11 天的后期压成 30 分钟：我用火山引擎 AI MediaKit Skill 做完了一条成片

点击上方👆蓝字关注我们！

本文由 UGC开发者投稿，作者：中杯可乐多加冰，2022 年度博客之星总排名 TOP12、人工智能领域 TOP2，人工智能领域优质创作者，博客专家，2023 年中国开发者影响力榜单，某央企 AI 工程师。

01

开场：视频后期到底折磨在哪

视频后期是一门体力活和审美活混在一起的手艺。转写、字幕、抠像这类重复劳动，早就被各种工具接管了，真正让人头疼的，是那些既费时间、又谈不上什么技术含量的工序——擦硬字幕、去水印、把参差不齐的素材拉到同一水准，做的时候机械，做完了还未必拿得出手。

也正因为这样，当有人把火山引擎的 AI MediaKit Skill 推给我、说它能接下大半后期工作时，我的第一反应是存疑的。工具能不能干活，嘴上说了不算，得拿真东西试。手头正好有一条想剪的片子，就顺手拿它做了一回样本。

片子是过年在家拍的，十四秒：手托着纸灯烤，一松手，灯晃晃悠悠飘进夜空，背后正好炸开一簇烟花。当晚就拍成这一条，暗部噪点糊得厉害，可翻来覆去看还是舍不得删，那种感觉别的片子给不了。我想把它做成一条能拿得出手的成片，念头就是这么起的。原片先放在这儿，等画质、字幕、包装全上完是什么样，留到最后一章再说。

只有一条素材，撑不起一条时间线，我又找来几段参考片段凑数：两段带着烧录字幕，一段右上角挂着平台角标，分辨率也参差不齐，720p、1080p 混在一起。这种素材原样拖进时间线，拼接的痕迹一眼就能看出来——字幕是别人的，角标是别人的，画面还忽明忽暗。

片子只有十四秒，工序却一道都省不掉。按传统流程从头走一遍，大致是这么个分配：

• 素材整理与粗剪：备份、命名、筛镜头、搭时间线，一天半

• 精剪：卡节奏、抠剪辑点，两天

• 调色：校曝光白平衡、把几段素材的色彩捏到一起，一天半

• 音频：降噪、选配乐、混音，一天

• 特效合成：擦字幕、去水印、补穿帮，光烧录字幕就得手工跟关键帧，三天半

• 包装与图形：字幕、Logo、水印，一天

• 审片与修改：自己看、朋友看、来回改，一天半

• 输出与交付：按平台出横竖屏版本，半天

加起来十一个工作日。审片来回扯皮的时间还没算在内，那部分是人跟人之间的事，机器替不了。

十四秒的片子要做十一天，头一回听的人多半觉得夸张，但真剪过片子的人不会。别的不说，光是那三段参考片上的字幕，手工跟一遍关键帧，眼睛就得废掉一半；这活没有任何技术含量可言，纯粹拿时间堆，做久了还憋屈。

接这个活的，是火山引擎 AI MediaKit Skill——火山引擎基于 mediakit-cli 做的一套 Agent 工具包，装进 Claude Code、Cursor 这类支持 Skill 的编辑器之后，就能用自然语言直接指挥它处理音视频，像是「把前 10 秒剪出来」「画面里的字幕擦掉」「这几段统一提到 1080p」。工具本身拆得很开，一共是剪辑、智能视频、图像、音频、通用五个 Skill、八十项原子能力，其中裁剪、拼接这种基础操作在本地交给 ffmpeg 就够了，画质增强、字幕擦除这类 ffmpeg 干不动的 AI 活则走云端。

同样这条片子，用AI去做大概三十分钟。

十一天和三十分钟这两个数是怎么来的，第七章会把每一步的账拆开算。需要先说明的是，本文评测的是「把素材处理成片」这条链路，调色、混音这些更依赖人工审美的环节并不在其列。

