AI 切片工具的原理是什麼？

四步：語音轉錄拿到每個字的時間戳、依標點切句、讓 LLM 從編號逐字稿挑出能獨立成立的連續段落並評分、再用 ffmpeg 裁成 9:16 並燒上逐字字幕。真正需要 AI 判斷的只有挑段那一步。

為什麼讓 LLM 回句子編號而不是秒數？

秒數由轉錄的逐字時間戳換算，LLM 只決定從第幾句到第幾句，就不會切在半個字中間，也不會編出不存在的時間點。

自己寫的版本跟 WayinVideo 差在哪？

我的 184 行版本只做轉錄、挑段、模糊底置中的 9:16 輸出和逐字字幕。WayinVideo 另外有 AI Reframe 追臉裁切、編輯器、細項評分、排程與多平台發布。每週要大量處理真人長片並發到多平台才值得付費評估。

拿別人的影片切片發 YouTube 會被停止營利嗎？

YouTube 在 2025-07-15 把 repetitious content 政策更名為 inauthentic content，鎖定大量製造、套版的內容；重新利用他人內容另由 reused content 政策規範。即使有切片活動授權，也只解決著作權，不保證頻道符合營利規範。

AI 切片自己做：184 行 Python 把長片切成 9:16 短影音，拆解 WayinVideo「一天 100 支片」業配

懶人包
IG 上「一天發 100 支片、月入 3000 美元」那支 Reel（@vesperfor.ugc，1,461 讚、525 則留言）是 AI 切片工具 WayinVideo 的業配，算式的兩個前提（每支 1000 觀看、每千次觀看 1 美元）影片裡都沒給出處。
AI 切片的核心只有四步：轉錄拿逐字時間戳、LLM 挑段打分、ffmpeg 裁成 9:16、燒逐字變色字幕。
我用 faster-whisper 1.1.1、claude -p（Haiku）、ffmpeg 8.0 寫了 184 行 Python 重做主幹，4 分 7 秒的 NASA 影片跑 3 分 49 秒，產出 3 支 29～35 秒直式短片，三段都從「迷思 4、3、1」開頭、講完才收。
付費工具多做的是臉部追蹤裁切、排程發文、多平台帳號串接；只要「長片自動挑段＋字幕」，自己寫就夠。
拿別人的片大量切來衝量有風險：YouTube 2025-07-15 把「重複內容」政策更名為「不真實內容」，重複使用他人內容另有規範；切自己的課程、直播、訪談才是正確用法。

最近在 IG 看到一支 43 秒的 Reel（2026-10-15 發佈）：前 15 秒借辯論節目的畫面喊「沒人有時間一天發 100 支片」「AI 幫你做」，接著算給你聽——100 支、每支 1000 觀看、一天 100 美元、一個月 3000 美元。後 28 秒是實機操作：複製 YouTube 連結、貼進 WayinVideo、AI 切出一排短片並打上 89～93 分、改字幕樣式、連社群帳號排程自動發。結尾一句「懶得找的話在下面留言，我直接傳給你」。

貼文文案只有「原來他們是這樣做的 #wayinvideo」，帳號名稱帶 ugc，hashtag 是品牌名，這是一支業配。我比較在意的是另一件事：畫面上那台「貼連結就出一排短片」的機器，拆開來到底有多少東西？ 所以我在本機重做了一版。

AI 切片工具在做什麼？

照 WayinVideo 官方說明中心〈How to use AI Clipping〉的描述，流程是上傳影片或貼支援的連結、選語言與片段長度（短、中、長三檔）、開始處理、檢查產出。每段會有一個 Viral Score，付費方案再拆成 hook、故事結構、價值、互動、觸及等細項；編輯器提供修頭尾、改字幕、AI Reframe 改比例、加 B-roll 與音樂、做縮圖，最後匯出或直接發布到社群。

把介面拿掉，背後是一條很短的管線：

真正要「AI」的只有「LLM 挑段」這一步：從幾十句逐字稿裡挑出能獨立成立、開頭有鉤子的連續段落。其餘都是轉錄模型和 ffmpeg 的老本行。

「一天 100 支、月入 3000 美元」的算式成立嗎？

影片裡的數字是 100 支 × 1000 觀看 → 一天 100 美元 → 一個月 3000 美元。換算回去，它假設每支片穩定拿到 1000 次觀看，而且每千次觀看付 1 美元。這兩個前提影片都沒有交代來源，也沒說錢是誰付的。

