第 29 卷

这里我用的是阶跃星辰的语音能力。阶跃星辰是一家做大模型和多模态

能力的公司，开放平台提供语音模型：ASR 用来把视频或音频里的口播

转成文字，TTS 则反过来把文字转成语音。

官网：

www.stepfun.com

开放平台：

platform.stepfun.com

如果你后续想持续做口播类短视频，建议至少准备一个可用的中文 ASR

能力。这样你既可以把人的口播转成字幕，也可以在需要旁白时，把文

字转成 AI 语音。

素材插入，AI 会补上很多你没说清的细节

就在我以为视频基本完成时，又来了一个新需求。

同事说，除了直播长视频，还有一段手机拍摄的素材，以及几张图片，

需要加进这条短视频里。对一个剪辑小白来说，这里马上出现了几个难

点：素材应该截哪一段？插到哪里？插多长？是全屏插入，还是画中

画？图片又应该放在什么位置？

我当时给 AI 的指令其实很粗。我只是说，把坐在轮椅上的视频放在脱

不花讲刘开心邀请她“飙车”的部分，也就是后面讲到她让脱不花兜风

的那段，中间截一段就可以了。注意，我并不知道那个部分在成片里的

准确位置，也没有告诉它应该截哪一段。

我还顺手提了几个很口语化的要求：字幕要往屏幕下方放，书中原文那

段全屏字幕不要挡脸，最后几秒放书的封面。你看，这些要求没有任何

专业剪辑术语，本质上就是把人的观感说清楚。

Codex 处理了很久，先识别清楚哪些素材是什么，再按照内容点去放。

它没有完全照我的“全屏插入”执行，而是判断画中画更合适；还保留

了素材里的环境声，同时把声音调低，避免和脱不花的主声打架。最后

它输出的是一个新的 v05 素材版，没有覆盖旧版。

这对我来说是一个很典型的“Aha 时刻”。我只提出一个模糊需求，但

AI 为了最终效果，自己补上了背后的很多剪辑逻辑。

它还会判断图片应该放在哪里。比如讲到刘开心是谁的时候，人物图片

出现；讲到两本书时，两本书的图片出现；讲到她邀请脱不花“飙车”、

一起兜风时，手机拍摄的轮椅素材插入。它不是随机插素材，而是在用

内容理解去匹配画面位置。

把一次剪辑经验沉淀成 Skill

这条短视频做完以后，我又让 Codex 做了一件事：把这次直播剪辑工

作流打包成一个 Skill。