给 Claude 的那一步。

安装注意：auto-editor 的 README 写明命令行版"不再发布到 pip"，PyPI 上停在 2025 年 11 月 4 日的 29.3.1；Mac 用 `brew install auto-editor`，其他系统从 GitHub Releases 下载二进制。

### 不装 Python 也能转写：auto-editor whisper 与 ffmpeg 的 whisper 滤镜

不想折腾 Python 环境时，有两个现成的转写入口，都要先从 Hugging Face 的 whisper.cpp 仓库下载 ggml 格式模型（`ggml-base.en.bin`，148 MB）：

```bash
auto-editor whisper raw/talk.mp4 ggml-base.en.bin -f srt --prompt "Claude Code" -o out.srt
/opt/homebrew/opt/ffmpeg-full/bin/ffmpeg -i raw/talk.mp4 -vn -af "whisper=model=ggml-base.en.bin:language=en:destination=ff_whisper.srt:format=srt" -f null -
```

| 转写方式 | 用时 | 输出 | 要注意的地方 |
| --- | --- | --- | --- |
| faster-whisper `base.en`（Python） | 3.0 秒 | 逐词时间戳 | 要限制 `av<19` |
| auto-editor 31.7.2 `whisper` | 12.2 秒 | 5 条整句字幕 | 每条结束时间都是开始时间加 4–5 秒，不能当切点用 |
| ffmpeg-full `whisper` 滤镜 | 12.95 秒 | SRT 字幕 | 不加提示词时把 "Claude Code" 拆成 "Claude." 和 "code." 两条；编号从 0 开始 |

用时都是同一段 32.6 秒样片在 M4 上的结果。auto-editor 加了 `--prompt "Claude Code"` 之后，产品名拼写正确。专有名词还有一个现象：`small.en` 把 "Claude Code" 听成了 "clog code"，`base.en` 在同一段音频上却听对了。一个合成样本说明不了哪个模型更好，只说明字幕里的产品名、人名一定要人工核对，或者用提示词、热词提前告诉模型。

## 交给 Premiere、达芬奇、Final Cut 精剪：导出时间线或用 MCP

Claude 做粗剪、人在剪辑软件里收尾，是比较稳妥的分工。有三种接法：

- **auto-editor 导出时间线。** `--export premiere`、`--export resolve`、`--export final-cut-pro`，以及 `shotcut`、`kdenlive`。测试里 `auto-editor raw/talk.mp4 --export resolve -o ae_timeline.fcpxml` 写出了一份 FCPXML 1.11 时间线，引用的是原始素材，可以直接在剪辑软件里继续剪。它只按静音切，重录要自己在时间线上删。
- **ButterCut 导出 XML。** 本地用 WhisperX 转写、加画面分析，Claude 和你一起挑出粗剪，再导出给 Final Cut Pro、Premiere 或达芬奇。主要支持 Apple Silicon Mac，Windows 和 Linux 不是重点。
- **剪辑软件 MCP。** Claude 直接在达芬奇或 Premiere 的时间线上操作。达芬奇这条路实际要 Studio 版；Premiere 要装 CEP 面板，部分操作（比如读取已有字幕文本、移除效果）脚本接口做不到，README 自己也写了"不是魔法"。

剪映目前不在这几条路线里：auto-editor 的导出格式不包括剪映，能接 Claude Code 的剪辑软件 MCP 项目也只覆盖达芬奇、Premiere 和 Palmier Pro。

改动剪辑点之后，原来叠在上面的动画、标题时间会跟着错位（Heimdex 的指南也提到这一点），所以动画和字幕放到剪辑定稿之后再做。

## 交付前检查清单：Claude Code 剪出的成片要人工看哪些地方

自动剪辑出的是初稿，下面这些点要人过一遍：

1. **每个切点听一遍**：尾音有没有被切、呼吸声和爆音是否突兀。测试里被切掉的正是最后一个词的尾音。
2. **留下的是不是对的那一遍**：把成片再转写一次，和原稿对照。Habr 的评测指出，video-use 的自查只能发现技术问题，发现不了留错了哪一条。
3. **专有名词**：产品名、人名、品牌名逐个核对，必要时给转写加提示词。
4. **字幕最后加**：动画叠层会挡住字幕，video-use 的 SKILL.md 明确要求字幕放在最后一步；它还提醒字体出错时不会报错，只是默默显示不对，所以要抽帧看。
5. **竖版构图**：中心裁切后人还在不在画面里，字幕会不会压住嘴。
6. **长视频的字幕漂移**：Fyve 提到长视频容易出现字幕时间漂移，重点抽查后半段。
7. **字幕文件格式**：ffmpeg whisper 滤镜输出的 SRT 编号从 0 开始，有的播放器或平台要求从 1 开始，上传被拒时重新编号。
8. **iPhone 播放**：Aducti 提到 HEVC 编码的视频要打 `hvc1` 标签，iPhone 不认 `hev1`。

