认知边界 内部资料 · 品牌中心
AI 剪辑工作流 · 方法整理

用 Codex 剪一条长视频
从一堆素材到可交付的成片

不追求“一句话生成成片”。真正的做法是:把后期拆成 9 个能单独验收的小环节,每个环节给 AI 明确的输入、规则和输出格式,人只负责判断。

整理自抖音「光羽的平行世界」《Codex 剪辑长视频深度教程》· 原片 11:13 · 案例为 20 分钟级双人访谈
一整天 → 3m37s一条多机位粗剪的耗时对比
11m07s粗剪任务实际用时(358 段素材)
5m59s358 个片段全部完成切机位
97.8%355 / 358 段文字逐字精确匹配
先说结论 Codex 不是在剪辑软件里帮你点按钮,它是在读你的文稿、字幕、工程文件,然后直接改工程的结构。所以你能做的第一件事不是写提示词,而是把素材和规则整理成它看得懂的样子。

原片回放

11 分 14 秒,来自「光羽的平行世界」。下面整篇教程,都是从这条片子里拆出来的。

网页版为适配站点体积限制压缩到 720p(约 24 MB),原片为 1080p、69 MB。需要原画质可在抖音搜索「光羽的平行世界」查看。

0先看懂它怎么工作,后面才不会白忙

一句话理解:文案告诉你“说什么”,字幕告诉你“在第几秒”,工程文件告诉你“那几秒是哪台机器拍的”。三样对齐,AI 才能剪。

核心机制

Codex 会先读你给的文稿,识别出要保留的段落;再去字幕文件里找到这些句子的时间码;然后用时间码去工程文件里定位对应的视频片段;最后按规则删除、保留、调序,输出一条新的剪辑工程。

三步:读文字 → 找时间线 → 修剪视频。字幕文件告诉它“内容发生在哪一秒”,工程文件告诉它“那一秒对应哪段素材”,所以两者缺一不可。

你以为它在做什么实际它在做什么你要给它的东西
看画面、凭感觉挑镜头→可检索的文字规则(颜色标注、时间码)
在软件里拖时间线→可解析的工程文件(如 .fcpxml)
“一键出片”→每一步的输入、规则、输出格式
给新手的一句提醒 它的产出是“可导入的工程”,不是成片。屏幕上的花字、包装、音乐音效它不碰——这些仍然是剪辑师的工作。接受这一点,你这套流程就跑得顺。

1开工前:先摆好四个文件夹

这一步决定后面 80% 的成败。片中那句“工欲善其事,必先利其器”,说的就是这个。

建一个粗剪总文件夹,里面只放四类东西。分类越稳定,AI 判断越准,你返工越少。

  • 宇宙 ebike 粗剪/ 一个项目 · 四类素材
    • 01 原始素材/ 按机位分开,不要混装
      手机FX3GSGS 录音LZOSMO
    • 02 合版工程线/ .fcpxml 已对好的多机位时间线
      260703_宇宙 ebike_B1_1 公司纪实+空镜.fcpxml 260703_宇宙 ebike_B1_2 坐采.fcpxml
    • 03 字幕文件/ .srt AI 用来定位时间码
      B1_1.srt B1_2.srt
    • 04 导演划稿/ .docx 保留 / 删除 / 调序的规则
      宇宙 ebike 程泓宁-划稿 1.0.docx

四类文件各管一件事:原始素材=可用的画面,工程线=已经对好的多机位时间线,字幕=时间码索引,划稿=保留 / 删除 / 调序的规则。

命名里必须藏住三个信息

  • 哪一段:B1_1 是第一段(公司纪实),B1_2 是第二段(坐采)。
  • 谁在说:文稿里的说话人标签要和文件名、机位文件夹对得上。
  • 什么机位:主持人的、嘉宾的、双人的、现场的,各自一个文件夹,别让 AI 猜。
为什么这件事最重要 AI 判断“这段该用谁的镜头”,靠的是文件名和文件夹。前面越清楚,后面它越准;前面乱了,它就会把两个人的机位切反——片中就真实发生过,工程日志里留着那句批注:“两个人的镜头都切反了,而且很多漏句”。

