Ai-movie-clip：一个AI驱动的自动化视频剪辑工具

Ai-movie-clip 是一个开源的智能视频剪辑系统，它利用人工智能技术来自动化处理视频剪辑流程。这个系统能够深入分析视频的画面和内容，并根据用户的具体要求，自动完成剪辑、添加特效和转场动画等一系列后期制作工作。该项目主要面向需要批量处理视频或希望将AI剪辑能力集成到现有工作流中的开发者和内容创作者。它整合了来自阿里云DashScope和OpenAI的AI模型能力，并通过一个灵活的API接口提供服务。用户既可以通过命令行直接操作，也可以部署为Web服务，方便在不同应用场景中调用，从而显著提升视频制作的效率。

功能列表

• 视频自动分析：使用计算机视觉（CV）和机器学习（ML）模型分析视频内容，识别关键帧和主体。
• 多样化模板：内置多种适用于社交媒体、商业广告、教育等不同场景的视频风格模板。
• AI内容生成：集成了文本生成、图像生成和语音合成（文字转语音）功能，可以为视频自动生成配音和文字说明。
• 特效和转场：提供丰富的视频特效和转场动画库，让剪辑后的视频效果更专业。
• API服务：基于FastAPI框架提供接口，支持开发者进行二次开发和批量处理任务。
• MCP集成：支持模型上下文协议（Model Context Protocol），允许开发者更灵活地扩展和集成不同的AI模型。
• 高光时刻剪辑：能够根据观看数据（如Excel文件），自动识别并剪辑出视频中的高光片段。

使用帮助

Ai-movie-clip是一个功能强大的AI视频剪辑框架，为了使用它，你需要先完成一些环境准备和配置工作，然后通过命令行或API来调用其功能。

第一步：环境要求

在开始安装之前，请确保你的系统满足以下基本要求：

• Python：版本需要在 3.8 或以上。
• FFmpeg：这是一个处理音视频的基础工具，系统需要调用它来完成视频的解码、编码和拼接等操作。你必须在你的操作系统中安装它，并确保其路径已经添加到系统环境变量中，以便程序可以在任何路径下调用 ffmpeg 命令。
• CUDA：如果你的电脑配有NVIDIA显卡，强烈建议安装CUDA工具包。这将允许程序利用GPU进行计算加速，极大地提升视频分析和处理的速度。此项为可选，如果没有GPU，程序将默认使用CPU运行。

第二步：安装与配置

1. 克隆项目代码
   打开终端或命令行工具，使用git命令将项目代码从GitHub克隆到你的本地电脑。

   git clone https://github.com/LumingMelody/Ai-movie-clip.git
   

   然后进入项目目录：

   cd Ai-movie-clip
   

2. 安装依赖库
   项目的所有Python依赖库都记录在 requirements.txt 文件中。使用pip可以一键安装所有必需的库。

   pip install -r requirements.txt
   

3. 配置环境变量
   这是最关键的一步。项目需要调用外部AI服务和云存储，因此你必须提供相关的API密钥和访问凭证。
   首先，复制环境变量模板文件 .env.example 并重命名为 .env。

   cp .env.example .env
   

   接下来，用文本编辑器打开这个新建的 .env 文件，你会看到以下内容，需要你手动填写：

   # AI 模型 API 密钥
   DASHSCOPE_API_KEY=your_dashscope_api_key_here
   OPENAI_API_KEY=your_openai_api_key_here
   # 阿里云对象存储 (OSS) 配置
   OSS_ACCESS_KEY_ID=your_oss_access_key_id_here
   OSS_ACCESS_KEY_SECRET=your_oss_access_key_secret_here
   OSS_BUCKET_NAME=your_bucket_name_here
   

   如何获取这些密钥？

   • DASHSCOPE_API_KEY: 这个密钥来自阿里云的“灵积模型服务”（DashScope）。你需要访问阿里云官网，开通DashScope服务，并在控制台中创建一个API-KEY。此服务主要用于驱动视频分析和内容生成等核心AI功能。
   • OPENAI_API_KEY: 这个密钥来自OpenAI平台，主要用于文本生成等语言模型相关的功能。你需要一个OpenAI账户并创建API Key。
   • OSS配置: 项目使用阿里云对象存储（OSS）来存放处理过程中的视频素材和最终生成的文件。你需要开通阿里云OSS服务，创建一个存储桶（Bucket），然后获取该存储桶的访问ID (OSS_ACCESS_KEY_ID) 和密钥 (OSS_ACCESS_KEY_SECRET)，并将存储桶的名称填入OSS_BUCKET_NAME。