如果同一套规则（切点余量、字幕样式、竖版参数）要反复用，可以把它们写进一个 skill，让 Claude Code 每次按同样的标准剪，写法见 [Claude Code Hooks、Skills 与斜杠命令：区别、选型和最小配置](https://blog.laozhang.ai/zh/posts/claude-code-hooks-slash-commands-skills)。Aducti 就是这样做的：把"在哪里下刀、字幕放多高、最多几个推镜"固定在 skill 里，据其介绍，一条短视频连修改大约 10–15 分钟。

## Claude Code 剪视频常见问题

### Claude Code 剪视频免费吗？

不完全免费。Claude Code 本身要 Pro、Max 等付费套餐或 API 用量。转写环节可以免费：本地跑 Whisper、faster-whisper、ffmpeg、auto-editor 都不按小时收费。video-use 要付 ElevenLabs Scribe 的转写费（$0.22/小时音频，免费档大约含 4.5 小时）；ChatCut 在 Claude 用量之外另收 $25 到 $160 的月费。

### 中文口播能用这套流程吗？

流程本身不分语言：转写、读稿、写剪辑表、ffmpeg 渲染都一样。但上面的测试只用了英文合成语音，中文转写的准确率、中文语气词的识别、中文字幕字体都没有测。要试中文，记得换成不带 `.en` 的多语言模型并指定中文，字幕字体换成带中文字形的字体，并重点核对同音字和专有名词。

### 在中国大陆能用 Claude Code 剪视频吗？

Anthropic 的[支持国家和地区列表](https://www.anthropic.com/supported-countries)（2026 年 5 月 12 日生效）不包含中国大陆，列表里写明未列出的地区均不支持。ffmpeg、Whisper 模型、auto-editor 这些本地工具本身不需要访问 Anthropic，可以单独用来转写和去静音。

### Claude Code 能代替剪辑师吗？

目前不能。各路线的产出都是初稿：达芬奇 MCP 项目自己写明只做初版拼接、不判断剪得好不好；Fyve 估计大约七成自动、三成手工；Habr 的评测说 video-use 只适合口播，挑不出语义上的错误。它能省掉的是去停顿、删重录、对字幕这类机械活，挑镜头、把握节奏和定下最终的画面风格仍然是人的工作。

### 长素材会不会把 Claude Code 额度用光？

有可能。读文字稿本身不贵（10 分钟约 7,500 到 2.1 万 token），但每轮对话都会带上系统提示、工具定义和历史，反复修改、看截图都会让消耗明显增加。长素材先分段处理，截图只在关键切点上看。

## 参考来源

本文引用的外部页面，按正文出现顺序排列。最后更新于 2026-10-15。

- [Anthropic 的视觉（Vision）文档](https://platform.claude.com/docs/en/build-with-claude/vision) (platform.claude.com)
- [Claude Code 工具参考](https://code.claude.com/docs/en/tools-reference) (code.claude.com)
- [Claude Code 剪视频入门文章](https://fyve.co.jp/claude-code/articles/claude-code-video-editing-start) (fyve.co.jp)
- [Claude 价格页](https://claude.com/pricing) (claude.com)
- [Claude Code 剪辑自动化指南](https://blog.heimdex.co/post/claude-code-video-editing-automation-guide-ko/) (blog.heimdex.co)
- [video-use](https://github.com/browser-use/video-use) (github.com)
- [auto-editor](https://github.com/WyattBlue/auto-editor) (github.com)
- [ButterCut](https://github.com/barefootford/buttercut) (github.com)
- [ChatCut 的 Claude Code 插件](https://www.chatcut.io/claude-code-plugin) (chatcut.io)
- [ElevenLabs API 价格页](https://elevenlabs.io/pricing/api) (elevenlabs.io)
- [video-use 评测文章](https://habr.com/ru/articles/1032374/) (habr.com)
- [davinci-resolve-mcp](https://github.com/samuelgursky/davinci-resolve-mcp) (github.com)
- [Adobe_Premiere_Pro_MCP](https://github.com/hetpatel-11/Adobe_Premiere_Pro_MCP) (github.com)
- [Palmier Pro](https://github.com/palmier-io/palmier-pro) (github.com)
- [claude-code-video-toolkit](https://github.com/digitalsamba/claude-code-video-toolkit) (github.com)
- [HyperFrames](https://github.com/heygen-com/hyperframes) (github.com)
- [Remotion 公司许可](https://www.remotion.pro/license) (remotion.pro)
- [Claude Code 剪辑 skill 文章](https://aducti.com/recursos/editar-videos-claude-code-skill) (aducti.com)
- [支持国家和地区列表](https://www.anthropic.com/supported-countries) (anthropic.com)