开工前的十分钟检查

  • 原始素材按机位分好文件夹了吗?
  • 多机位工程能正常打开、时间线对得上吗?
  • 字幕是 SRT、并且覆盖全片吗?
  • 划稿文档里,保留 / 删除 / 调序已经标完了吗?
  • 原始工程备份了吗?后面所有操作都应该产出新文件,不覆盖原件。

2九步流程:一次只解决一个问题

片中总结为 8 步(未单列调色),这里按实际演示补上,避免你漏掉这一步。

1整理素材素材治理人
2粗剪内容AI
3切机位画面AI
4调节奏观感AI
5统一声音听感AI
6调色统一度AI
7字幕信息AI
8导出交付工程AI
9人工检查终审人
蓝色 = AI 执行(第 2–8 步) 绿色 = 人工执行(第 1、9 步)

九步里只有第 1 步(整理素材)和第 9 步(人工检查)由人完成,中间七步全部交给 Codex。每一步只做一件事,做完就验收,验收不过就只改这一处。这样做有两个好处:AI 出错时你能立刻定位,返工不会推倒重来。

为什么不能一次让它全干 一次性到位,很容易剪出明显的“AI 感”:镜头切得机械、节奏没有重点、字幕像批量生成的。把流程拆开,才是人和 AI 配合的正确姿势。

3九个步骤,逐步照做

每一步都给了:目标、指令原文、验收标准。指令可以直接复制改文件名用。

1

整理素材人工执行约 10 分钟

把“文件夹结构 + 命名”做到不看内容也知道每个文件是什么。

做什么
建四个子文件夹:原始素材(按机位分)、合版工程线、字幕 SRT、导演划稿 DOCX。
命名规则
日期_项目_段号_内容类型,例如 260703_宇宙 ebike_B1_1 公司纪实+空镜.fcpxml。
划稿怎么标
用颜色代替批注:黄色=保留,删除线=删掉,蓝色=调位置,红色备注=人工判断。
验收
随便点开一个文件,你能立刻说出:这是第几段、谁的机位、录的是什么。
2

粗剪AI 执行内容层面

按划稿把不要的删掉、要调序的排好,输出一条结构确定的新时间线。

指令里必须交代四件事

① 参考哪个文稿
它是唯一的判断依据
② 改哪条时间线
指定工程文件,别让它乱找
③ 按什么规则
保留 / 删除 / 调序
④ 输出什么格式
新工程文件,不覆盖原件

四种颜色,就是四类指令

这段保留
黄色高亮=进入成片
这段删掉
删除线=不要
这段挪到前面
蓝色高亮=调整顺序
这里要推四个分屏
红色备注=人的判断,AI 不动
粗剪指令
请根据导演划稿的文稿,对现有剪辑工程进行粗剪。
按照文稿中的保留、删除和顺序调整要求,修改时间线;
保持视频、字幕和时间码的对应关系;
最后输出一份新的工程文件,不要覆盖原始工程。
验收
新工程能打开;字幕时间码和画面对得上;原始工程没有被改动。
片中的数据
358 段待处理素材,357 段定位成功,355 段逐字精确匹配,用时 11 分 07 秒。
常见坑
只说一句“帮我把视频剪好”。剪辑不是单个动作,是一连串判断,规则不写清楚,它就自己替你猜。
3

切机位AI 执行画面层面

让镜头跟着说话人和情绪走,而不是一个全景从头到尾。

一个机位不变,画面会平;切换之后,观众注意力才会跟着内容变化。你不需要手动切,只要把“谁说话 → 用哪个机位”写成规则。

情景用哪个机位
嘉宾发言→嘉宾正面机位
主持人提问→主持人机位
双方来回互动→双人机位
重点观点 / 情绪明显变化→近景或特写
切机位指令
请根据字幕中的说话人自动匹配机位:
嘉宾发言使用嘉宾的机位,
主持人提问使用主持人的机位,
双方互动时使用双人机位,
遇到重点观点或明显的情绪变化时使用近景机位。
GS 文件夹是采访对象的正面机位,LZ 是主持人机位。
依赖
这条指令能不能跑对,全靠第 1 步的命名。机位文件夹分不清,它就会把两个人切反。
验收
切点不落在半句话中间;没有越轴;情绪段落用的是近景。
片中的数据
358 个片段全部完成音画分离选角,用时 5 分 59 秒。
4

