我做了个 AI 剪视频工具：视频是如何"剪"出来的？

上一篇结尾说过，AI 挑出精彩片段之后，还剩最后一刀：照着时间点把片段从视频里切出来。

我原以为这是最简单的一环——切视频嘛，哪个剪辑软件不会？真动手才发现，想让这一刀又快又准，我得先搞明白一个从没想过的问题：视频文件里到底装的是什么？

这一搞，就把视频存储的家底翻出来了。这篇讲讲我翻到了什么，以及这一刀最后是怎么落下的。

一、动刀之前，我先搞懂了视频文件里装的不是照片

我原本的设想很朴素：视频就是一长串照片，每秒 30 张，我从中间抽走几张，就算剪完了。

一查才发现账根本算不通。一部 90 分钟的电影，大约 16 万张画面，按一张一兆算就是 160 个 G——没有哪个视频文件是这么存的。

真实的存法，利用了视频的一个特点：相邻画面绝大部分一模一样。拿我的典型素材录课视频来说，老师站在白板前讲一分钟，白板、桌椅、背景纹丝不动，真正在变的只有老师的嘴和手。

所以文件里是这么记的：隔一小段（通常几秒）存一张完整的画面，这张完整的叫关键帧；到下一个关键帧之间，只存"和前面比，哪些块变了、变成了什么样"——我管它叫变化记录。白板那一块，一秒几十帧全程只写四个字：没变，没变。

这就是为什么一部电影几个 G 就能装下。但我紧接着意识到一个麻烦：每一帧要显示出来，都得从前面最近的关键帧开始，把变化记录一笔笔叠加上去才能算出来。你在播放器里拖到 1 分 23 秒，播放器其实是先退回前一个关键帧，再悄悄快进到那一帧。

也就是说，从两个关键帧中间切一刀，切出来的开头全是变化记录——没有底图，什么都算不出来。我的刀，不能随便落。

二、第一条路：原样搬运

搞懂材料之后，我去看了视频处理的行业标准工具 ffmpeg 给我准备的两条路。

第一条叫流复制：不解码、不重算，把文件里现成的数据段原封不动拷出来。好比撕书页——你要第 50 页，我直接把那一页撕下来给你。

快是真快。它的时间基本只花在硬盘读写上，切一段几分钟的片段，毫秒级完成；画质还零损失，因为数据一个比特都没动过。

但规矩也硬：搬运的最小单位是"从关键帧开始的一整段"，刀口只能落在关键帧附近。而且既然是原样照搬，画面上什么都改不了——想加个水印都办不到。

三、第二条路：重新画一遍

第二条路叫渲染，也就是重新编码：把每一帧都解码成完整画面，改完之后，再一帧一帧重新压缩成一个新视频。好比重抄——你要第 50 页，我摊开书一笔一画抄给你。

每一帧都要重新算一遍，这条路自然慢，还特别吃 CPU 和显卡。你用剪映导出大文件时听到风扇起飞，就是它在干这个。

但既然每一帧都是新画的完整画面，限制就全解除了：刀口想落在哪一帧就落在哪一帧，精确到帧。而且反正都要重画，顺手干点别的也不费事——把字幕烧进画面、加滤镜、横屏转竖屏，全是这条路上的活。这也是为什么你在剪辑软件里只要加了字幕，导出就一定转圈：它必须走这条路。

四、我给工具定的规矩：两条路自动选

两条路没有高下，各有各的地盘。所以我在工具里定的规矩是自动选路，分三档：

纯切片、没任何加工——走流复制，毫秒级出片。只动了声音，比如调了音量——画面的数据块照搬，只把音频单独渲染。加了字幕、滤镜、竖屏这些改动画面的东西——老老实实整段渲染。

原则就一句：能不渲染就不渲染，必须渲染才渲染。所以你用的时候有时秒出、有时要等，不是工具抽风，是它在替你省算力——你盯着进度条的时候，它是真的在干活。

五、一个坑：全世界都守规矩，就它不

规矩定好之后，还有个实际问题等着我。流复制只能在关键帧下刀，可我的切点是 AI 按语义定的，可能是任意一秒，怎么办？

ffmpeg 有个聪明办法：实际从切点前面那个关键帧开始搬，保证数据完整；多搬进来的那一小段，在文件里写个标记，注明"开头这 2.4 秒是多余的，播放时请跳过"。

这个标记，系统播放器认，剪映认，抖音的转码也认——全世界都守规矩，除了浏览器内嵌的播放器。它对视频轨和音频轨的"跳过"处理不一致：画面跳过了 2.4 秒，声音没有，结果嘴型和声音差了 2.4 秒，跟译制片似的。

我排查了半天，切法改了好几轮，最后发现刀没问题，是看刀的人眼神不好。解法还是分场景：交给外部世界的导出文件，保持精确起点，反正大家都认那个标记；要给自家播放器直接播的，就把起点挪到前面最近的关键帧，代价是片段开头可能多出零点几秒。这点取舍，我在开源版的 README 里明写了。

六、最后

走到这一步，KnowClip 的链路就齐了：耳朵听懂内容，脑子挑出精彩片段，最后一刀毫秒级落下。

做这一环我有个越来越强的体会：AI 工具的快和省，一半靠模型，一半靠知道哪些算力根本不用花。上一篇是"不让 AI 看视频、让它读稿子"，这一篇是"能不渲染就不渲染"——道理是同一个：把没用的活删掉。

这套导出实现，我开源到了 GitHub，供大家学习参考。