Skip to content

Yxnt/openclip

BranchesTags
 
 

Repository files navigation

OpenClip

English | 简体中文

一个轻量化自动化视频处理流水线，用于识别和提取长视频（特别是口播和直播回放）中最精彩的片段。使用 AI 驱动的分析来发现亮点，生成剪辑，并添加标题和封面。

🎯 功能介绍

输入一个视频 URL 或本地文件，自动完成 下载 → 转录 → 分割 → AI 分析 → 剪辑生成 → 添加标题和封面 的全流程处理，输出最精彩片段。适合从长直播或视频中快速提取高光时刻。

💡 与 AutoClip 的区别？ 查看对比说明了解 OpenClip 的轻量级设计理念。

📢 最新动态

  • 2026-04-04:
    • 新增 custom_openai 提供商，可在 Streamlit 或 CLI 中自定义 LLM Model 与 LLM Base URL，对接本地或自建 OpenAI 兼容接口
    • 新增 Paraformer 中文 ASR 支持，本地 ASR 会自动按语言路由，中文优先使用 Paraformer
  • 2026-03-30:
    • 新增默认开启的剪辑边界修正，目标是让高光片段的开始和结束更自然，减少突兀截断
    • 在 Streamlit UI 中支持 Bilibili 多 P 视频一键创建任务、后台任务重试，以及重启后取消 pending 任务，感谢 @xenoamess
  • 2026-03-25:
    • 新增 Cookie 使用建议 与更清晰的 Streamlit Cookie 模式；远程视频下载可按 不使用 cookies → 浏览器 cookies → Cookies 文件 的顺序尝试
  • 2026-03-24:
    • 新增 GLM（智谱AI） 和 MiniMax 作为 LLM 提供商，现支持 Qwen、OpenRouter、GLM、MiniMax 与 custom_openai
  • 2026-03-11:
    • OpenClip 现已上架 skills.sh，可通过 npx skills add https://github.com/linzzzzzz/openclip --skill video-clip-extractor 在任意目录安装为 Agent Skill，并让 Agent 调用
  • 2026-03-08:
    • 新增 --user-intent 参数 — 用自然语言告诉 AI 你在找什么（如 --user-intent "关于 AI 风险的观点"），LLM 在片段筛选和排名时会优先考虑相关内容
更早的更新
  • 2026-03-04:
    • Git 历史变更通知：错误的减小 GitHub size 的尝试导致 Git 历史被重写，对现有用户造成不便，深感抱歉。已有克隆用户需运行 git fetch origin && git reset --hard origin/main 以同步最新历史
    • 新增字幕烧录功能 — 使用 --burn-subtitles 将 SRT 字幕直接烧录到剪辑视频中；可选 --subtitle-translation "Simplified Chinese" 同时烧录中英双语字幕（需要带 libass 的 ffmpeg）
    • OpenRouter 默认模型从 openrouter/free 切换至 stepfun/step-3.5-flash:free
  • 2026-03-01:
  • 2025-02-26:
    • 默认 Qwen 模型从旧版 qwen-turbo 切换至 qwen3.5-flash
    • 优化 AI 提示词，减少时间戳幻觉，提升标题质量

🎬 演示

网页页面

OpenClip 演示

Agent Skills

demo_skill.mp4

✨ 特性

  • 灵活输入：支持 Bilibili、YouTube URL 或本地视频文件
  • 智能转录：优先使用平台字幕；本地 ASR 会自动按语言路由，英文使用 Whisper，中文使用 Paraformer
  • 说话人识别（预览版）：自动识别谁在说话，将真实姓名标注到字幕中，适合访谈、座谈、辩论和播客
  • AI 分析：基于内容、互动和娱乐价值识别精彩时刻；支持 --user-intent 引导 AI 聚焦特定关注点
  • 剪辑生成：提取最精彩时刻为独立视频剪辑，自动生成字幕文件、标题和封面图片
  • 字幕烧录（可选）：将 SRT 字幕硬烧到视频画面中，可选通过当前选定的 LLM 提供商翻译成目标语言后烧录双语字幕
  • 背景上下文：可选的添加背景信息（如主播姓名等）以获得更好的分析
  • 三界面支持：Streamlit 网页界面，Agent Skills 和命令行界面，满足不同用户需求
  • Agent Skills：内置 Claude Code 和 TRAE agent skill，用自然语言即可处理视频

📋 前置要求

手动安装

  • uv（Python 包管理器）- 安装指南

  • FFmpeg - 用于视频处理

    • macOS: brew install ffmpeg
    • Ubuntu: sudo apt install ffmpeg
    • Windows: 从 ffmpeg.org 下载
    需要双语字幕烧录？点击查看带 libass 的安装方式

