重大升级：安装一个 Skill，让 AI 在一杯咖啡时间内自动剪出成片，并保留可编辑工程

原创于 2026-08-05 19:26:45 发布 · 233 阅读

0 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

话题

#CodingPlan·八月创作之星博客挑战赛

重大升级：安装一个 Skill，让 AI 在一杯咖啡时间内自动剪出成片，并保留可编辑工程

Timeline Studio v0.9.1 正式发布。只需要安装一个 Agent Skill，提供图片、视频、产品素材或者网站地址，AI 就能自动完成内容分析、脚本规划、配音、字幕、镜头剪辑和视觉引导，并同时交付最终视频与可继续修改的 .timeline 工程。

GitHub 仓库：

https://github.com/MartinDelophy/ai-video-editor

Skill 安装页：

https://skills.sh/MartinDelophy/ai-video-editor

一、这次为什么是一次重大升级

Timeline Studio 最初是一个本地优先、直接运行在浏览器中的 AI 视频编辑器。

随着功能不断完善，我们逐渐发现：只在编辑器里增加 AI 配音、字幕、音乐、修复和跟踪能力还不够。

真正能够改变视频生产效率的，是让 Agent 理解用户需求、分析素材、规划镜头、操作编辑器、检查结果，并交付一个可以继续修改的工程。

因此，在 v0.9.1 中，我们重新设计了 edit-timeline-studio Agent Skill。

现在，用户只需要描述最终想要的视频：

请把这个网站制作成一条英文介绍视频。

使用自然女声，专业可信但有活力，16:9，约 60 秒。

先体验网站的公开页面。如果关键功能需要登录，
请让我在浏览器中自行登录。

画面保持稳定，使用真实交互、关键帧放大、
下划线和准确框选突出重要功能。

最终输出成品视频和可继续修改的工程文件。

接下来，可以暂时离开去喝一杯咖啡。

Agent 会自动完成第一次完整剪辑，并交付：

project-name.mp4
project-name.timeline

MP4 可以直接发布，.timeline 则可以重新导入 Timeline Studio 继续修改。

二、安装 Skill 即可使用

通过 skills.sh 安装：

npx skills add MartinDelophy/ai-video-editor \
  --skill edit-timeline-studio

安装到 Codex：

gh skill install MartinDelophy/ai-video-editor \
  edit-timeline-studio \
  --agent codex \
  --scope user \
  --pin v0.9.1

安装到 Claude Code：

gh skill install MartinDelophy/ai-video-editor \
  edit-timeline-studio \
  --agent claude-code \
  --scope user \
  --pin v0.9.1

GitHub Copilot、Gemini CLI、Cursor 等支持 Agent Skills 的客户端，也可以从同一个 GitHub 仓库发现这套 Skill。

三、不是“一键套模板”，而是先理解内容

传统自动剪辑经常采用固定模板：

检测静音；
删除空白；
按固定时长切片；
套用统一转场；
生成字幕；
导出视频。

这种方式可以处理简单素材，但很难完成专业的产品宣传、教程或网站介绍。

Timeline Studio 的工作流首先会识别内容类别：

类型	需要优先保护的内容
人物口播	语义、表情、自然停顿和人物稳定性
教程演示	指令、操作与结果的对应关系
访谈对话	说话人身份、问答关系和真实语境
Vlog/活动	事件发展、自然声和镜头变化
产品营销	产品身份、卖点证据、品牌和行动号召
叙事纪录	人物、因果关系和时空连续性
网站宣传	页面证据、真实交互、隐私和视觉引导

分类的目的不是选择一个模板，而是为不同内容应用不同的保护规则。

例如，教程中的“讲解—点击—结果”必须被视为一个整体；产品宣传不能因为 AI 生成的画面更漂亮，就改变包装文字、Logo、颜色或者产品结构。

四、图片和视频如何分析

对于图片，Agent 会检查：

人物、产品和主要视觉主体；
Logo 与品牌关键元素；
可读文字；
图像清晰度；
分辨率；
裁切空间；
景深和分层条件；
是否适合直接使用、2.5D、图生视频或图生图处理。