02

准备：5 分钟装上 AI MediaKit Skill

安装这件事没什么可展开的，官方给的命令就一行：

npx @volcengine/mediakit-cli install -y

跑完不到五分钟，CLI 和五个 Skill 就全到位了。如果平时习惯用 npm 管理全局包，也有个等价的两步走法，先装 CLI 本体，再把 Skills 手动注册进去：

npm install -g @volcengine/mediakit-cli --ignore-scripts

npx skills add @volcengine/mediakit-cli/skills -g -y

装完之后是这个样子，五个 Skill 都注册成功：

要确认是不是真装好了也简单，版本号打得出来、skills 列表里五个都在，就没问题：

回到 Claude Code 里随口问一句「你有哪些可用的 skill?」，五个 byted-mediakit-* 会全部加载出来。这套工具是按领域分开组织的，每个 Skill 各带一份能力清单。

五个领域、八十项能力，数字看着不小，不过本文真正用到的只有 video 和 editing 两块，其余的大可以先搁着。

Skill 装好，相当于把说明书递给了编辑器，可云端那些能力还需要一把钥匙——API Key。打开火山引擎控制台里的 AI MediaKit 页面，在基础配置里建一个就行：

Key 拿到手，回到终端初始化，通过环境变量喂给 CLI：

[Environment]::SetEnvironmentVariable("MEDIAKIT_API_KEY", "<你的Key>", "User")

$env:MEDIKIT_API_KEY = "<你的Key>"

mediakit-cli init --mode cloud-first --yes

mediakit-cli doctor

这里想单独提一下 doctor 这个命令。它跑完之后会直接把环境通没通告诉你，输出看着一大串，其实用不着逐行去读，丢给 AI 消化就行：

cloud_ready: true，意思是云端这条线已经通了，可以开工。下面还有一串 local_ready: false，跟着一排 ffmpeg 依赖 missing，说的是本地模式还没就绪。这个不用管，本地模式主要用来做裁剪、拼接这类活，一行命令就能补上，等真要用到再说。

另外，doctor 还会把每个依赖的版本、License、能不能商用都列出来，新增本地依赖之前，先要求你确认一遍清单。装个工具还要过一道开源合规审查，这种做法我确实是头一回见。

03

素材体检：先把「脏」素材救回来（画质增强）

练手用的是一只猫揉面的视频，480p，属于网上一搜一大把的那种。单看没什么毛病，可一旦成片里出现 1080p 的镜头，它往上那么一放，立刻就露了怯——毛发糊成一团，项圈上「永享」两个字的边缘全是压缩伪影。

处理这类素材，过去的做法是先开超分软件，挑模型，然后等渲染，运气不佳还得推倒重来。这次我只打了一句话：

请使用 mediakit 的画质增强功能，将视频 https://vod-ai-test.tos-cn-beijing.volces.com/demo/demo_480p.mp4 的分辨率提升到 1080p。

值得一提的是，我压根没写任何参数。Agent 读完 video 域的说明书之后自己做了决定：命令用 mediakit-cli video enhance-video，走云端异步，参数是 --resolution 1080p，版本用默认的 standard。提交之后拿到一个 task_id，接下来就是轮询等它跑到终态，全过程留下的回执是这样的：

结果并不复杂，就是从 480p 升到 1080p，帧率保持原来的 24fps，时长也没变，版本是 standard。唯一需要留意的是下载链接只有二十四小时有效，拿到手就得赶紧存下来。

下面是用 AI MediaKit Skill 增强的版本：

把两段视频上下摆在一起看，差别都藏在细节里：猫的毛发从糊成一团的橘色，变成了一根根分明的样子，项圈上刻字的边缘也干净了，连面团表面的颗粒感都回来了。

超分做的本来就是这件事。它不负责调色那种风格化的表达，只把低分辨率里丢掉的那些细节，用算法补回来。

在 video 域里，画质增强不是单个能力，而是一整个家族：

• enhance-video：主力款，standard 版走速度与画质的平衡，10 余种算法，分发场景够用；professional 版 30 余种深度 AI 算法，影视级，还支持 10/12 bit 色深，计费也更高