第三步：学习如何使用

Ai-movie-clip提供了两种主要的使用方式：命令行工具和Web API服务。

1. 命令行工具（适用于快速测试和本地任务）
项目提供了一个 main.py 脚本，让你可以通过命令行直接调用各项功能。

• 分析视频: 让AI分析一个视频文件，并将分析结果以JSON格式输出。

  python main.py analyze video.mp4 --output analysis.json
  

• 自动剪辑视频: 根据指定的时长和风格模板，自动剪辑一个视频。

  python main.py edit video.mp4 --duration 30 --style "抖音风"
  

• 查看所有可用命令: 你可以通过 --help 参数查看所有支持的命令和选项。

  python main.py --help
  

2. Web API服务（适用于集成和生产环境）
如果你想将AI剪辑功能集成到自己的网站或应用中，可以启动项目内置的API服务。

• 启动API服务器: 运行 app.py 文件即可启动一个基于FastAPI的Web服务器。为了方便开发调试，建议使用 uvicorn 命令启动，这样代码修改后服务器可以自动重启。

  uvicorn app:app --reload
  

• 访问API文档: 服务器启动后，在浏览器中打开 http://localhost:8000/docs。你会看到一个交互式的API文档页面（由Swagger UI生成），上面详细列出了所有可用的API接口、参数和返回格式。你甚至可以直接在这个页面上进行接口测试。
• 调用API示例: 你可以使用任何编程语言来调用这些API。以下是一个使用Python的 requests 库来调用API的例子。

  import requests
  # 假设服务器正在本地运行
  base_url = "http://localhost:8000"
  # 示例1：分析视频
  # 需要上传一个本地视频文件
  with open("video.mp4", "rb") as f:
  response = requests.post(
  f"{base_url}/analyze",
  files={"file": f},
  data={"duration": 30}
  )
  print("分析结果:", response.json())
  # 示例2：生成编辑视频
  # 提交一个JSON请求，指定视频路径和编辑参数
  edit_payload = {
  "video_path": "path/to/video.mp4", # 注意这里是服务器可访问的文件路径
  "template": "douyin",
  "duration": 30
  }
  response = requests.post(f"{base_url}/edit", json=edit_payload)
  print("剪辑任务状态:", response.json())
  

应用场景

1. 社交媒体内容自动化
   对于需要每日发布大量短视频的社交媒体运营团队，可以利用Ai-movie-clip将长篇的直播录像、活动记录或产品介绍视频，自动剪辑成符合抖音、快手等平台风格的短视频，并自动配上字幕和背景音乐，极大地缩减了内容制作周期。
2. 视频素材批量初剪
   专业的视频剪辑师在面对海量原始素材时，可以使用此工具进行第一轮的粗剪。AI可以快速筛选出内容饱满、镜头稳定的片段，或根据预设的脚本要求生成一个基础剪辑版本，剪辑师再在此基础上进行精细化调整和创意加工，从而节省大量重复性劳动。
3. 开发者集成视频处理能力
   对于希望在自己的应用程序中提供视频处理功能（例如在线教育平台、营销工具或云相册服务）的开发者，可以直接通过API调用Ai-movie-clip的服务。开发者无需关心底层复杂的视频处理和AI模型细节，只需将视频文件路径和剪辑要求发送给API，即可获得最终的视频成品。

QA

1. 如何处理非常大的视频文件？
   系统内部设计了自动分片处理机制。在处理大型视频文件时，程序会先将其切割成较小的片段进行分析和处理，最后再将结果合并。你可以在配置文件 config.yaml 中调整分片的大小，以平衡处理速度和内存消耗。
2. 系统支持哪些视频格式？
   系统底层依赖FFmpeg进行视频编解码，因此理论上支持所有FFmpeg支持的常见视频格式，例如 MP4、AVI、MOV、MKV 等。
3. 怎样才能让视频处理速度更快？
   最有效的方式是使用GPU加速。如果你的机器装有NVIDIA显卡并正确配置了CUDA环境，系统会自动利用GPU进行计算密集型任务。此外，你也可以在 config.yaml 配置文件中调整并发处理的线程数或进程数，以更好地利用多核CPU资源。