对于视频，分析会组合：

镜头边界；
代表帧；
OCR；
语音与字幕；
人物、产品和界面区域；
全局光流；
主体区域光流；
模糊、遮挡与失焦；
动作开始与结果出现的时间点。

光流只负责分析运动，不能单独证明一个区域的语义。

因此，系统会先判断“画面中的对象是什么”，再利用光流判断“它如何移动”。

这让 Agent 可以区分：

全局运动 → 相机移动或相机抖动
局部运动 → 人物、产品或界面内容移动
稳定区域 → 适合阅读、突出或停留
异常运动 → 模糊、遮挡或跟踪失败

在进行跟踪和视觉增强之前，系统会优先处理不必要的全局抖动。

五、自动剪辑之前先生成决策记录

Agent 不会分析完成后立即修改时间线。

它会先构建一份剪辑决策记录：

{
  "category": "website-walkthrough-promo",
  "goal": "product-introduction",
  "targetDurationSeconds": 60,
  "aspectRatio": "16:9",
  "narrationLanguage": "en-US",
  "voiceProfile": {
    "genderPresentation": "female",
    "style": "professional-energetic"
  },
  "mustKeep": [
    "product value",
    "real interaction",
    "visible result"
  ],
  "mustAvoid": [
    "private account information",
    "unsupported product claims",
    "camera shake",
    "tracking drift"
  ]
}

然后为素材中的重要时间范围记录：

保留；
删除；
缩短；
重排；
加速；
强调；
保护音频连续性；
保护字幕边界。

每个重要决定都会保留原因和置信度。

对于存在实质性歧义的问题，Agent 会向用户询问；对于能够直接从素材中观察到的内容，则不会重复提问。

六、网站宣传视频不再是截图轮播

网站宣传是本次升级重点优化的场景。

拿到一个网站地址后，Agent 不会只截取首页。

它会先构建页面和流程覆盖清单：

主页；
功能页面；
产品列表；
详情页面；
搜索与筛选；
关键操作流程；
登录后的产品界面；
外部链接；
具有真实外部影响的操作。

如果关键页面需要登录，Agent 会要求用户自行在浏览器中完成登录，而不会索要：

密码；
短信验证码；
一次性口令；
Cookie；
Token；
账户恢复信息。

如果用户不方便登录，Agent 只会基于公开页面继续制作，并把无法访问的能力标记为“未验证”。

在获得授权的页面范围内，Agent 可以通过脚本驱动真实浏览器完成：

平滑滚动；
鼠标移动；
hover 状态；
标签切换；
搜索和筛选；
加载到结果的变化；
页面视频播放；
可逆的表单预览；
临时鼠标光环和焦点提示。

脚本不能提交订单、发布内容、发送消息、修改账户资料或者执行其他有外部影响的操作。

七、专业动效不等于“到处画矩形框”

我们在早期测试中发现，自动生成的网站视频很容易出现两个问题：

每个页面都使用矩形框；
画面始终在放大、缩小和移动。

这种视频虽然“有动效”，却不具备专业质感。

在新工作流中，Agent 会根据目标选择不同的视觉引导方式：

小而密集的界面：关键帧放大；
精确文字和数字：下划线或括线；
按钮、卡片和结果：准确框选；
需要保留上下文：聚光遮罩；
需要解释元素关系：引导线；
视频中的移动对象：光流辅助跟踪；
静态产品图片：景深或 2.5D 分层。

