手动对齐字幕太痛苦？这款免费开源的AI视频剪辑工具把视频当文稿来剪

手动对齐字幕太痛苦？这款免费开源的AI视频剪辑工具把视频当文稿来剪

【免费下载链接】FunClipFunASR-powered video transcription, subtitle generation, and LLM-assisted clipping tool with a local Gradio UI.项目地址: https://gitcode.com/GitHub_Trending/fu/FunClip

凌晨一点，剪辑师还在时间轴上一帧帧找话——3小时的采访要剪成2分钟高光，光是"人声对齐字幕"就耗掉大半天。这是体力活，不是剪辑。FunClip 就是这样一款免费开源的AI视频剪辑工具，专治这种场景：把视频交给它，机器先"听懂"所有语音，你像删改文稿一样勾选想留下的句子，裁剪自动完成。本地部署、代码全开，素材不出你的电脑。

它凭什么能做到？先弄懂三件事 🧠

FunClip 的底层其实只有三件事，每件都对应一个真实场景。

语音识别，把视频变成可搜索的文稿。它调用阿里巴巴通义实验室开源的 Paraformer-Large 模型，识别中文语音并同步预测时间戳，这是目前效果最好的开源中文识别方案之一。当你想知道"第几分钟讲了什么"时，不用反复拖进度条，直接在逐句文本里搜索就行。官方文档：docs/

说话人分离，分清"谁在说话"。集成 CAM++ 说话人识别模型，自动给每句话打上说话人 ID。做访谈剪辑时，输入一个 ID，受访者的所有发言被一次性抽出，主持人的提问一句不留。

语义理解，听懂"哪段才是重点"。这是最特别的部分：接入 GPT、Qwen 等大模型后，你只要说清楚要什么（比如"保留产品卖点，删掉寒暄"），模型通读一遍字幕，自动圈出对应时间戳，裁剪随之完成。

第一次使用：5分钟跑通全流程 ⚡

安装只需要三条命令：

git clone https://gitcode.com/GitHub_Trending/fu/FunClip cd FunClip pip install -r requirements.txt

再启动本地服务：

python funclip/launch.py

浏览器打开 localhost:7860，界面就绪。剩下的全是鼠标操作：上传视频 → 点击"识别"（想区分说话人就点"识别+区分说话人"）→ 在识别结果里勾选文本段落，或填入说话人 ID → 点击"裁剪"。系统会自动返回全视频 SRT 字幕和选中段落的字幕文件，多段自由剪辑同样支持。第一次从上传到出片，5分钟内可以完成。

进阶玩法：让识别更准、剪得更聪明 🎯

热词定制：在热词框输入人名、专业术语、品牌名，识别时优先匹配，错字率明显下降。适合记者的专访整理，以及律师、医生处理带大量专有名词的录音。

切换识别引擎与语言：启动时加-l en进入英文模式；加-m sensevoice切换 SenseVoice 模型，支持多语种识别，还附带情绪标签和音频事件检测。适合做海外内容或处理多语料库的团队。

大模型配置与提示词：在 LLM 区域选模型、填 API Key，再写下你的专属 Prompt——"提炼决策点""挑出情绪高潮"，把裁剪标准固化下来。适合内容团队批量处理素材，一次配置，反复复用。

三个真实用法：不同身份，同一个动作 🚀

内容创作者（场景：一条 40 分钟直播要拆成 5 条短视频）→ 操作：识别后用 LLM 按主题切分 → 产出：5 个带字幕的高光片段，当天就能发布。

教师（场景：90 分钟讲座，想让学生看精华的 15 分钟）→ 操作：热词加入课程术语，识别后按知识点勾选 → 产出：带时间戳的复习切片，还能单独抽出教师或学生的发言。

会议记录员（场景：周会多人抢话、杂音多）→ 操作：说话人分离 + 关键词提取 → 产出：按人归类的发言文本和关键决策片段，纪要初稿半小时内成型。

下一步：让工具长成你想要的样子 🌱

FunClip 的源码与模型权重完全开放，核心源码：funclip/llm/ 里就是大模型调用的全部实现。装上 Python、拉下仓库，你可以改 Prompt、换模型、甚至把它接进自己的业务管线——这正是本地部署工具最大的自由：它不只是一个剪辑软件，而是一块随时可以改装的积木。现在就把仓库 clone 到本地，让第一次"文稿式剪辑"从今晚开始。

【免费下载链接】FunClipFunASR-powered video transcription, subtitle generation, and LLM-assisted clipping tool with a local Gradio UI.项目地址: https://gitcode.com/GitHub_Trending/fu/FunClip