AI自动剪辑视频纯粹是音频操作，它和视频多模态支持，AI生成视频也没有啥关系，一个视频教你学会！
-
呃，昨天呢，我在发帖的时候又说这个MiniMax M3.1碰瓷DeepSeek，说什么评分超过DeepSeek，我个人觉得是吹牛逼。实际干活，因为两个模型我都测过嘛，DeepSeek我更是长期用，我觉得MiniMax M3.1跟DeepSeek V4.1 Flash在编程或者agent任务中的差距是非常明显的啊，这个不用吹牛逼。但是呢，我这人怎么讲，我是带有强烈主观情绪的，我必须说啊，GLM、MiniMax、Kimi这些国产模型，包括小米，它们都有自己擅长的领域，在某些领域比DeepSeek表现更好。但是你要说性价比，我肯定首推DeepSeek啊，尤其是V4.1 Flash。它1017版本到现在，我用了这么久，可以说几乎没有什么缺点了啊，没有什么大的缺点。你不能说它完美，就性价比已经达到了这段时间以来，甚至我用AI以来的一个极值，相当牛逼。
然后Johnny be good就说，说你要看碰瓷什么。如果是编程、深度思考、agent这些任务，可能MiniMax确实不行，没有DeepSeek好用。但是呢，你看人家主播不是用MiniMax M3.1做了视频剪辑吗？说MiniMax本身是多模态，视频语音识别能力很强，然后他把视频剪辑耗时从5小时降到半小时。啊，TMD的这个……你不要看弹出这个窗口，不要看它什么都没有显示，它实际上是DeepSeek在干活哈，它在调这个浏览器，看到没有？它自己在干活。我这个APP上架什么东西的，我就不展示他们的邮件列表了啊，它自己会填上去。有人申请加入测试，审核过之后就会把他加入测试列表。它这个工作，第一就是说速度比较快、效率比较高；第二就是真的，它现在已经能够自动化干活了。我这APP上架审核、填写资料什么的，全程都是由它完成的。你这个MiniMax行不行？你不要吹牛逼，你就去做同样的工作，是吧？我这个APP，刚才录视频的时候我也没有做准备。你去搞一个跟我一样的APP，让它开发、同时维护网站，然后按照谷歌的要求给它上架，你看看它能不能独立完成。我真的是完全不管它的啊，我在测试、上架的时候完全不管它，就它自己去搞定，这个过程是全自动的。当然了，开发代码的时候，有的时候测试它自己能完成90%以上吧，剩下来的测试要我去验收。
然后这个教练说的话有没有道理呢？我当时就说了啊，我说你这个回复反映出来你对视频根本就不理解。呃，因为这里面涉及到其他主播，我也不能说其他主播就不理解，是吧？这个讲实话，我们在互联网上做视频不能这么猖狂。但是据他说，他那个视频以前剪一个视频要5个小时，我TMD都震惊了，知道吗？首先我们从概念上来分析一下这件事情，为什么我觉得跟MiniMax的多模态一点关系都TMD没有。我给大家这次普及一下视频和AI生成视频之间的本质不同。就视频剪辑，好，我们现在打开剪映啊，这就是一个普通的视频。那么这个剪映其实自己有非常好的功能，就是它有AI剪辑的功能。粗剪之后你只需要调整一下，你看一共就剪这么几刀，是吧？一个视频就剪这么几刀，然后粗剪之后你调整一下就够了。啊，把这个什么……当然我这个中间有些操作做重复了，这个是没有认真去管它。
