Claude Code 剪影片 5 步流程實測：45 秒口播自動剪成 24 秒 Reel，剪空白、上字幕、配樂全在本機

懶人包

• 用 Claude 剪片，Claude 讀的是帶時間戳的逐字稿，動手剪的是 ffmpeg；我這版由 Claude Code 寫好管線，執行時不呼叫任何 LLM 或付費 API。
• 5 步做成一支 178 行的 Python：收素材 → faster-whisper 逐字時間軸 → 剪空白 → 燒繁中字幕 → 配樂自動閃避。
• 實測 45.23 秒口播剪成 24.35 秒，0.5 秒以上的停頓從 8 段剩 0 段，RTX 4070 上整條跑 2 分 10 秒（含載入模型）。
• 字幕要過兩道修正：OpenCC 轉繁體，再用專有名詞表把 Whisper 聽成「Cloud Code」的地方改回「Claude Code」。
• 背景音樂用 sidechaincompress 讓人聲壓音樂，講話時音樂低約 14 dB，成品響度 -14.0 LUFS。
• 這套只剪靜音，不剪「嗯、那個」和重講；要剪贅字就換成讓 LLM 讀逐字稿決定剪點的 video-use。

2026-11-01，IG 帳號 @aicreator_dae 發了一支 Reel：「5 步，從空文件夾到一支完整的 Reel，剪空白、上字幕、配音樂交給工具，你只負責品味」。具體做法要留言「editor」才拿得到。

我把這 5 步照字面做成一支 Python 管線，在自己的 Windows 電腦上跑完，下面是每一步的程式、參數和量測結果。

用 Claude 剪影片，Claude 實際做哪一段？

Claude 不看影格。能用 Claude 剪片的方案，共通做法是先把聲音轉成帶時間戳的逐字稿，Claude 讀文字、決定哪幾段要留，再把決定寫成 ffmpeg 指令。video-use 的 README 也是這樣描述：LLM 讀的是轉錄稿，不是影片。

這次的分工是：

要準備什麼？

我實際跑的環境：

pip install faster-whisper==1.1.1 opencc-python-reimplemented==0.1.7
ffmpeg -version   # 確認有裝，且是 full build

測試素材是我用 edge-tts（zh-TW-HsiaoChenNeural）合成的 7 句口播，句間塞 1.5 到 2.6 秒的停頓，做成 1080×1920 直式影片，左上角燒原始時間碼，剪完一看就知道每一格來自原片哪一秒。

5 步怎麼做？

第 1 步：把素材丟進空資料夾

管線只吃一個資料夾，拿裡面第一支 .mp4／.mov／.mkv。找不到就直接結束，不做任何猜測。

第 2 步：產生逐字時間軸

model = WhisperModel("mobiuslabsgmbh/faster-whisper-large-v3-turbo",
                     device="cuda", compute_type="float16")
segments, _ = model.transcribe(str(video), language="zh", word_timestamps=True,
                               vad_filter=True, initial_prompt="以下是繁體中文的口播。")
cc = OpenCC("s2twp")

initial_prompt 寫了繁體，第一版輸出還是簡體，而且把「Claude Code」聽成「Cloud Code」。所以轉錄後固定再走兩道：OpenCC s2twp 轉台灣用語繁體，再套一張專有名詞表：

GLOSSARY = {"Cloud Code": "Claude Code", "Cloud": "Claude", "品位": "品味"}

這張表是整條管線最值得自己維護的東西。你常講的產品名、人名，Whisper 聽錯一次就加一行。

第 3 步：依講話段剪掉空白

每一段講話前後各多留 0.12 秒（--pad），兩段之間的空隙小於 0.35 秒（--gap）就合併，不切：

def keep_ranges(segs, total, gap, pad):
    ranges = []
    for s in segs:
        a, b = max(0.0, s.start - pad), min(total, s.end + pad)
        if ranges and a - ranges[-1][1] <= gap:
            ranges[-1] = (ranges[-1][0], b)
        else:
            ranges.append((a, b))
    return ranges

