剪辑 Agent 字幕升级：99% 正确率的字幕，一条指令直接推进剪映

剪辑 Agent 字幕升级：99% 正确率的字幕，一条指令直接推进剪映 剪辑 Agent 字幕升级：99% 正确率的字幕，一条指令直接推进剪映 Modified April 16 第 4 步：预设样式（可改） 我给 Skill 自带一套默认样式——黄字黑描边、4:3 画面、贴底、入场渐显，适合大部分口播视频。 想换样式， 一句话告诉 Agent 就行 ： • "字体换白色"、"改成竖屏"、"字幕放中间" 如果你有自己偏好的样式，也可以根据剪映 app 里的内容，去查询对应的参数是什么： 需要说明的一点是，这个坐标，代表了字幕的位置，可以在剪映里预先配置好，然后发给 Agent： 不用查文档，不用敲命令。花字清单在 Skill 的 references 里，挑一眼直接报名字。 第 5 步：在剪映里打开 跑完你会拿到两个产物： Code block Plain Text Copy 📄 SRT 文件 → 已经在剪映里剪过的视频，拖这个就行 🎬 剪映草稿 → Cmd+Q 退出剪映 → 重开 → 首页双击打开 重开剪映是关键一步——剪映启动时才扫描草稿目录，不重开看不到新草稿。 为什么准确率会分成 80% / 95% / 99% 三档方案，对应三种场景。 有口播稿（99%） ：识别只是为了拿时间戳，字幕文本 直接用你的口播稿 。只要口播和稿子差别不大，专名基本不会错。 有错词字典（95%） ：火山引擎识别 + AI 结合上下文纠错——这篇一直在讲 Claude Code，「克劳德扣的」大概率就是 Claude Code。不是靠词典硬匹配，是 读上下文 。 两样都没（约 80%） ：能跑，但专名要手工过一遍。 什么时候会掉到 80% 以下？ 多人对话、带 BGM 背景音、方言或中英混播——这些场景识别本身就难，再好的纠错也救不回来。这类视频我一般还是手工过一遍。 真正变化的不是技术，是门槛 字幕这事折腾了好几版： 1.剪映自带 → 专名不准 2.老版 Agent → 准了，但要 AI 编程基础才能跑 3.这一版 → 不用懂技术，一个指令跑完直接进剪映 对口播作者来说，字幕从来不是创作，是返工。 这次升级解决的不是「字幕能不能生成」，而是「非技术用户能不能直接拿来剪」。 如果你每周都在做口播，第一次配置花 10 分钟，后面每条视频都能少掉 20 分钟的低价值返工。把口播稿一起给它—— 剪字幕这件事，就该退出你的手工流程了。 第 4 步：预设样式（可改） 我给 Skill 自带一套默认样式——黄字黑描边、4:3 画面、贴底、入场渐显，适合大部分口播视频。 想换样式， 一句话告诉 Agent 就行 ： • "字体换白色"、"改成竖屏"、"字幕放中间" 如果你有自己偏好的样式，也可以根据剪映 app 里的内容，去查询对应的参数是什么： 需要说明的一点是，这个坐标，代表了字幕的位置，可以在剪映里预先配置好，然后发给 Agent： 不用查文档，不用敲命令。花字清单在 Skill 的 references 里，挑一眼直接报名字。 第 5 步：在剪映里打开 跑完你会拿到两个产物： 重开剪映是关键一步——剪映启动时才扫描草稿目录，不重开看不到新草稿。 为什么准确率会分成 80% / 95% / 99% 三档方案，对应三种场景。 有口播稿（99%） ：识别只是为了拿时间戳，字幕文本 直接用你的口播稿 。只要口播和稿子差别不大，专名基本不会错。 有错词字典（95%） ：火山引擎识别 + AI 结合上下文纠错——这篇一直在讲 Claude Code，「克劳德扣的」大概率就是 Claude Code。不是靠词典硬匹配，是 读上下文 。 两样都没（约 80%） ：能跑，但专名要手工过一遍。 什么时候会掉到 80% 以下？ 多人对话、带 BGM 背景音、方言或中英混播——这些场景识别本身就难，再好的纠错也救不回来。这类视频我一般还是手工过一遍。 真正变化的不是技术，是门槛 字幕这事折腾了好几版： 1.剪映自带 → 专名不准 2.