一个标准的解释镜头遵循：

建立上下文
    ↓
引导注意
    ↓
锁定目标
    ↓
静止阅读
    ↓
自然释放

画面抵达目标后必须停稳，让观众有足够时间阅读。

我们明确拒绝：

无意义的持续缩放；
模拟手持画面；
微抖动；
弹性过冲；
框选漂移；
重复放大和缩小；
滚动和变焦同时发生；
为了展示效果而堆叠效果。

八、先生成自然配音，再决定画面时长

不少自动视频会先固定 60 秒画面，再把配音强行压缩到 60 秒。

这样很容易导致：

语速过快；
停顿消失；
字幕闪过；
品牌名发音错误；
画面重点与配音错位。

Timeline Studio 会先确认：

配音语言；
女性、男性或指定声音；
年龄感；
专业、可信、温暖、活力或沉稳等表达风格；
品牌名、网址、数字和专业词的读法；
字幕语言；
自然语速。

配音确认后，再根据每句话的实际长度和自然停顿安排画面。

如果文案超过目标时长，系统优先修改和压缩文案，而不是粗暴加速声音。

光标到达、框选锁定、下划线出现、关键帧放大和结果展示，也会同步到对应的语句。

九、`.timeline` v3：一条字幕对应一个音频文件

这是本次工程结构中非常重要的一项升级。

过去，一整段旁白可能只有一个音频文件，时间线中的多个句子只是引用不同时间范围。

这样虽然在界面上看起来已经分段，实际修改一句配音时仍然会影响完整音频。

最新的 .timeline v3 会将句子级配音物理拆分：

caption-01 → voice-01.wav
caption-02 → voice-02.wav
caption-03 → voice-03.wav

字幕通过 audioClipId 与音频片段一一对应。

归档结构类似：

project.timeline
├── project.json
├── media/
│   ├── visuals/
│   │   ├── 001-homepage.png
│   │   └── 002-product.png
│   └── audio/
│       ├── voice-001.wav
│       ├── voice-002.wav
│       ├── voice-003.wav
│       └── music.wav

重新打开工程后，用户可以：

替换其中一句配音；
调整一句话的开始时间；
修改音量和淡入淡出；
更新对应字幕；
删除其中一个句子；
重新生成局部声音；
保留其他已经确认的结果。

十、播放循环问题是如何解决的

在多媒体时间线中，如果使用当前视频元素的 currentTime 作为总时间线时钟，视频在片尾发生解码停顿时，播放头可能一直被限制在当前片段末尾。

用户看到的表现，就是视频在某一个片段中不断循环。

原来的关系接近：

Video currentTime
       ↓
Timeline playhead
       ↓
Other media

现在改为：

Monotonic Timeline Clock
       ├── Video
       ├── Voiceover
       ├── Music
       ├── Captions
       └── Effects

时间线成为单调递增的主时钟，视频和音频只作为跟随者。

核心逻辑可以概括为：

const wallClockTime = Math.min(
  timelineDuration,
  playbackStartTime + (now - playbackStartedAt) / 1000
);

currentTimelineTime = wallClockTime;

同时，片段区间从闭区间判断：

time >= start && time <= start + duration

调整为半开区间：

time >= start && time < start + duration

这样可以避免在两个相邻片段的公共边界上同时激活两段媒体。

十一、本地优先与 ModelScope 双线路模型交付

Timeline Studio 将多种 AI 能力放在浏览器中运行：

多语言 AI 配音；
Whisper 自动字幕；
Stable Audio AI 音乐；
人物与物体检测；
智能画面；
人像处理；
AI 修复；
高清增强；
人声分离；
数字人相关能力。

模型采用按需下载和版本固定策略，并通过 Hugging Face 与 ModelScope 双线路交付。

对于国内网络环境，Timeline Studio 优先选择 ModelScope；当线路不可用时，再使用对应的 Hugging Face 镜像。

两家平台使用统一缓存身份：

ModelScope artifact
        │
        ├── same revision
        ├── same checksum
        └── same cache identity
        │
Hugging Face artifact

因此，切换模型来源不会让浏览器重复下载同一个模型。

运行流程如下：

用户第一次选择 AI 能力
        ↓
检查本地缓存
        ↓
检测模型线路
        ↓
下载缺失文件
        ↓
初始化浏览器推理
        ↓
后续任务直接复用

这种本地优先架构带来的价值包括：

原始素材不需要为了基础编辑上传到后端；
模型下载后可以重复使用；
国内外网络环境可以使用不同镜像；
模型版本和许可证更加清晰；
Agent 和人工编辑共享同一个项目状态；
导出结果更容易复现。

涉及人脸替换、数字人或其他深度合成能力时，使用者必须取得相关素材的合法授权，不得生成或传播违法、侵权、虚假或误导性内容，也不能将生成结果冒充为真实影像。

十二、命令层与浏览器层协同

Timeline Studio 的 Agent 自动化分为两条路径。

1. 版本化命令路径

对于命令层已经支持的操作，Agent 会先检查工程，再构建声明式编辑计划：

npm run agent -- project.inspect /absolute/path/project.timeline
npm run agent -- project.diff /absolute/path/edit-plan.json
npm run agent -- project.run /absolute/path/edit-plan.json
npm run agent -- project.inspect /absolute/path/project-v2.timeline

其中：

project.inspect：读取工程摘要；
track.inspect：检查具体轨道；
clip.inspect：检查片段；
transcript.inspect：检查字幕和配音关系；
project.diff：进行不写文件的语义 dry run；
project.run：执行通过验证的编辑计划；
project.render：渲染当前支持的便携工程子集。

