核心用法
video-editing 是一套完整的自动化视频后期工作流，专为口播、脱口秀、vlog 类内容创作者设计。其核心能力是将长视频按语音语义精确切分为独立句子片段，支持用户按需选择后自动合成带字幕的最终成片。
完整工作流程：
1. 音频提取：从视频提取 WAV 格式音频
2. 语音识别：调用 Whisper（推荐 faster-whisper）生成带时间戳的逐句文本
3. 视频切分：按句子边界精确切割视频片段
4. 字幕烧录：为每个片段生成适配字幕（支持竖屏/横屏自动优化）
5. 交互选片：展示片段列表供用户跨视频选择
6. 合成导出：合并选中片段为最终视频
7. 封面生成：基于转录内容自动生成带标题的封面帧
8. 章节时间轴：添加可视化进度条，支持 YouTube 章节标记
9. 质量验证：检测片段衔接处是否有重复音频
显著优点：
- 智能自动化：从语音内容驱动剪辑决策，无需手动标记时间点
- 多平台优化：自动检测 macOS（Apple Silicon/Intel）、Linux、WSL、Windows，调用硬件编码加速（VideoToolbox/NVENC/QSV/AMF）
- 竖屏原生适配：针对小红书、抖音等 9:16 平台优化字幕位置和字体大小
- 灵活选片：支持连续范围、多选、混合选择的片段组合方式
- AI 辅助标题：可从转录文本自动生成观众视角的吸睛封面标题
潜在缺点与局限性：
- 依赖重量级模型：large-v3 模型需约 2.9GB 下载，首次使用准备时间较长
- 中文识别门槛：base/small 模型中文准确率较低，对硬件有一定要求
- 非创意剪辑：基于语音切分，无法自动识别画面内容或情感节奏，不适合需要复杂叙事结构的艺术创作
- 前置依赖较多：需 ffmpeg、Python 环境及可能的 GPU 驱动配置
适合人群：
- 知识博主、口播创作者需要快速生产字幕版本
- 播客/脱口秀后期团队处理多机位素材
- 企业培训部门批量剪辑内部讲话视频
- 短视频运营需快速迭代竖屏内容
常规风险：
- 语音识别错误可能导致切点偏移，建议在 Phase 2 后人工检查转录文本
- 合成后可能出现技术性音频重复，需按 Phase 8 验证流程排查
- 依赖外部服务（Google Fonts、HuggingFace）下载字体和模型，国内用户需关注网络稳定性