「Github发现」AutoClip – AI视频智能切片系统

视频切片这件事，重复劳动的成分很高。你要反复观看一个长视频，找到所谓的”精彩片段”，再手动裁剪、导出、上传。如果每天要处理大量视频，这绝对是个体力活。

AutoClip 是一个基于 AI 的智能视频切片处理系统，目标是让这个过程尽可能自动化——输入一个 YouTube 或 B 站视频链接，系统自动完成下载、AI 分析精彩片段、生成切片、合集整理的全流程。

相关链接

• GitHub仓库：https://github.com/zhouxiaoka/autoclip

AutoClip 是什么

AutoClip 是一个前后端分离的视频处理系统，后端基于 FastAPI + Celery + Redis，前端基于 React 18 + TypeScript + Ant Design。核心功能是从 YouTube、B 站等平台下载视频，然后通过通义千问大语言模型对视频内容进行理解，自动识别精彩片段并进行切片处理，最后还能智能生成合集。

系统支持 Docker 一键部署，也支持本地手动安装，部署门槛不算高。MIT 开源协议。

核心功能

多平台视频下载

支持 YouTube 和 B 站视频链接解析下载，也支持本地文件上传。YouTube 端通过 yt-dlp 实现，B 站端支持登录账号管理。下载后自动保存视频和字幕文件到本地存储。

AI 智能分析

这是整个系统的核心环节。视频下载完成后，通义千问模型会对视频内容进行多维度分析：提取视频大纲、识别话题时间区间、对每个片段进行精彩度评分、为切片生成标题。整个分析过程通过 Celery 异步任务队列执行，支持 WebSocket 实时推送进度。

自动切片与合集生成

AI 分析完成后，系统会自动将视频切割成多个独立片段，并给出合集推荐。用户也可以手动创建合集，支持拖拽排序。开发中的功能还包括 B 站一键上传和可视化字幕编辑。

技术架构

项目的技术栈选择比较务实：

• 后端：FastAPI（现代化 Python Web 框架）+ Celery（异步任务队列）+ Redis（消息代理）+ SQLite（数据库，可升级 PostgreSQL）+ yt-dlp（视频下载）+ 通义千问（AI 分析）
• 前端：React 18 + TypeScript + Ant Design + Vite + Zustand（状态管理）+ React Router
• 部署：Docker + Docker Compose，支持一键启动脚本

架构图清晰展示了数据流向：用户界面 → FastAPI 后端 → Celery 任务队列 → AI 处理引擎/视频处理/字幕分析，YouTube API 和 B 站 API 作为外部数据源接入。

快速部署

推荐使用 Docker 部署，一条命令搞定所有依赖：

git clone https://github.com/zhouxiaoka/autoclip.git
cd autoclip
./docker-start.sh

本地部署需要分别安装后端和前端依赖，还要手动启动 Redis 和配置 FFmpeg 环境，步骤相对繁琐一些，但对于本地开发来说足够了。

配置文件使用 .env 格式，主要需要配置的是通义千问的 API Key（API_DASHSCOPE_API_KEY）。其他如数据库路径、Redis 连接、文件存储路径等均有默认值，可以按需修改。

适用人群

这个系统主要面向以下几类用户：

• 视频创作者：需要从直播回放或长视频中提取精彩片段做二次创作
• 内容运营人员：批量处理多平台视频素材，提高分发效率
• B 站 UP 主：自动切片 + 即将支持的 B 站上传，可以显著减少重复工作量
• AI 应用开发者：参考 FastAPI + Celery + React 的全栈架构设计

测试体验

WarpNav 小编在本地跑了 Docker 版本，整体部署过程确实如文档所说，一条命令搞定，没有遇到坑。

视频下载速度取决于网络环境和视频时长，yt-dlp 的兼容性历来不错，B 站下载需要提前配置好账号 Cookie。AI 分析环节是整个流程中最耗时的部分，系统会实时推送进度到前端界面，你能看到”素材准备→内容分析→时间线提取→精彩评分→合集生成”的每一步状态。

切片结果的质量，主要取决于通义千问对视频内容的理解能力。对于结构化程度高的视频（如教程、评测、演讲），AI 的切片效果相对较好；内容比较松散或转场多的视频，切片边界可能会有些模糊。小编建议在 AI 生成后手动复核一次标题和切片边界，这个环节目前还没有自动化。

合集推荐功能比较实用，AI 会根据内容关联性给出分组建议，比纯手工整理效率高很多。整体来说，如果你有大量视频需要处理，这个工具能帮你省不少时间。