粗剪这件事，
先做到七成可用。

我真正想解决的问题

已有大量拍摄、收集和拆分素材。每次做口播视频，仍然要找画面、核对地点、拖时间线、做字幕、加包装。目标是先拿到可打开、可继续修改的剪映工程：保留完整口播与原声，让 AI 和程序承担粗选与搭建，人保留判断和细剪。

成片不是第一交付物。工程、素材引用、字幕、配乐、选择理由和未完成项，才是这条工作流的核心。正常模式允许露脸；全覆盖模式用实景、图解和必要的信息卡承接口播，不要求所有内容都塞进实拍。

为什么一开始能用度低

第一，文件名末尾常带原视频的完整标题，搜索“火山”却可能找到其中的办公室或片头。第二，程序把整段话和一个镜头硬匹配，又曾设置 6 秒上限、按目标覆盖率截断最后一个镜头。第三，模型只能从已经筛错的少量候选中选，前面漏掉的素材后面救不回来。第四，未抽看实际画面，标签错误、重复文件和错误地点都可能进入时间线。第五，保存了草稿目录却没有登记列表，或者动效同时发生却放在同一轨道，导致“文件生成”和“可用工程”脱节。

真正带来改善的几个决定

• 先拆素材，再索引：镜头有明确边界，文件名前部描述画面，片尾来源标题另行保存。
• 先读 SRT，再检索：字幕提供内容与时间；模型提供段落意图、主题、地点、适合露脸或配画面的安排。
• 字幕核心词与素材多标签综合匹配：不要求整句话等于文件名；稀有地名和主体词优先，航拍、季节、远景等用于排序。
• 必须看候选画面：文件名是检索线索，不是画面事实。至少抽查入点、中央和出点，并做跨文件相似检查。
• 镜头有长有短：取消 6 秒限制不等于加长镜头。完整叙述按语义承接；列举按对象快切。
• 图解承担信息：没有对应实拍的抽象观点、关系、路线、年份，用清晰图解；不拿其他地点或现代画面冒充特定史实。
• 保留人工入口：先看方案、换镜头、改文案、选择包装，再生成。人负责最后的相关性和节奏判断。
• 保存可恢复状态：字幕、索引、模型原始响应、人工修正、剪辑清单、工程检查、依赖和程序版本一起归档。

三个不同指标，不能混写

可用度：创作者认为这套流程帮上了多少忙，约 10% 到约 70% 是主观评价。

实拍覆盖率：独立实拍素材在口播时间轴中可见区间的并集除以总时长，重叠不重复计算。

画面覆盖率：实景＋图解＋图片等新增画面在时间轴中的覆盖比例。100% 画面覆盖不等于 100% 实拍，更不等于 100% 匹配正确。

已保存的对比记录：

本地 3B 没有超过人工辅助选镜的版本。不能把“整体七成可用”写成本地小模型已经有七成正确率。

每次需要准备什么

1. 一个口播文件夹，放 MP4 与对应的 SRT。尽量同名；视频改过之后必须重新核对字幕。
2. 素材目录。示例路径为 X:\素材库，实际使用时按自己的目录修改。可以追加多个目录。
3. 目标：正常粗剪或全覆盖；素材最低占比；允许露脸的内容；是否做字幕、包装与配乐。
4. 剪映草稿目录。必须核实当前应用实际使用的位置，不能仅凭旧记录推断。
5. 特殊约束：地点、季节、禁用类别、水印、人物、美颜、不能虚构的历史内容。

SRT 用来理解内容，与是否显示字幕是两个设置。选择“不需要字幕”仍可用 SRT 做镜头匹配。原视频烧录的字幕不能变回可编辑文字；新增文字轨道须避免重复。

日常操作顺序

对话协作方式（目前效果较好的路径）

把本手册和本次口播路径交给助手。先用 30—60 秒验证字幕、镜头相关性和节奏；确认后做整段。要求检查实际候选画面并交付剪辑清单，不能只报覆盖率。完成后由人打开剪映细剪。

本地网页方式（试验版）

先启动本地模型服务和本地工作台。选择口播文件夹，自动识别 MP4 与 SRT；添加素材库并扫描；填写占比、露脸偏好、草稿目录、字幕选项。点击“分析字幕与素材”。等待模型生成方案后，在包装区选择使用或不用，修改文案、样式与时间，再确认生成工程。

当前网页生成器支持“不需要字幕”选项，SRT 参与匹配。对话协作样例中的双语字幕、分段 BGM 和全覆盖图解使用了额外脚本，尚未全部变成网页里稳定的一键功能。恢复源代码不等于这些功能已经产品化。

刷新网页不应取消任务；页面保存任务编号后可恢复显示。后台服务或电脑重启会中断正在运行的任务，尚不支持通用断点续作。等待动效确认的任务可以恢复，或者放弃后重新分析。

匹配与时间线规则

普通叙述：一段完整意思优先一个镜头；源时长不足时用两个相关镜头，在分句处切换。素材不足就说明原因，不把无关画面填进去。

列举：“草原—火山—九龙湾”分别配画面；通用草原可检索草原标签，九龙湾这样的具体地点必须限定同名地点。若所有词都放在同一条 SRT 中，需要音频词级对齐才能精确切换；按字数估算只能算近似。