• enhance-video-fast：极速版，时延敏感的业务场景用，速度优先

• enhance-video-generative：生成式，基于扩散大模型，能把压缩老化损失的像素「想象」回来，修老片那种

• martencode-video：严格说不算增强，是转码时智能选编码参数，低码率下保主观画质，省带宽用的

用下来的判断很简单：日常的 UGC 素材、只是轻微发糊的，standard 一把梭就够了；真要救的是老片、或者压得特别狠的素材，那再上 generative。我这条 480p 升 1080p 属于标准题，standard 交出的答卷挺好。

留一句实在话：超分能救的，是「拍到了、只是拍砸了」的素材。构图本身就歪、主体糊成一坨马赛克的，再强的模型也无力回天，与其纠结，不如趁早删掉。

04

字幕与水印：硬字幕素材的无痕处理

分辨率这关过了，更麻烦的还在后头——参考片段上那些烧录字幕。这种字幕跟画面焊死在一起，在播放器里关不掉，剪进自己的片子，等于免费替别人的内容打广告。前面提到的三天半特效合成，大头就砸在这上面：传统做法只能一帧一帧地画遮罩、跟关键帧，是彻头彻尾的体力活。

拿官方的短剧 demo 开刀。这是一段三十九秒的竖屏素材，先看原片：

处理指令还是一句话：

把视频里的字幕擦掉。

Agent 把它路由到 video 域的 erase-video-subtitle，也就是字幕擦除的标准版，云端异步提交，过一会儿返回一条比原片略短的成片。接下来是下载、抽帧、逐段核对：

擦完之后的效果是这样：

我在 3 秒、8 秒、15 秒、25 秒、35 秒这五个时间点，分别把字幕区域放大看了一遍。底部台词全部消失，衣服上的金线编织、纽扣的高光这些背景细节原样保留，没有出现常见的「打码式糊块」——这一点说实话有些出乎我的意料。

还有一处细节值得单独说：25 秒之后，画面右侧有一幅竖排的书法条幅，上面的字并没有被擦掉。这是对的，条幅属于场景里的道具，不是台词，模型分得清「压在画面上的字」和「画面里的字」。但边界也得讲清楚：如果你要处理的片子本身带歌词排版、艺术字标题，擦除时很可能连着一块被误伤，重要素材最好先拿一小段试跑，提前做好备份。

选型上，字幕擦除分了两个版本。标准版是我这次用的，速度快，适合台词位置规整的常规素材；另有一个精细化版 erase-video-subtitle-pro，擦得更无痕、还原度更高，适合背景复杂、字幕花哨的素材，当然计费也更高。拿不准的时候，先用标准版跑一遍看效果，不满意再升级，反正云端任务按条计费，试错的成本还算可控。

到这里，「脏」素材最常见的两样毛病都解决了：发糊的交给画质增强，穿帮的交给字幕擦除。

05

智能剪辑：从一堆素材到一条时间线

素材洗干净，该动剪刀了。这一步在传统流程里最磨人：三十九秒的片子拖进时间线，来回看、标剪辑点、再一段段裁开，前面粗剪加重剪的那三天半，大半都耗在这种机械劳动上。

指令还是那句人话：

把视频 demo_ 擦除字幕后 .mp4 按场景切分，每个片段单独保存下来。

Agent 这次路由到 segment-scenes，也就是场景切分。它靠检测转场和画面内容的变化自动下刀，另外带着两个可以调的旋钮：min_duration 决定短于多少秒的片段会被合并，默认三秒；segment-threshold 决定敏感度，数值越低切得越碎。我懒得调，全用默认值，结果三十九秒的短剧被拆成了 17 个片段，每段都附带着起止时间和一个独立的下载链接，同样是二十四小时有效。

十七段全部下载下来之后，文件夹里一目了然。

接下来才是真正费脑子的部分——选段。画面只是一半，台词才是短剧剪辑的筋，对话一旦被切碎，拼出来的片子就没法看了。所以我先用 asr-subtitles 把整部剧的台词时间线拉了出来：

mediakit-cli video asr-subtitles --video-url <视频> --enable-speaker-info

一条任务跑完，返回的是一张带说话人标识的完整台词表：开头六秒是一号人物的那段话，说「怎么浑身上下干干净净，反倒是侄媳，满头大汗」；再往后十来秒是二号人物解释病情；二十五秒之后进入质疑和内心独白。这部剧的对话天然分成三幕，只有连续的片段才带得动一整段对话——换句话说，这张表就是选段时的地图。