付錢的人比較可能是「切片活動」：創作者或品牌提供素材和規則，切片者按每千次有效觀看領錢，WayinVideo 自己也在 Notion 開過這類活動頁。賣切片工具的廠商 Clippie 在〈How to Make Money With Whop Clipping in 2026〉裡也寫「輕鬆月入一萬美元」不實、起步收入很低——這是廠商內容，我沒有獨立驗證它的數字，只拿來當「連賣工具的人都不敢這樣保證」的參考。

這支 Reel 留言數高，主要來自結尾的「留言就私訊連結」：我打開留言區，幾乎都是一個 🙌。互動數是漏斗設計出來的，跟工具好不好用是兩回事。

我怎麼用 184 行 Python 重做 AI 切片？

目標很單純：輸入一支橫式長片，輸出 N 支 1080×1920 的直式短片，每支有中文標題和逐字變色字幕。

步驟	工具	這版的做法
轉錄	faster-whisper 1.1.1（small、CPU int8）	`word_timestamps=True` 拿每個字的起訖秒數，開 VAD 濾掉靜音
切句	Python regex	字尾是 `. ! ? 。！？` 就斷句
挑段	`claude -p --model haiku`	餵編號逐字稿，要它回 JSON：起訖句、分數、中文標題、理由
備援	規則評分	LLM 沒回 JSON 時，用問句與數字密度粗估，貪婪挑不重疊段落
輸出	ffmpeg 8.0	模糊放大當底、原畫置中，再燒 ASS 字幕

前置需求：Python 3.11、pip install faster-whisper、ffmpeg 在 PATH 上、已登入的 Claude Code CLI（我這次是 2.1.317）。跑法：

python -I clipper.py input/blackholes.mp4 out --clips 3

挑段的 prompt 怎麼寫？

這段是整支程式唯一需要判斷力的地方。我給 LLM 的限制有四個：段落要連續、長度 15～45 秒、開頭要有鉤子、脫離上下文也看得懂，並且只回 JSON。

PROMPT = """You are a short-form video editor. Below is a numbered transcript of a long video
(index, start-end seconds, sentence). Pick the {n} best self-contained segments for TikTok/Shorts.
Each segment = consecutive sentences, total length {mn:.0f}-{mx:.0f} seconds, must start with a strong hook
and make sense without context. Segments must not overlap.
Score each 0-100 on viral potential. Reply with ONLY a JSON array, no prose:
[{{"start": <first sentence index>, "end": <last sentence index>, "score": <int>,
"title": "<punchy Traditional Chinese title, max 14 chars>", "reason": "<Traditional Chinese, one sentence>"}}]
"""

讓 LLM 回「句子編號」而不是「秒數」是刻意的：秒數由轉錄時間戳換算，LLM 不會切在半個字中間，也不會編出不存在的時間點。

直式畫面和字幕怎麼做？

橫式 16:9 硬裁成 9:16 會丟掉大半畫面，我先用最保守的做法：同一支影片放大、模糊、壓暗當背景，原畫等比縮到 1080 寬置中，再把字幕燒上去。

vf = (
    "[0:v]split[a][b];"
    "[a]scale=1080:1920:force_original_aspect_ratio=increase,crop=1080:1920,"
    "boxblur=30:3,eq=brightness=-0.25[bg];"
    "[b]scale=1080:-2[fg];[bg][fg]overlay=(W-w)/2:(H-h)/2,subtitles=clip_1.ass"
)

字幕用 ASS 格式，三個字一組，正在講的那個字變黃。每個字的起訖時間直接來自 faster-whisper 的 word timestamps，所以不用另外對嘴。頂部標題用 LLM 給的中文標題，整段常駐。

實測結果：三段都切在完整的段落上

素材我用 NASA ScienceCasts〈Shedding Light on Black Holes〉，取自 images.nasa.gov（NASA 媒體使用規範寫明其影像、音訊、影片在美國一般不受著作權保護），長度 4 分 7 秒、1280×718。這支片的結構是「迷思 1～5」逐條破解，正好拿來檢查 AI 會不會切在半句。