长句：根据语义决定是否换镜头，不为达到覆盖率在半句话退出，不用变速、裁切、镜像隐藏重复。

去重：相同源文件的源时间区间不能重叠；不同文件也要检查相同画面。每段首中尾图像指纹检查是一层筛选，不等于逐帧检测。

工程：原口播与原声保留为底层；上层 B-roll 静音。多段动效重叠时自动分轨。4:3 或竖屏画面应处理留边，避免底层人物从边缘露出。

包装、想象画面与配乐

包装：序号标签、重点文字与划线、字幕逐字变色、信息卡片可以在网页中选择，后台渲染透明 ProRes 4444 MOV 再放入剪映独立轨道。内部动画不是剪映文字图层；更改文字需要重新渲染。当前逐字变色按字幕时间推进，未完成逐字发音对齐。

HTML 动画：可作为模板与预览路线；当前集成版实际渲染器主要是程序绘图帧＋视频编码，不能宣称全部由 HTML/CSS 逐帧渲染。完整 HTML 序号列表动画仍待接入。

Motion Bro：本机预设包可读出 568 个 MOGRT 和对应预览，选择库用于浏览、收藏和选风格。选择不等于自动套用；原 MOGRT 的参数替换和 Adobe 渲染依赖未打通。不随公开材料分发商业预设和预览。

想象画面：适合童年回忆、抽象意象和假设场景。对话中单独生成并确认，放入专用素材目录；不能冒充真实地点、历史照片或已发生事件。本地文字模型不是图像生成模型，缺少能力先提示可用开源方案。

BGM：先识别开场、情绪转折、地理解释、历史和战役段落，再选情绪、音量和切换点。无歌词、低音量、淡入淡出，声乐和强节拍避开密集口播。六段测试配乐是本地程序合成，不是 AI 音乐模型生成。保留原声意味着原视频中已有配乐也可能存在，要试听是否叠加冲突。

本地模型与成本

本机已测试 Qwen2.5-VL-3B 的 4-bit 量化版本，通过 llama.cpp 提供回环地址接口，模型别名 local-qwen25vl-3b，端口 8766，当前上下文配置 4096 tokens。小模型分批输入，限制输出结构，保存每批原始响应；遗漏时补问，无有效结果时标记待审核。

本机约 24GB 内存、i5-9400F、GTX 1050 Ti 4GB。服务繁忙与内存不足会放大等待时间。不能用一次短请求耗时代表纯模型速度。Qwen 4B 是建议测试项，尚未安装验证，不能在报告中写成已用。

默认本地优先，不自动回退 DeepSeek 或其他付费服务。本地模型不收云端 API token 费用，但占用电脑资源和电力。通过 Codex 对话进行理解、看图、开发和修正，仍有 Codex 用量；二者分开。

故障处理

• 找不到草稿：核对当前草稿目录和列表登记，备份索引，防止覆盖剪映刚写入的记录。
• 有旧任务阻塞：恢复已有任务；确定不用时放弃待确认任务。运行中任务不能伪装成路径错误。
• 模型回复漏段：校验编号、条数与合法候选，单独补全；失败段保留或图解并标注，不声称全部正确。
• 动效时间重叠：分配独立轨道。轨道结构合法仍不代表画面不互相遮挡，需预览。
• MOV 变黑底：检查编码与 Alpha 通道，再检查剪映识别。普通 MP4 不作为透明层格式。
• 素材很少：检查是否误用完整原视频标题、是否过严要求完整段落、是否候选在前一步已漏掉。
• X 盘不可访问：检查映射与共享在线状态。不要生成指向不存在素材的工程。
• 剪映升级后不兼容：只说结构检查结果，重新测试，不把成功写入 JSON 等同于实际打开验证。

没有原对话时的恢复步骤

保存本手册、参数预设、启动请求模板、工具源码和依赖清单。模型权重、原始媒体、商业模板与密钥分别管理，不放进公开下载。

1. 准备 Windows、Python 和本地模型服务；按恢复包说明安装依赖并自检。
2. 恢复素材目录或修改路径映射，核实 X 盘、口播、SRT 和草稿目录。
3. 启动网页，使用 10—30 秒样例验证读取、模型响应、动效、工程生成和列表登记。
4. 把“启动请求模板.txt”粘贴到新对话，并提供手册或页面地址。
5. 对助手明确区分：已经做好的、只验证过一次的、尚未实现的。要求交付逐段计划、诊断和工程备份。
6. 先用短段验证质量，再做全片。每次完成后保存参数、模型版本和修正记录，形成可迁移的制作资产。

下一轮真正值得投入的部分

候选视频可预览与一键替换；把选对/否决结果作为可撤销偏好；为素材库增加持续更新的画面标签；词级时间对齐；稳定的 HTML 包装模板；任务失败后从最后成功步骤恢复；新模型与旧模型用同一段字幕和同一组素材做对比评估。

七成可用的价值，是粗选、搭建和检查已经可以形成一条链路；剩下的判断、节奏、史实、音乐听感和最终发布仍由创作者负责。