于是按图索骥：片段 01 到 04 同属第一幕，一句台词完整地贯下来，中间 02 是个没有台词的反应镜头，04 收在少女的特写上，很合适。拼接指令如下：

把视频\场景片段\片段01.mp4、片段02.mp4、片段03.mp4、片段04.mp4 按这个顺序拼成一条视频。

拼接用的工具是 concat-video，支持本地和云端两种模式：本地依赖齐备时直接调本机 ffmpeg 拼，不占用云端任务；依赖不可用的话，CLI 会自动降级到云端继续执行，同一套指令两种跑法，参数一个字都不用改。我这次实际走的是云端，几秒就拼完返回了。

说起来复杂，但在实际演示中，我只是让AI自己想分镜，自己做转场，最后做的有模有样：

最终这条混剪七秒出头，台词完整、镜头衔接顺畅，而从切分到拼完也就几分钟。

说白了，场景切分把「人工反复看片找剪辑点」变成了一次任务，那十七个片段就是十七个现成的剪辑点；concat-video 又把「拖时间线、对齐、导出」变成了一句话。当然，具体挑哪几段、按什么顺序接，这个判断仍然得人来做——AI 能给的，只是带时间码的素材和带时间戳的台词表。

对了，video 域里还有个语义切片能力，叫 semantic-segment，按语音停顿来切，能保证不切断句子，适合处理对白密集的长视频。我这条短剧用场景切分就够，没有叠加。

06

声音与包装：让成片「能看也敢发」

拼出来的这条七秒混剪，台词完整、镜头也顺，但说到底还是一条「裸片」——没有字幕，右上角也光秃秃的，直接发到平台上，总觉得差那么一口气。这一章补两件事：把台词字幕压上去，再在角落里打个标识。

这条 demo 素材本身带原声，不需要额外配音配乐，音频这一环便省了下来，直接把第五章 ASR 拿到的台词时间线复用过来就行，时间码都是现成的，连重新转写都免了。

指令仍然是一句话：

把视频\demo_混剪成品.mp4 的台词字幕加上去，台词和时间点参考之前的结果。

Agent 把它路由到 editing 域的 add-subtitle-to-video，也就是字幕压制，然后把我嘴里那句「参考之前的结果」，整理成它需要的结构化参数——一个字幕数组，每条带着文本和起止时间：

[
  {"subtitle_text": "怎么浑身上下干干净净", "start_time": 0.32, "end_time": 2.1},
  {"subtitle_text": "反倒是侄媳", "start_time": 3.2, "end_time": 4.54},
  {"subtitle_text": "满头大汗", "start_time": 4.88, "end_time": 6.02},
  {"subtitle_text": "祖母的病", "start_time": 6.44, "end_time": 7.1}
]

样式这块也没让我操心。因为是竖屏素材，它自动套用了 lower_third 这个预设，字幕落在画面下方三分之一的位置，不会压住主体。这个能力内置了好几套预设，位置、字号、描边都是开箱即用；想自己调的话，字体也有得挑，黑体、正道体、站酷快乐体几款中文字体都在，普通短视频包装足够用了。

加完之后下载验证：

逐句对着时间轴看下来，字幕出现的时机跟台词严丝合缝，位置统一，没有跳来跳去。

字幕有了，最后打个标识。做法是先用 PowerShell 里那套 System.Drawing 画一张透明的底图，微软雅黑加粗写上「实测样片」四个字，做成半透明的白，存成角标_logo.png。没用任何设计软件，几行代码就搞定了。也可以一句话生成，这就是 AI 方便的地方：

叠加指令：

把视频\角标logo.png 叠加到 视频\demo带字幕版.mp4 的右上角，宽度占画面 12%。

Agent 路由到 add-image-to-video，画面叠加。这里有一点挺顺手，sub_image_url 可以直接吃本地路径，CLI 的媒体适配器会替你处理上传，不用先找个地方把图传上去换成 URL。位置和尺寸都用百分比表达，这样一来横屏竖屏来回切换也不用重算像素，83% 和 5% 把它顶到右上角，宽度给到 12%，标识既清楚又不抢戏。

