企业官网建设流程全解析

FireRed-OpenStoryline ASR口播粗剪:自动去除口头禅,按时间戳精准切分口播视频

【免费下载链接】FireRed-OpenStorylineFireRed-OpenStoryline is an AI video editing agent that transforms manual editing into intention-driven directing through natural language interaction, LLM-powered planning, and precise tool orchestration. It facilitates transparent, human-in-the-loop creation with reusable Style Skills for consistent, professional storytelling.项目地址: https://gitcode.com/gh_mirrors/fi/FireRed-OpenStoryline

FireRed-OpenStoryline 是一款 AI 视频剪辑 Agent，其中的ASR 口播粗剪（speech_rough_cut）功能能自动完成口播视频的一级剪辑：基于本地语音识别（ASR）拿到逐句时间戳，由大模型剔除"嗯、啊、然后、就是"这类口头禅与重复语句，再按毫秒级时间戳用 FFmpeg 精准切分片段，让 30 分钟口播快速变成干净利落的成片素材。

1. 为什么口播视频需要"粗剪"

口播、直播回放、课程录屏这类素材有一个通病：有效信息密度低。

• ❌ 大量"嗯……"、"就是说"、"对吧"等口水词
• ❌ 同一句话反复重述，"我们我们……"式口误
• ❌ 长时间停顿、跑题空话
• ❌ 手动逐帧拖音轨找切点，极其耗时

传统做法是人工在剪辑软件里听一遍、标记一遍、再逐刀切。而 OpenStoryline 的思路是：让机器听（ASR）、让大模型判断（LLM）、让 FFmpeg 执行（自动切割），人只负责验收。

2. 三步流水线:从原始口播到干净片段

口播粗剪并不是一个孤立功能，它依赖一条清晰的数据流：

镜头切分 → 本地 ASR 识别 → LLM 粗剪清洗 → FFmpeg 切分

2.1 第一步:本地 ASR 识别，拿到逐句时间戳

ASR 节点 asr_node.py 在本地调用 FunASR 的paraformer-zh模型（搭配 VAD 与标点模型），先对视频做降噪、提取 16k 单声道音频，然后输出带句子级时间戳的识别结果：

• 每句话的text、start、end
• 更细的字级timestamp数组——这是后面"精准切分"的关键

整个识别在本地完成，无需上传，口播内容隐私有保障。

2.2 第二步:LLM 逐句清洗，三种操作

粗剪的核心在 speech_rough_cut.py，它对每句 ASR 文本调用大模型，提示词规则定义在 prompts/tasks/speech_rough_cut/zh/system.md，支持三种操作：

以提示词中的真实示例（system.md）来看：

• 输入"啊今天我们讲OpenStoryline。"→ 删掉开头"啊"，起始时间从 940ms 校正到 1080ms
• 输入"我觉得这个东西啊其实很好用"→ 中间的"啊"被删，句子拆成"我觉得这个东西"和"其实很好用"两段
• 输入"嗯，这个就是这样。"→ 整句删除，输出空列表

同时规则中反复强调谨慎删除：任何有信息量的句子都不能删，用户诉求（user_request）拥有第一优先级。

2.3 第三步:时间戳对齐 + 按间隙分组 + FFmpeg 切分

LLM 给出的不是随意时间，而是强制基于字级 timestamp 数组计算：

片段start= 片段第一个字的时间，片段end= 片段最后一个字的时间

随后 group_sentences 按间隙阈值（默认 400ms）把相邻句子合并成片段：停顿不超过 400ms 的句子归为一组，超过则切一刀。最后调用 FFmpeg 把原视频切分成speech_rough_cut_0000.mp4、speech_rough_cut_0001.mp4……输出到会话目录。

2.4 隐藏细节:时间戳"重新校准"

删掉中间片段后，后面所有句子的原始时间戳都会"对不上号"。calibrate_asr_times 会计算所有被删除区间的时长，用前缀和的方式把每条时间戳平移到切分后的新坐标系里——这保证了下游字幕、卡点等步骤依然精准。

3. 如何控制粗剪行为

该节点的输入定义在 node_schema.py，两个可调参数即可覆盖大多数场景：

• gap_threshold（默认 400ms）：句子间停顿超过该值就切分。口播节奏快可调小，慢节奏讲解可调大
• user_request：自然语言诉求，例如"希望每段不超过 10 秒"、"在自然停顿处切分"。留空则系统按通用剪辑原则自行决策

由于支持意图干预，粗剪完成后你还可以追加一句"第二段切早了一点，重新切"，Agent 会定位重跑而无需从头开始。

4. 粗剪结果如何进入成片

切好的片段并非终点。在时间线节点 plan_timeline_pro.py 中，口播粗剪走专属分支（is_speech_rough_cut=True）：

• 不再叠加 TTS 旁白（口播本身就是声音）
• 直接采用粗剪输出的起始时间与时长排布时间线，不二次调整
• 保证"你听到的每一句话"与"画面对应的片段"严格一致

这正是口播类视频与混剪类视频在流水线上的关键区别。

5. 相关模块速查

6. 小结

FireRed-OpenStoryline 的 ASR 口播粗剪把"听一遍、标一遍、切一遍"的苦力活变成了三步自动流水线：本地 ASR 提供毫秒级时间戳，大模型按规则剔除口头禅并拆分语句，FFmpeg 完成精准切分，最后自动校准时间戳无缝衔接后续剪辑。对口播创作者来说，它等于一位永不下班的粗剪助理——素材进来，干净片段出去。

【免费下载链接】FireRed-OpenStorylineFireRed-OpenStoryline is an AI video editing agent that transforms manual editing into intention-driven directing through natural language interaction, LLM-powered planning, and precise tool orchestration. It facilitates transparent, human-in-the-loop creation with reusable Style Skills for consistent, professional storytelling.项目地址: https://gitcode.com/gh_mirrors/fi/FireRed-OpenStoryline