它分为视频和音频两个部分。我们所谓的剪辑，完全不需要管视频部分，就是他说话这个部分。你看我们这个画面怎么BB，我们不用管它。因为视频跟音频之间共享时间轴，它们是根据时间轴同步的，音频本身就能非常准确地把握时间轴。然后我们视频中有一些基本概念，比如关键帧、I帧、P帧预测帧、B帧双向预测帧，是吧？如果你是搞软件编程的，比如写FFmpeg代码，或者开发商用视频编辑器、视频播放器，你可能需要了解这些概念。但是如果你只是像我一样简单剪辑口播视频，那就完全没有必要管视频的帧，你只需要管音频就行了。音频可以清晰地生成字幕，生成字幕之后，你再把字幕提交给在线AI，让AI判断哪些是口误、哪些是重复的，把它去掉，然后把对应的时间轴返回来。你再根据这个时间轴裁切音频，裁切完音频之后再裁切视频就可以了。你这个过程整个跟视频毫无关系。就是TMD的，MiniMax H3这个视频多模态、原生识别视频，跟视频剪辑没有一毛钱关系，明不明白这个基础概念？
为了验证这个想法，因为我之前很早之前的视频中就讲过，我在AI agent还没有怎么成熟的时候，就通过Playwright，然后通过跟在线网页大模型聊天的方式，做了一个视频自动生成器、视频自动剪辑器。但是那个时候不是我对着镜头BB，因为我英语频道是AI生成音频，用音频去驱动幻灯片、视频或者视频片段，是吧？我那个东西的功能比剪辑口播视频要难上10倍都不止。那个时候还没有agent，用的还是DeepSeek V3.1啊。所以说MiniMax加速你剪辑视频是扯淡的。另外我也不知道为什么剪一个视频要花5个小时，这太TM扯淡了，知道吗？就你这个音频让AI处理一段，一共才花多少时间，是吧？为了验证这个想法，我也不装逼，我之前不是自己手搓的吗？这次我让DeepSeek Harness给我手搓了一个。是吧？我们不看广告看疗效，直接看看它剪出来的视频怎么样。当然只放几十秒啊，要不然我这个视频本身会被拉长。
（视频片段：Kimi K3.1 Pro这个模型在互联网上引起了热议，有网友留言问我为什么不谈一谈这个模型。大家说性能都不错啊，超过……其实不是啊，这个八卦跟我们传统的上北下南是反着来的。这个见仁见智吧，我们也不说它错误。结果又TMD花了我0.15美金。就这玩意你用它得非常小心，它很贵，然后它只要一次没有执行到位，你再跑一次就花同样的钱。论坛的安全，包括AI机器人的巡检，这功能还是比较复杂的，它不是个小玩具，是吧，也是个正儿八经的APP。性价比摆在这里，没有必要就是我有我自己的主观观点，你们没有必要去说服我，知道吗？你们保留自己的观点。）
呃，这个具体的Skill呢，因为涉及到我一些专有的词库，我就不跟大家分享了。但是我跟大家提一下，一会我会发这个视频的文字稿。你们只需要跟你的AI agent讲：“用音频来驱动视频剪辑。”完全不要去分析视频帧，什么I帧、P帧、B帧这些东西跟你完全没有关系，也不用检查视频本身剪辑效果怎么样、接续性怎么样。你就让它用音频来驱动。然后删减字幕、根据字幕裁剪音频的时候，一定要交给在线的DeepSeek V4.1 Flash，或者交给GPT都可以，千万不要交给本地的音频识别模型。因为我们这个有几个步骤：第一个步骤就是比如说我对着镜头BB，BB完之后，我把这段视频发给AI。AI怎么办？把视频部分跟音频部分分离，然后把音频发给ASR模型。这个模型在本地Mac mini上就能安装，不需要很强的算力。如果你的机器是M4或者M5这样比较新的，那么就用Large V3，Large V3就是大的V3版本。如果你是比较弱的，比如M1，那么就用中小的模型。它的识别精度有点差异，会影响后期字幕的精准度，但是不会影响你真正表达的意思，因为字幕后面要交给模型修复。
