前言¶

做抖音口播的团队，剪辑往往是吞时间的一环。一条口播录下来，中间全是气口和停顿；要发短视频，还得手动去静音、加字幕、切片、转竖屏。这些活儿单看都不难，难的是每条视频都要重复一遍，而且大多数人手里没有一套能批量跑的命令行流程。

下面介绍一个面向这类场景的 Agent Skill：口播/短视频剪辑自动化流水线。它把去气口、字幕烧录、切片、转竖屏、批量处理、片头片尾拼接这些步骤，包装成一条可以本地跑完的流水线，不需要你去维护一套自己的脚本，也不用申请 API Key。

这是什么¶

一句话定位：把 FFmpeg 和 Whisper 组合起来，把口播/短视频的常见剪辑动作固化成可复用的自动化流程。

出品方信息：坐标 @user_b5a543a8/clip-automation，发布者 user_b5a543a8，来源 community，分类 design-media，版本 1.0.0。

解决的问题：口播视频从原始录制到可发布成片之间那些重复的机械性剪辑操作。Skill 主打「全程本地运行」，标签明确写了 requires_api_key=false，也就是说它不依赖任何外部模型 API 的额度或密钥。

核心功能¶

按官方简介，这个 Skill 覆盖以下能力：

1、去气口静音：识别口播中间的停顿并静音/切除，去掉「呃」「啊」这类气口。
2、自动字幕烧录：用 Whisper 做语音识别，再把字幕直接烧进画面，而不是只产出字幕文件。
3、长视频切片：把一条长口播拆成多条短视频。
4、转竖屏 9:16：把横屏素材转成抖音竖屏比例。
5、批量处理：多条素材一起走同一套流程。
6、片头片尾拼接：把开头和结尾片段接到正片上。

其中 Whisper 负责语音识别生成字幕，FFmpeg 负责实际的音视频处理与合成，两者分工比较清晰。

安装与启用¶

截至本次核实，官方页面（https://api.skillhub.cn/user_b5a543a8/clip-automation 及 SkillHub 展示页）无法抓取成功，因此安装命令、目录约定和配置文件字段都无法从资料中核实，这里不写具体命令。

可核实的信息是：该 Skill 基于通用 SKILL.md 格式，通过 SkillHub 分发。启用方式以官方页面给出的指引为准。需要注意两点：

1、它声明 requires_api_key=false，安装后不需要配置密钥类字段。
2、本地运行意味着 FFmpeg 和 Whisper 的运行环境需要在你的机器上可用，Skill 本身不代管这些依赖。

典型用法¶

资料中只提供了触发词，没有给出可复现的命令行示例，所以下面按官方给的触发场景说明，而不是编造参数。

在支持该 Skill 的 Agent 客户端里，用自然语言提出对应需求即可触发对应动作：

1、说「去气口」，触发去静音停顿的处理。
2、说「字幕烧录」，触发 Whisper 识别并把字幕压进画面。
3、说「长视频切片」，触发把长口播切成多条短视频。
4、说「转竖屏 / 9:16」，触发横屏转竖屏。
5、说「批量剪辑」，触发多条素材走同一套流程。
6、说「片头片尾」，触发拼接片头片尾。
7、说「口播剪辑」，走完整的口播处理流程。

建议一次只触发一个动作，确认输出符合预期后再串成完整流程，这样出问题时容易定位是哪一环节。

适用场景与注意¶

适合谁：抖音口播自媒体、需要频繁出片的短视频团队，尤其是希望把剪辑动作脚本化、少手动点剪辑软件的人。

限制和坑：

1、依赖本地 FFmpeg 与 Whisper 环境，环境没配好，Skill 跑不起来，这类问题它不会替你排查。
2、Whisper 的识别质量取决于音频清晰度，口音重、背景噪大的素材，字幕需要人工抽查。
3、去气口是自动判断静音/停顿，阈值是否合适要看素材，建议先拿一条试，再决定是否批量。
4、转竖屏 9:16 对横屏素材是裁切或缩放，构图会被改变，重要内容靠近画面边缘的素材要先确认画面完整。
5、批量处理意味着出错也是批量的，正式批量前先跑一条验证全流程。

另外提醒一点：资料里评分、下载等数据来自 SkillHub 页面，安装数显示为 0，说明它当前使用者还很少，遇到问题更可能要靠自己读 Skill 的说明来排查，而不是指望现成的社区反馈。

结尾¶

这个 Skill 的价值不在于做了一件别人做不到的事，而是把口播剪辑里那些重复动作整理成了一条本地可跑的流水线，省掉的是每次手动操作和重复写脚本的时间。如果你的口播生产正好卡在去气口、字幕、切片、转竖屏这几环，值得拿一条素材试一下。

官方地址：https://api.skillhub.cn/user_b5a543a8/clip-automation