剪接用一個 filter_complex 做完：每段 trim／atrim，音訊頭尾各加 20 ms 淡入淡出，最後 concat。淡入淡出是為了避免接點出現「啪」一聲。

第 4 步：字幕改寫到剪後時間，燒進畫面

Whisper 的時間戳是原片時間，剪完之後全部錯位，要先換算：

def remap(t, ranges):
    """原始時間 → 剪接後時間"""
    acc = 0.0
    for a, b in ranges:
        if t < a:
            return acc
        if t <= b:
            return acc + t - a
        acc += b - a
    return acc

第一版把整句塞進一條字幕，直式畫面太窄，「Whisper」被拆成「Whispe／r」兩行。改成依逗號切短句，每句的時間按字數比例分給它，排版就正常了。燒字幕用 ffmpeg 的 subtitles 濾鏡加 force_style，字型微軟正黑體、白字黑框。

第 5 步：配樂自動閃避，響度拉到 -14 LUFS

人聲複製一份當 sidechain 的觸發訊號，講話時壓低音樂，停頓時放回來：

[0:a]asplit=2[voice][key];
[1:a]aformat=channel_layouts=stereo,volume=0.6,afade=t=in:d=1,afade=t=out:st=...:d=1.5[bg];
[bg][key]sidechaincompress=threshold=0.02:ratio=10:attack=20:release=300[ducked];
[voice]aformat=channel_layouts=stereo[vs];
[vs][ducked]amix=inputs=2:duration=first:normalize=0,loudnorm=I=-14:TP=-1.5:LRA=11[a]

amix 一定要加 normalize=0，不然 ffmpeg 會把兩軌各自減半，人聲一起變小。沒帶 --music 時，管線會用 aevalsrc 合成一段和弦當示範配樂。

實際跑出來的結果

python poc/reel_pipeline.py raw out

[1/5] 素材 raw_take.mp4 45.23s
[2/5] 逐字稿 7 段
[3/5] 剪空白 保留 7 段 → 24.35s
[4/5] 字幕 subs.srt
[5/5] 輸出 out\final.mp4 24.35s
real    2m10.031s

成果用 ffmpeg 自己的分析濾鏡逐項量：

下圖是成品的四個時間點。左上角燒的是原片時間碼：成品第 18.9 秒顯示原片 34.5 秒，到這一格為止已經剪掉 15.6 秒的停頓。

第一次跑完抓到哪些錯誤？

管線第一次跑完，成品看起來能播，逐項檢查才發現三個問題：

這套管線的限制在哪？

• 只剪靜音，不剪贅字。 「嗯、那個」、講錯重來，聲音都不是靜音，第 3 步看不出來。要剪這些，得讓 LLM 讀逐字稿決定剪點，這正是 video-use 那一層。
• 素材是 TTS。 合成語音句子乾淨、停頓整齊，真人口播的呼吸聲和背景噪音會讓 VAD 分段變碎，--gap 和 --pad 可能要重調。
• 字幕時間按字數比例分配。 沒用到逐字時間戳，長句可能差 0.1 到 0.3 秒。
• 字型寫死微軟正黑體。 要在 macOS／Linux 跑，改 FONT 常數。
• 轉錄吃 GPU。 沒有 CUDA 就把 device 改成 cpu、compute_type 改成 int8，速度會慢很多。

什麼時候該用別的工具？

延伸資源

• 原始 Reel：@aicreator_dae 的 5 步剪片 Reel
• browser-use/video-use：讓 LLM 讀逐字稿剪贅字、重講，MIT 授權
• auto-editor：只依音量剪掉靜音，Unlicense
• faster-whisper：本文第 2 步用的轉錄引擎
• 轉錄想用 CPU 跑：whisper.cpp 本機語音轉文字
• 需要逐字時間戳和語者分離：WhisperX 實測
• 剪好之後檢查開場留不留得住人：HookAce 與 Hook6 的開場評分