修复也不一定要交给在线模型，你交给千问27B这样的本地模型，它也能修复。但是前提是你要把修复工作交给能上网搜索的接口。比如你用DeepSeek Harness给千问27B加一个搜索入口，把这个东西交给它，让它通过在线搜索的方式帮你修复字幕。修复完了之后就裁剪音频，再让它根据音频裁剪对应的视频，把它合成视频。最后我建议你不要把字幕烧录到视频中，但烧录也是可以的啊，我已经做过了。因为字幕可能有些东西需要改，你把它上传到油管之后再把字幕挂上去，还有利于视频SEO。
至于我为什么不这么做、喜欢用剪映，为什么？因为我现在用剪映剪这种口播视频，效率非常高、很快。最主要的是有的时候我可能对一些图加箭头，或者贴几张图片，那么你用这种全自动的方式就有点不太合适。但是如果是像老特说的那个频道，不是抡锤者这个频道，我完全不加图片，就可以用这个东西来剪。我不知道大家能不能明白我在说什么。就是剪视频这件事情，跟视频识别毫无关系，它只跟音频有关系。
然后我们再说一下MiniMax H3，它这个视频生成模型这么强、这么牛逼，跟MiniMax M3.1之间有没有什么关系？你可以说有关系，它们是同一家公司，有点关系，但是没多大关系。它这个统一多模态的视频识别，说白了最终原理就是把视频拆成一帧一帧图片，然后去识别图片，就是这么简单。它跟AI生成视频没有半毛钱关系。然后AI生成视频，目前MiniMax H3是diffusion路线。diffusion路线是什么意思呢？就是说给你一个画布，上面全是噪点，是吧？然后你去猜，把噪点去掉，噪点去完之后就得到清晰的、你想要的图像。当然了，我们不能说整个过程就这么傻逼、这么简单，我们只是讲个大概，它的技术框架就是这样。
那么diffusion模型现在的巅峰之作是什么？就是字节跳动的Seedance 2.5，这个是目前最牛逼的。但是这个路线，怎么讲呢，画质是可以的，但是它没有办法用来表达虚拟世界，没有办法做世界模型。真正的终极方向是tokens化的路线。你看Anthropic，包括字节跳动、DeepSeek，都在搞tokens化路线呢。AI图片或者视频生成，因为视频本质上就是图片，知道吗？它就是多张图片连续起来。那在这一块，DeepSeek跟字节跳动的技术储备相当牛逼，只不过目前还没有发威，这个我们可能要稍等一段时间。等这一块、等算力，等大模型架构稍微进化一下，以后我们生成视频也好、生成音频也好，都是tokens化路线了，我们就不需要MiniMax H3，不需要ComfyUI了。当然了，这个多久能实现不好说，是吧？也不是说ComfyUI就完全失去意义了，因为它在画质、细节上暂时还是比tokens化路线更好。但是tokens路线、tokens化路线最终会解决一切问题，它会生成世界模型，它会改变我们的创作生态。
-
-
我想讲很多，但是有不想说教那样讲。。。长话短说，
那位bro 把MiniMax M3.1说得几好几好，但是并没有真正能够举例到对自己的案例有怎样的一个好法。。。我举例来说，香港有一个办摄影杂志办到倒闭的所谓退休大狮，一整天在网上说教似讲摄影，但是他不是讲自己的摄影，而是说人家的摄影技术，“你看人家这个摄影大师的得奖作品有够厉害，你们应该学一学”
我就时常喷，既然你觉得这个技术很棒，然而你难道不会自己去学然后分享你自己的作品吗最近我就时常喷那些马来西亚教ai视频的，讲得自己很厉害，我就说，为什么他的课程全部只是海报似，难道你连一个真正高清ai 视频都做不出来吗
还有那些学了几招，就马上开班教人家怎样操作codex的，或者收钱教操作chatgpt 的，老实说这样犹如老千的行为，我稍微脸皮薄一点都做不出。。。