调节奏AI 执行观感层面

删掉让人分心的废话,但留下让人显得在思考的停顿。

该删
  • 重复表达:“因为本来本来这个东西……”
  • 无意义口头禅:“嗯”“然后”“怎么说”
  • 过长的空白、卡壳
必须留
  • 体现思考的停顿
  • 强调观点前的停顿
  • 情绪、语速变化带来的停顿

全部删掉,人会像机器在念稿。所以这条指令里一定要带上“但保留……”。

调节奏指令
删除明显的口头禅、重复表达和无意义停顿,
但保留能够体现思考、情绪或者语速变化的停顿,
不要改变原始表达含义。
验收
随机抽三段听:不磕巴、不机械、意思没被改掉。
常见坑
让它“把气口全删干净”。这就等于把人的思考痕迹也删了。
5

统一声音AI 执行听感层面

把三个人、四台机器、一个房间录出来的声音,拉到一个水平线上。

  • 主持人和嘉宾音量不一致;
  • 不同机位的声音忽大忽小;
  • 现场底噪、空调声、回声。
声音指令
统一主持人和嘉宾的人声音量,降低明显的底噪。

批处理能解决 80%,剩下的 20% 得靠耳朵:“最终的判断不是靠参数,还是得看听起来舒不舒服。” 建议戴耳机完整听一遍。

验收
从头到尾不用手动拧音量;没有人声被压得发闷;底噪消失但气口还在。
6

调色AI 执行统一度

不同机位拍出来的画面,看起来像同一场戏。

多机位最常见的是偏色:一台偏黄、一台偏蓝,一台过曝、一台发暗,人物肤色也跟着不自然。统一曝光和白平衡,比调“好看”更重要。

调色指令
请统一不同机位的曝光和白平衡,
修正明显的偏黄、偏蓝或过暗的画面,
保证人物肤色自然,
让整体画面的亮度和色调保持一致。
验收
切机位时画面不“跳色”;人物肤色在每台机器上都接近;整体亮度一致。
提示
调完一定用“切机位前后”连着看,单帧好看不代表切起来不跳。
7

处理字幕AI 执行信息层面

不重复、不错位、一行别堆太多字。

字幕的四个常见病:同一个字重复出现、字幕和人声不同步、一行字太多、换行不自然。规则说复杂了 AI 反而抓不住,就三条铁律。

不要重复
识别产生的重复片段要合并
不要错位
必须跟人声同步
不要一行太多字
太长就按语义拆开
字幕指令
根据字幕文件生成视频字幕:
删除重复字幕,保持与人声同步,
按照语义自然断句,
每条字幕控制在 15 个字以内。
片中的数据
原字幕 779 条,整理后 699 条,最长 15 个字符;“哎、嗯、啊、哦”这类语气词做了断句保护。
验收
随机跳到 5 个位置,字幕都对得上嘴;没有一行超长;没有重复行。
8

导出AI 执行交付工程

交的不是一条时间线,而是一套能被检查和复查的工程。

  • 可导入剪辑软件的工程文件(如 .fcpxml);
  • 文字映射清单:段落、文字、说话人、时间码;
  • 剪辑日志:删了什么、为什么删、哪些是重复和空白;
  • 未解决问题列表:没匹配上的句子、转写差异、缺失素材;
  • 切点报告:片段数、入点出点处理、有没有吞字。
最重要的一条 永远产出新文件,绝不覆盖原始工程。 片中的 AI 明确写了“原 .fcpbundle 未修改”。这条既是安全线,也方便你改坏了直接退回上一版。
9

人工检查人工执行不可省略

机器跑完后,你要在四个地方各看一遍。这是整条流程里唯一不能省的一步。

  • 1有没有删错内容?
  • 2镜头切换自不自然?
  • 3字幕有没有错别字或重复?
  • 4声音有没有忽大忽小?

