我做了个 AI 剪视频工具：怎么让 AI 看懂什么是"精彩"

用过 AI 剪辑工具的人，大概都骂过两件事：贵，和慢。分析一次几十块，还得排队二三十分钟。

我自己做的这个工具叫 KnowClip，三小时的视频，3 秒钟分析完，一次几毛钱，顺带剪出几十条片段。

差别不是谁家 AI 更聪明，是干活的方式不一样。这篇讲讲这条路是怎么定的，中间我被 AI 结结实实坑了几回，顺便聊聊"AI 为什么会干出这种事"——弄明白这个，你用任何 AI 工具都会心里有数。

一、贵和慢，是路径决定的

先说那些工具为什么贵。它们的做法是：你把整个视频传上去，平台用能看画面的 AI 模型（视觉模型）逐段看画面、听声音，再判断哪里精彩。

这条路的成本是天然的。视频文件本来就大，AI"看片"的计费又贵——模型按它处理的内容量算钱，一段视频的信息量顶几十万字的书。大家都这么传，服务器还得排队。

我的做法不一样：不让 AI 看视频，让它读稿子。

上一篇讲过，我先给工具装了"耳朵"，把视频里的人声转成带时间戳的文字稿。到了"挑精彩片段"这一步，AI 要判断的只是"这段话精不精彩"——这是个纯文字活。

三小时的课，转成文字稿也就几万字。现在 DeepSeek 这类文本模型读几万字，几秒钟的事，一次几毛钱。这就是 3 秒和三十分钟的差距从哪来。

二、让 AI 挑片段，难在让它说清楚挑了哪段

省钱只是第一步。真让 AI 挑起来，我发现难的不是"挑"，是让 AI 说清楚它挑了哪段。为这事我换了三版方案。

第一版，让 AI 报时间。它说"1 分 23 秒到 2 分 05 秒这段不错"，我照着时间去切。结果一切就错位——AI 写数字经常是估的，它说 1 分 23 秒，那句话可能实际从 1 分 31 秒才开始。切出来的片段，不是开头少半句，就是结尾多半句。

第二版，让 AI 抄原文。我想通了：AI 的长处是理解语义，不是背数字，文字才是它的母语。改成让它把认为精彩的段落整段抄下来，我拿这段文字回逐字稿里查出处，时间戳自然就有了。结果它有职业病——抄着抄着，忍不住顺手帮你改错别字、顺句子，交回来的段落和原稿总差着几个字，还是对不上。

第三版，模糊匹配。最后上了个兜底机制：AI 抄回来的段落，哪怕改了错别字、换了标点，我也能拿它和原稿做模糊比对，找到最像的位置，把精确时间戳定下来。

到这儿分工就清楚了：AI 只负责判断"哪段精彩"，这是它的强项；定位"这段在第几秒"交给程序，这是程序的强项。

三、这不是我运气差，是大模型的通病

踩完这几个坑我琢磨过一个问题：AI 为什么这么简单的两件事——报准一个数字、照抄一段话——都做不好？

因为它干活的方式决定了它天生不擅长这个。大模型本质上是在"接龙"：一个字一个字地预测，下一个最可能是什么字。它追求的目标从来不是"精确复刻"，而是"看起来像人话"。

拿这个视角看，我踩的两个坑就全解释通了。报时间戳为什么会估？因为"1 分 23 秒"对它来说不是数据库里能查的格子，是要现场编出来的一串字，编个差不多的就交差了。抄原文为什么忍不住改错别字？因为在它的标准里，"更通顺的版本"才是好答案，原稿里的语病它看着难受。

这两年大家对"AI 幻觉"讨论得很多——大模型一本正经地编参考文献、编不存在的新闻，根源是同一个：它把"听起来合理"当成了"事实"。有研究就说得很直白：现在的训练和考试机制奖励"敢答"，不奖励"承认不知道"，模型宁可猜一个也不空着。

所以这不是哪家模型笨，是所有大模型的通病。你让 AI 写总结、出主意、做判断，它是高手；你让它当复印机、当尺子，它一定会出错。工程上正确的姿势不是期待它变乖，是一开始就别让它干它不擅长的活。

四、想清楚 AI 该干什么

走完这三版，我才算明白用 AI 干活的关键：不是让它包办一切，是分清楚它擅长什么、不擅长什么。判断交给 AI，精确交给程序。

上一篇说，选什么模型和最终怎么部署，是两件事。这一篇的教训是：让 AI 干什么、不让它干什么，同样得想清楚。

五、最后

到这里，工具的链路就通了：耳朵听懂课，脑子挑出精彩段落，剩下最后一环——照着时间戳下刀，把片段又快又准地切出来。怎么做到毫秒级下刀，是下一篇的故事。

这套挑片段的实现，我在GitHub开源了，有完整代码供你学习。