关于视频剪辑的，我有资格说一下：
就好像你们玩视频剪辑，是拍摄剪辑后赚收视率，然而我是偶尔兼职真正的婚摄硬照拍摄和视频拍摄，一般普通的做法当天婚摄是拍摄照片然后做成slide, 所谓的sde (same day edit) 晚宴的时候播放我的做法是当天拍摄视频，剪辑半个小时片段，晚宴播放。。。。。
拍摄时段从早上5点接新娘后，一直到敬茶时段完毕，已经2点中午，晚宴则是6点开始，就等于我2点收到大约500个短片，在3个小时内必须完成视频过滤，剪辑，配音，渲染。。。。
一般上别人只敢剪辑5分钟，到我这里是挑战当天same day edit 半小时。。。
这种真正高强度流程，在有限时间内还不容许错，才算是视频剪辑真正考验真功夫的地方。。。
然而，我是不收钱的，收钱就low了，自己还出动5位数的相机和镜头，加上dji无人机，就图一个爽字。。。。
不够人手还自掏腰包叫那些想学的人来做助手
-
我想讲很多，但是有不想说教那样讲。。。长话短说，
那位bro 把MiniMax M3.1说得几好几好，但是并没有真正能够举例到对自己的案例有怎样的一个好法。。。我举例来说，香港有一个办摄影杂志办到倒闭的所谓退休大狮，一整天在网上说教似讲摄影，但是他不是讲自己的摄影，而是说人家的摄影技术，“你看人家这个摄影大师的得奖作品有够厉害，你们应该学一学”
我就时常喷，既然你觉得这个技术很棒，然而你难道不会自己去学然后分享你自己的作品吗最近我就时常喷那些马来西亚教ai视频的，讲得自己很厉害，我就说，为什么他的课程全部只是海报似，难道你连一个真正高清ai 视频都做不出来吗
还有那些学了几招，就马上开班教人家怎样操作codex的，或者收钱教操作chatgpt 的，老实说这样犹如老千的行为，我稍微脸皮薄一点都做不出。。。
关于视频剪辑的，我有资格说一下：
就好像你们玩视频剪辑，是拍摄剪辑后赚收视率，然而我是偶尔兼职真正的婚摄硬照拍摄和视频拍摄，一般普通的做法当天婚摄是拍摄照片然后做成slide, 所谓的sde (same day edit) 晚宴的时候播放我的做法是当天拍摄视频，剪辑半个小时片段，晚宴播放。。。。。
拍摄时段从早上5点接新娘后，一直到敬茶时段完毕，已经2点中午，晚宴则是6点开始，就等于我2点收到大约500个短片，在3个小时内必须完成视频过滤，剪辑，配音，渲染。。。。
一般上别人只敢剪辑5分钟，到我这里是挑战当天same day edit 半小时。。。
这种真正高强度流程，在有限时间内还不容许错，才算是视频剪辑真正考验真功夫的地方。。。
然而，我是不收钱的，收钱就low了，自己还出动5位数的相机和镜头，加上dji无人机，就图一个爽字。。。。
不够人手还自掏腰包叫那些想学的人来做助手
-
-
我想讲很多，但是有不想说教那样讲。。。长话短说， 那位bro 把MiniMax M3.1说得几好几好，但是并没有真正能够举例到对自己的案例有怎样的一个好法。。。 我举例来说，香港有一个办摄影杂志办到倒闭的所谓退休大狮，一整天在网上说教似讲摄影，但是他不是讲自己的摄影，而是说人家的摄影技术，“你看人家这个摄影大师的得奖作品有够厉害，你们应该学一学” 我就时常喷，既然你觉得这个技术很棒，然而你难道不…
哥 請問你有聯絡的方式嗎？
-
哈哈感到很荣幸能为我的疑惑做了一期视频，论坛里面有这个机会的人可是屈指可数，这个待遇真的不错。 关键是谢谢老特不遗余力讲了自己压箱底的本事和心得，启发了一大堆做视频的人，功德无量。