发现问题不要让它重做全片,指到具体时间点,让它只改局部。这样又快又不会把已经改好的地方弄坏。

局部返修指令(照这个句式说)
3 分 12 秒到 3 分 18 秒的切机位太快,请保留嘉宾的正面镜头。

5 分 40 秒的字幕断句不自然,请按照完整的语义重新拆分。

然后回到第 9 步再看一遍。整个流程就是检查 → 修正 → 再检查,直到成片可以交付。

4出错了怎么改:别重做,指位置

这套流程真正的效率,来自“改一个点”,而不是“重跑一遍”。

问题别这么说要这么说
镜头切太碎“切得不好,重切”“3:12–3:18 切机位太快,请保留嘉宾正面镜头”
字幕断句别扭“字幕重新做”“5:40 断句不自然,按完整语义重新拆分”
某段被误删“漏内容了”“B1_2 里 12:30 那句关于渠道的话被删了,请恢复”
音量不齐“声音不对”“14:00 之后嘉宾音量比主持人低,拉齐到同一水平”
句式模板 时间点 + 现象 + 你希望的结果。 三样齐全,它就能只改那一处;缺一样,它就只能猜,猜错你还得返工。

5AI 到这里就停:花字、包装、音乐音效

片子里做到“粗剪 + 切机位 + 节奏 + 声音 + 调色 + 字幕”就收手了,剩下的交回给人。

原因很简单:花字要懂梗、包装要有审美、音乐音效要卡情绪——这些是判断,不是执行。把判断交给 AI,出来的就是那种“哪儿都对、就是不好看”的成片。

适合交给 AI
  • 重复、量大、规则明确的活
  • 删口头禅、对时间码、统音量
  • 按规则切机位、按语义断句
必须留给人
  • 内容判断:这句该不该留
  • 审美:花字、包装、节奏感
  • 终审:能不能交付

6新手最容易踩的五个坑

这五条,片子里每一条都有对应的失败记录。

坑会发生什么
文件夹混在一起、文件名随手起AI 分不清谁的机位,两个人镜头切反,还得人工重来
只说“帮我剪好”它只能自己猜规则,删错、留错,你还要花更多时间找回来
一次把粗剪、切机位、调色、字幕全丢过去出错时不知道错在哪一步,只能全部推倒
让它直接覆盖原工程改坏了没有退路,原始时间线也没了
跑完不看,直接导出漏句、错别字、音量跳变全会带进成片

7两条原则,比九个步骤更值钱

步骤只适用于剪片,这两条适用于你所有想用 AI 干的活。

原则一 · 人机结合

需要经验、审美和最终判断的地方,让人来做。不要过度追求“全部让 AI 完成”。AI 负责批量、重复、规则明确的部分;人负责“好不好”的部分。

原则二 · 把流程拆得足够细

每一步都要有明确的输入、明确的规则、明确的输出要求。AI 才接得住。一句超长提示词换一个最终结果,多数业务根本走不完。

判断一个 AI 应用好不好,不看“是不是一键完成”,而看三件事:能不能解决问题、能不能稳定交付、能不能真正落地。

一句话记住整套方法 Codex 剪辑的核心不是“一句话生成成片”,而是把复杂工作拆成一环扣一环的流程,再在每一环上提效。

8提示词速查

复制前把方括号里的项目名、文件名换成你自己的。

① 粗剪

输入:导演划稿 + 多机位工程 + 字幕

请根据导演划稿的文稿,对现有剪辑工程进行粗剪。按照文稿中的保留、删除和顺序调整要求,修改时间线;保持视频、字幕和时间码的对应关系;最后输出一份新的工程文件,不要覆盖原始工程。

② 切机位

输入:字幕(说话人)+ 按机位分好的素材文件夹

请根据字幕中的说话人自动匹配机位:嘉宾发言使用嘉宾的机位,主持人提问使用主持人的机位,双方互动时使用双人机位,遇到重点观点或明显的情绪变化时使用近景机位。

③ 调节奏

输入:已切好机位的时间线

删除明显的口头禅、重复表达和无意义停顿,但保留能够体现思考、情绪或者语速变化的停顿,不要改变原始表达含义。

④ 统一声音

输入:多机位原声

统一主持人和嘉宾的人声音量,降低明显的底噪。

⑤ 调色

输入:不同机位的素材

请统一不同机位的曝光和白平衡,修正明显的偏黄、偏蓝或过暗的画面,保证人物肤色自然,让整体画面的亮度和色调保持一致。

⑥ 字幕

输入:SRT 字幕文件

根据字幕文件生成视频字幕:删除重复字幕,保持与人声同步,按照语义自然断句,每条字幕控制在 15 个字以内。

⑦ 局部返修

输入:时间点 + 现象 + 期望结果

3 分 12 秒到 3 分 18 秒的切机位太快,请保留嘉宾的正面镜头。