命令操作使用稳定 ID、修订号、操作 ID 和前置条件，支持事务和幂等控制。

2. 浏览器兼容路径

对于以下能力，Agent 会使用 Timeline Studio 编辑器：

AI 配音；
自动字幕；
复杂效果；
网站交互；
实时预览；
尚未进入命令注册表的编辑操作；
富媒体最终导出。

Skill 会明确区分两条路径，不会把浏览器自动化描述成完全确定性的无头执行。

十三、一键成片之后如何快速修改

因为最终保留了 .timeline 工程，用户后续可以直接提出局部修改需求。

例如：

请打开这个工程。

将第二句英文配音替换为新的文案，
同时更新对应字幕。

把第三个镜头延长 1.5 秒，
其余已经确认的画面、配音和音乐保持不变。

重新导出视频。

也可以继续调整：

单个镜头；
镜头顺序；
字幕内容；
字幕样式；
某一句配音；
背景音乐；
音量；
淡入淡出；
放大位置；
框选范围；
转场；
视频比例；
不同语言版本。

这让 Agent 的工作从“一次性生成”变成“持续协作”。

十四、我们如何定义任务完成

成功调用导出接口，并不代表视频已经完成。

Timeline Studio 会检查两类结果。

结构正确性

.timeline 能否重新打开；
媒体文件是否完整；
字幕与配音是否一一对应；
主画面是否可见；
第一帧能否正常渲染；
轨道时间是否正确；
轨道显隐和锁定状态是否恢复；
导出视频是否包含真实音频；
分辨率、时长和帧数是否正确；
播放是否可以连续跨越全部片段边界。

编辑质量

是否存在画面抖动；
跟踪是否漂移；
框选是否准确；
产品或人物身份是否被改变；
配音是否自然；
字幕是否有足够阅读时间；
强调效果是否与声音同步；
画面是否遮挡关键内容；
需要阅读时画面是否停稳；
是否堆叠了过多效果。

只有结构和质量都通过检查，任务才算完成。

十五、这次升级意味着什么

过去，AI 视频工具通常交付一个结果。

现在，Timeline Studio 希望交付一套可以持续工作的生产流程：

用户提出需求
      ↓
Agent 理解素材与目标
      ↓
Agent 自动完成第一次剪辑
      ↓
交付 MP4 + .timeline
      ↓
用户提出局部修改
      ↓
Agent 调整指定片段
      ↓
重新验证并导出

用户不需要学习所有剪辑工具，也不需要每次从零生成。

第一次任务只需要一杯咖啡的时间，之后的修改则可以基于原工程快速完成。

结语

我们认为，AI 视频编辑下一阶段的竞争点，不只是生成模型能否做出漂亮画面。

真正重要的是：

能否理解素材；
能否保护事实和品牌；
能否规划清晰的叙事；
能否生成自然配音；
能否稳定、准确地引导观众；
能否交付可继续编辑的工程；
能否在用户修改需求时只调整必要部分。

Timeline Studio 想做的事情，可以概括为一句话：

安装一个 Skill，一杯咖啡的时间获得一条成品视频；保留一个可编辑工程，承接之后的每一次调整。

GitHub 仓库：

https://github.com/MartinDelophy/ai-video-editor

重大升级：安装一个 Skill，让 AI 在一杯咖啡时间内自动剪出成片，并保留可编辑工程

重大升级：安装一个 Skill，让 AI 在一杯咖啡时间内自动剪出成片，并保留可编辑工程

一、这次为什么是一次重大升级

二、安装 Skill 即可使用

三、不是“一键套模板”，而是先理解内容

四、图片和视频如何分析

五、自动剪辑之前先生成决策记录

六、网站宣传视频不再是截图轮播

七、专业动效不等于“到处画矩形框”

八、先生成自然配音，再决定画面时长

九、.timeline v3：一条字幕对应一个音频文件

十、播放循环问题是如何解决的

十一、本地优先与 ModelScope 双线路模型交付

十二、命令层与浏览器层协同

1. 版本化命令路径

2. 浏览器兼容路径

十三、一键成片之后如何快速修改

十四、我们如何定义任务完成

结构正确性

编辑质量

十五、这次升级意味着什么

结语

九、`.timeline` v3：一条字幕对应一个音频文件