老版 Agent → 准了，但要 AI 编程基础才能跑 3.这一版 → 不用懂技术，一个指令跑完直接进剪映 对口播作者来说，字幕从来不是创作，是返工。 这次升级解决的不是「字幕能不能生成」，而是「非技术用户能不能直接拿来剪」。 如果你每周都在做口播，第一次配置花 10 分钟，后面每条视频都能少掉 20 分钟的低价值返工。把口播稿一起给它—— 剪字幕这件事，就该退出你的手工流程了。 🔗 原文链接： https://mp.weixin.qq.com/s/ZtpmiZW4... https://mp.weixin.qq.com/s/ZtpmiZW4... 原创 成峰 成峰 AI产品自由2026年4月16日 08:08 浙江 大家好，我是成峰。 最近把剪辑 Agent 的字幕功能重做了一遍。 跑一条指令，剪映首页多出一个新草稿。双击打开，字幕全在时间轴上，花字和入场动画都已经配好了。 字幕准确率 95%，有口播稿能到 99%。 做这件事之前，我试过两条路 第一层：剪映自己的字幕 剪过视频的人都懂—— 专名一识别就错。 「成峰」→「乘风」 「Claude Code」→「克劳德扣的」 「Agent」→「阿金特」 半小时视频，改字幕的时间比剪还久。 这不是识别模型的问题，是专名本来就没有标准发音。 第二层：我上一版做的剪辑 Agent 为了解决识别不准，我之前做过一版剪辑 Agent。 字幕准是准了。但反馈下来，大家卡的不是准不准——是根本用不起来。 两个门槛： • 要有 AI 编程经验： 没基础直接劝退 • 命令行交互： 对很多人来说比较陌 生 技术对了，但门槛把人挡在外面。 做出来的能用，但用不起来的人最多。 GitHub 上淘到了 capcut mate 前段时间翻 GitHub，看到一个叫 capcut mate 的项目。 冷门，但它最关键的价值只有一个—— 不是导出字幕文件，而是直接生成可编辑的剪映草稿。 字幕、花字、入场动画，全都能用 API 写进去。不用烧录，不用手动拖 SRT，产物就是一个剪映原生项目。 我把它接进了剪辑 Agent，在它基础上加了三件事： 1. 接一套语音识别服务 （火山引擎 ASR），先拿到准确时间戳 2. 口播稿对齐 ：识别只负责拿时间戳，字幕文本直接用你的口播稿 3. 错词字典 ：没口播稿时，用字典做二次校对 新流程就跑通了： 三条路并排放一起，差距一目了然： 一句话总结 ：剪映自带是省事但不准，老版 Agent 是准但难上手，这一版是把「准确率」和「可用性」一起补齐。 具体怎么用：5 步搞定 第 1 步：下载 Skills + 配一次火山 apikey 首次使用 还要配一下火山语音识别的 apikey（转录用的）： 1.去 火山引擎控制台 开通语音识别服务，拿到 apikey 就可以了 2.填到 Skill 的配置文件里（Skill 会在第一次跑时提示你填，只用配一次） 之后每条视频都复用这套 key，不用管它。 这个是开通地址，不要找错地方： https://console.volcengine.com/speech/new/setting/activate?projectName=default 打开以后，根据图，选择模型，点击开通： 创建 apikey，并复制： 发给 Agent 配置，就可以了。 下完就能用。环境、依赖、本地服务，Skill 第一次跑的时候自己装，你不用管。老用户直接更新就行。 第 2 步：准备口播稿 或 字典 这一步决定准确率。 • 有口播稿（99%） • 直接放进来，字幕文本用你的稿子，识别只为拿时间戳 • 有错词字典（95%） • 把常错的专名列出来（ 成峰/乘风 、 Claude Code/克劳德扣的 ），Agent 校对时照着修 • 两样都没（约 80%） • 也能跑，但专名要自己人肉复核一遍，建议还是补个字典一句话： 你给越多上下文，Agent 犯越少错。 第 3 步：导出字幕 输入 /v ，选 videocut:导出字幕 。 然后拖动给 Agent 字幕文件，以及视频就行。 Skill 先确认一下口播稿 / 字典路径，然后直接开跑。