最终成品：

右上角的标识清楚但不扎眼，底部字幕齐整。到这儿，这条片从素材到包装走完了一整遍，拿去发布，心里是踏实的。

07

效率与成本：11 天 vs 30 分钟

标题里的两个数，一个是传统流程估出来的，一个是这次实测跑出来的，得放在一起看才有意义。

先说十一天。前面列过，一条十四秒的片子按老流程从头走一遍，八道工序累加起来大约十一个工作日。这个数有两点得交代清楚：其一，它不是行业标准，而是一个会用剪辑软件的人、认真做一条能拿得出手的成片时的估计，熟手更快，生手更慢；其二，真正吃时间的是特效合成那三天半——擦字幕、去水印、补穿帮，逐帧跟关键帧的纯体力活——再加上精剪那两天里反复抠剪辑点的部分，这两块凑在一起，差不多占了一半。

再说三十分钟。这次从第一条画质增强指令开始，到最终成片下载落地，每一步的耗时我都估算了，逐项摊开是这样：

其一，这三十分钟里绝大部分是「等」，而非「做」。云端任务是异步的，提交一条指令拿个 task_id，机器在云上自己跑，人这边该干嘛干嘛。真正落在键盘上的操作，无非是写几句话、敲几条指令，加起来不到五分钟，剩下那二十多分钟都是任务在排队和处理的时间。这也意味着，只要任务之间没有依赖，是完全可以并行提交的——比如画质增强和字幕擦除同时跑，总耗时还能再压一压。我这次为了把每一步看清楚，全程串行，实测下来反而偏保守。

其二，十一天和三十分钟处理的并不是同一件事的全部。 十一天那套流程里，包含调色、音频混音、多版本输出这些这次没做的环节：demo 素材自带原声，不需要配乐，画质增强又顺带把色彩和清晰度拉齐了，也就没单独调色。反过来说，三十分钟这一栏也不是从零开始——选哪四段来拼、字幕文案怎么写、时间点对不对得上，这些判断和审美的活还是我自己做的，只不过不再需要动手操作软件。硬要打个比方，十一天是「一个人把所有体力活和技术活全包了」，三十分钟则是「人只负责想和看，体力活全交给云端」。

真正的差别其实在性质上。擦字幕、超分、切场景、转字幕这些过去要吃掉大半工期的活，现在提交完等着收货就行，人腾出来的精力全放在了选段、文案和效果上。对没有专业剪辑背景、却想认真出片的人来说，这一点，或许比省下来的那十天半个月更解决问题。

08

收尾：那条孔明灯，剪成成片

前面几章，每个功能都是拿官方 demo 单独演示的。现在换回自己的素材，也就是第一章那条孔明灯，把整条链路完整走一遍。

处理其实只有两步，用到的能力前面都演示过：一步是把 720p 超分到 1080p，压掉暗部的噪点，把烟花的细节救回来；另一步是压字幕——原片没有台词，我配了三行文案，时间点对着镜头的节奏打，托灯时一句、松手时一句、烟花炸开时一句。

原片里噪点糊成一片、烟花只是一团色块，到成片里细节干净了，三行字幕跟着镜头走，十四秒一条完整的小片，直接就能发。

这套工具确实把「改一条视频」变得简单，但简单不等于死板，能自己调的地方其实相当多。画质增强可以选分辨率、挑场景模板，字幕可以自己写词、选字体、定位置和时间点。AI 的用处大概就在这儿：它把一堆现成的素材处理能力摆到你面前，你想怎么 DIY 都行，而不是甩给你一个固定模板照着填。我全程没手写过一条命令参数，但选哪几段拼、字幕写什么词、时间点对不对得上，这些还是我自己定的。

至于调色的风格、复杂的多图层创作，那依然是专业剪辑软件的地盘，这一点得认。但对「把拍到的素材认真做成一条能发的成片」这件事，这套工具已经够用了。开头那条孔明灯，就是这么来的。