[1/4] 轉錄中…
      語言=en 句數=33 字數=526
[2/4] AI 挑精華…
[3/4] 輸出 9:16 短片…
      clip_1.mp4   174.7- 203.7s  score=92  掉進黑洞就出不來？不對
      clip_2.mp4   139.2- 173.9s  score=90  太陽換黑洞，行星照轉
      clip_3.mp4    40.7-  70.8s  score=88  黑洞不一定是黑的
[4/4] 寫結果

整趟 3 分 49 秒，大部分時間花在 CPU 轉錄；挑段那一步是一次 Haiku 呼叫。ffprobe 確認三支都是 1080×1920，長度 29.07、34.80、30.10 秒。

三支 AI 自動切出的 9:16 直式短片截圖：頂部黃色中文標題，中間是 NASA 黑洞影片的迷思 4、迷思 3 與事件視界望遠鏡黑洞照片，底部是逐字變黃的英文字幕

逐段對照逐字稿：

短片	開頭句	收尾	LLM 給的理由
clip_1（92 分）	Myth 4 Once inside a black hole, nothing ever comes out.	霍金輻射讓黑洞蒸發	推翻「進了黑洞就逃不出」，有反差感
clip_2（90 分）	Myth 3 If you get within a few thousand miles…	太陽換成同質量黑洞，行星照常公轉	用假想實驗說明黑洞不會吞噬一切
clip_3（88 分）	Myth 1 All black holes are black.	吸積盤是扁平的塵埃氣體盤	用第一張黑洞照片開門見山

三段都從「Myth N」那句開頭、在解釋講完的地方收尾，沒有一段切在半句。分數本身沒有意義——它是 LLM 自評，我沒有拿去對真實觀看數。

付費工具多做了什麼？什麼時候值得付錢？

對照 WayinVideo 官方說明列的功能，我這版沒做的有：

AI Reframe／臉部追蹤裁切：我只做模糊底置中。真人訪談、Podcast 這類畫面，主講者在左右兩側時，追臉裁切的效果會好很多。
排程與多平台發布：要串各平台 OAuth 和上傳 API，是苦工不是技術難題。
編輯器：修頭尾、換字幕樣式、加 B-roll 和音樂。
細項評分：hook 強度、故事結構等拆分（付費方案才有）。

我的判斷是：每週固定要處理多支真人長片、而且要一路發到多個平台，付費工具省下的是串接和裁切的工時，值得評估；只要「長片自動挑段＋燒字幕」，184 行就夠用，而且挑段邏輯、字幕樣式都能自己改。

這套東西不適合拿來做什麼？

拿別人的影片大量切片、一天發 100 支衝流量，風險在平台規則。YouTube 營利政策頁寫明 2025-07-15 把「repetitious content」更名為「inauthentic content」，針對大量製造、套版的內容；另外「reused content」指重新利用 YouTube 或其他來源上已有的內容，政策本身沒變（YouTube 頻道營利政策）。切片活動是原創作者授權的，但授權只解決著作權，不保證你的頻道符合營利規範。

這版 POC 的已知限制也一併列出：

字幕是「三個字一組」，這個規則只適合英文；中文語音要改成按詞斷句，不然會在詞中間斷行。
只用標點切句，轉錄模型漏標點時，一句會很長，挑段的顆粒就變粗。
沒有臉部追蹤，真人畫面主體偏一邊時會很小。
素材是英文旁白配圖表，對 LLM 來說結構很清楚；閒聊型直播的段落邊界模糊得多，挑段品質我還沒測。

下一步：切自己的長片

我會把這支程式接到自己的 YouTube Shorts 上傳流程，素材換成自己的課程錄影：中文語音、真人畫面，正好補上「中文斷詞字幕」和「臉部追蹤裁切」兩個缺口。你如果手上有自己的長片，可以照上面的表格自己組一次；轉錄模型的取捨可以參考我之前寫的〈WhisperX 逐字時間戳與說話者分離〉和〈whisper.cpp vs WhisperX〉。