
amagi-clipper:本地把长录音剪成带字幕的9:16竖屏片段
来源标题:Amagi-clipper, long recordings to captioned 9:16 clips, locally
开源工具 amagi-clipper 可将播客、网络研讨会或直播长录音在本地转为带烧录字幕的 1080x1920 竖屏片段,无需 API key 和订阅。它用 faster-whisper 本地转写,按整句以 20 至 75 秒为单位评分并选出适合独立传播的片段,再通过 ffmpeg 裁剪输出。首次运行会下载所选 Whisper 模型,有 NVIDIA GPU 时自动使用 GPU。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
把一段很长的播客、网络研讨会或直播录像丢给它,就能拿回带硬字幕的竖屏 9:16 片段,可以直接发到 Shorts、Reels 和 TikTok。它在你自己的电脑上运行,不需要 API key,也不需要订阅。
amagi-clipper 用 faster-whisper 在本地转写录音。然后它会针对每一段 20 到 75 秒、由完整句子组成的连续内容打分,评估其独立成篇的程度,再用 ffmpeg 把得分最高的几段切成 1080x1920 的 mp4。字幕每次最多显示三个词,正在说的那个词显示为黄色。
它是为每周都录节目、却始终抽不出时间剪片段的独立播客主和小型代理机构做的。
它从演示片段中切出的三个片段里的画面(输入是纯音频,所以用了波形布局)。
pipx install amagi-clipper
或者从这个仓库的克隆里安装:pipx install .
你还需要 PATH 里有 ffmpeg。Python 3.10 或更新版本。第一次运行会下载你选择的 Whisper 模型。如果你有 NVIDIA GPU,amagi-clipper 会自动使用它。GPU 转写还需要 NVIDIA 的 cuBLAS 和 cuDNN 9 库(见 faster-whisper 的安装说明)。如果缺少这些库,amagi-clipper 会提示,并回退到 CPU。
amagi-clipper <file> [-o OUTDIR] [-n 5] [--min 20] [--max 75] [--layout auto|crop|blur|audiogram] [--model small] [--dry-run]
选项 作用
-o, --outdir 运行文件夹放在哪里(默认 amagi_clipper_out)
-n, --count 切多少个片段(默认 5)
--min, --max 片段的最短和最长秒数(默认 20 和 75)
--layout crop 从中心填满画面,blur 把整幅画面叠在模糊副本上,audiogram 绘制波形。默认:视频用 crop,纯音频用 audiogram
--model faster-whisper 规格:tiny、base、small(默认)、medium、large-v3
--device auto(默认)、cpu 或 cuda
--language 口语语言代码,例如 en(默认:自动检测)
--size 输出尺寸(默认 1080x1920)
--font, --font-size, --highlight 字幕字体(默认 Arial)、像素字号(默认画面高度的 5%)、正在说的词的颜色(默认 #FFD400)
--no-upper 字幕保持口语大小写,而不是全大写
--no-headline Audiogram 片段:省略顶部的标题
--transcript 复用之前某次运行的 transcript.json,而不是重新转写
--dry-run 只打分并列出片段,不渲染任何内容
示例:
从视频播客切五个片段,中心裁剪
amagi-clipper episode42.mp4
双人或屏幕共享录像:保留整幅画面
amagi-clipper webinar.mp4 --layout blur -n 3
先看看它会切出什么,再决定是否渲染
amagi-clipper episode42.mp4 --dry-run
转写是最慢的一步,所以 transcript 会缓存在运行文件夹里。用不同的 -n、--min、--max 或 --layout 再次运行同一个文件时,会跳过 Whisper。
tests/fixtures/demo_episode.m4a 里的演示片段是 144 秒、两个合成人声。我们写的脚本里埋了三段独立的独白,夹在开场、结尾和来回闲聊之间,用来看看 amagi-clipper 能不能找到它们。以下是在 RTX 3090 上用默认 small 模型的运行结果:
$ amagi-clipper tests/fixtures/demo_episode.m4a -o runs -n 3 #1 97.0 01:13-01:41 28s clip_01.mp4 "Why do most clips fail?" #2 91.0 00:27-00:56 30s clip_02.mp4 "Here's the truth nobody tells you about growing a podcast." #3 91.0 01:49-02:15 26s clip_03.mp4 "Stop paying $30 a month for clip software." runs/demo_episode
它挑出了三段独白,跳过了开场。转写加三次 1080x1920 渲染共用了 23.7 秒实际时间。
clips.md 中片段 1 的条目(完整文件见 examples/demo_episode):
1. 97.0 - [01:13 - 01:41] 28s
- File:
clip_01.mp4 - Hook: "Why do most clips fail?"
- Score parts: hook 27, standalone 20, ending 15, length 10, boundaries 10, delivery 15
- Why: hook: opens with a question (+); hook: 'why' framing (+); hook: short first sentence, 5 words (+); standalone: clean start and finished last sentence (+); ending: lands on a full statement (+); length: 27s sits in the 26-53s sweet spot (+)
打分机制
amagi-clipper 在句末标点处或任何 1.2 秒及以上的停顿处把 transcript 切成句子。--min 和 --max 之间每一段由完整句子组成的连续内容都是一个候选。每个候选最多得 100 分:
最好的片段先被选中,且永不重叠。每一个得分或失分点都会用平实的语言写进 clips.md,所以你能看到某个片段为什么排在那个位置。
仓库里包含一个 SKILL.md。把它复制到你的 skills 文件夹:
mkdir -p ~/.claude/skills/amagi-clipper cp SKILL.md ~/.claude/skills/amagi-clipper/SKILL.md
然后让 Claude“从 episode42.mp4 切五个片段”。它会运行 amagi-clipper,并把 clips.md 读给你听。
打分是启发式的,不是 LLM。它找的是开头有力、干净且独立成篇的连续内容。它判断不了一个笑话好不好笑。发布前先看看片段。
crop 是固定的中心裁剪,没有人脸跟踪。如果说话人不在画面中央,用 --layout blur。
Whisper 在 CPU 上很慢。在我们那台繁忙的测试 PC 上,small 比实时还慢。--model base 或 tiny 更快但精度更低,而 NVIDIA GPU 快得多。
演示片段是为测试编写的合成语音。真实对话更杂乱,所以预计会看到更多你会跳过的选择。
相关 AmagiLabs 项目
amagi-listen:给 Claude 一段播客或会议录音,拿回带章节的 transcript。 amagi-watch:给 Claude 一个视频 URL,拿回 transcript 和关键帧。 更多工具见 github.com/amagilabs。
如果 amagi-clipper 帮你省下了一个下午在时间轴上拖来拖去的时间,点个 star 能帮其他播客主找到它。
MIT。Copyright (c) 2026 Amagisolutionsgroup, Inc. (AmagiLabs)。见 LICENSE。
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。