    默认安装通常不包含 libass：

    • macOS: brew tap homebrew-ffmpeg/ffmpeg && brew install homebrew-ffmpeg/ffmpeg/ffmpeg（替换已有的 ffmpeg）
    • Ubuntu: sudo add-apt-repository ppa:savoury1/ffmpeg4 && sudo apt install ffmpeg
    • Windows: 从 gyan.dev 下载 full 版本

  • LLM API Key / 接口配置（选择其一）

    • Qwen API Key - 从阿里云获取密钥（默认使用 qwen3.5-flash 模型）
    • OpenRouter API Key - 从OpenRouter获取密钥（默认使用 stepfun/step-3.5-flash:free 模型）
    • GLM API Key - 从智谱AI获取密钥（默认使用 glm-4.7 模型）
    • MiniMax API Key - 从MiniMax获取密钥（默认使用 MiniMax-M2.7 模型）
    • Custom OpenAI 兼容接口 - 需要可访问的 OpenAI-compatible chat completions 接口；需配置 CUSTOM_OPENAI_BASE_URL 和 CUSTOM_OPENAI_MODEL，CUSTOM_OPENAI_API_KEY 可选

  • Chrome / Firefox / Edge / Safari 浏览器（可选）- 当你选择使用浏览器 Cookie 时，可用于远程视频下载身份验证

  • Deno 或 Node（可选，YouTube 下载可能会需要）- 提升 YouTube 下载稳定性。OpenClip 会自动检测并使用；如果你主要处理 YouTube，尤其是需要 cookies 的情况，建议安装

  • HuggingFace Token (可选，用于说话人识别) - 从 huggingface.co/settings/tokens 获取，并接受 pyannote 模型协议

由 uv 自动管理

运行 uv sync 时会自动安装以下依赖：

  • Python 3.11+ - 如果系统未安装，uv 会自动下载
  • yt-dlp - 用于从 Bilibili、YouTube 等平台下载视频
  • Whisper - 用于语音转文字
  • 其他 Python 依赖（moviepy、streamlit 等）

可选 extra：

  • uv sync --extra paraformer - 安装 Paraformer 中文本地 ASR 运行时依赖
  • uv sync --extra speakers - 安装 WhisperX 说话人识别依赖

🚀 快速开始

1. 克隆和设置

# 克隆仓库
git clone https://github.com/linzzzzzz/openclip.git
cd openclip

# 使用 uv 安装依赖
uv sync

🈶 启用 Paraformer 中文本地 ASR（可选）

如果你希望在本地 ASR 路径里优先使用 Paraformer 处理中文音频，请额外完成下面两步：

# 1) 安装 Paraformer 运行时依赖
uv sync --extra paraformer
# 2) 准备兼容的 Paraformer helper checkout
# 默认目录：
third_party/funasr-paraformer

推荐直接把 helper 仓库 checkout 到当前项目内，避免把开发机绝对路径写进配置：

mkdir -p third_party
git clone <funasr-paraformer-helper-repo> third_party/funasr-paraformer

OpenClip 当前会在这个 helper 目录里查找两个脚本：

  • tools/transcribe_long_audio.py
  • tools/funasr_json_to_srt.py

如果你的 helper 项目不在默认目录，可以设置：

export PARAFORMER_PROJECT_DIR=/path/to/funasr-paraformer

说明：

  • 默认路径已经是仓库相对路径：third_party/funasr-paraformer
  • 如果 helper 项目自带 .venv，OpenClip 会优先使用它
  • 如果 helper 项目没有 .venv，OpenClip 会退回使用当前仓库通过 uv sync --extra paraformer 安装出来的环境
  • 如果 helper 项目或依赖不可用，OpenClip 会自动回退到 Whisper

2. 设置 API 密钥（用于 AI 功能）

根据你选择的 LLM 提供商，设置对应的环境变量（至少配置一组）：

export QWEN_API_KEY=your_api_key_here        # 通义千问
export OPENROUTER_API_KEY=your_api_key_here   # OpenRouter
export GLM_API_KEY=your_api_key_here          # 智谱AI GLM (bigmodel.cn 国内端点)
export MINIMAX_API_KEY=your_api_key_here      # MiniMax (minimaxi.com 国内端点)
export CUSTOM_OPENAI_API_KEY=your_api_key_here # custom_openai，可选
export CUSTOM_OPENAI_BASE_URL=http://127.0.0.1:8000/v1
export CUSTOM_OPENAI_MODEL=Qwen/Qwen2.5-7B-Instruct

说明：

  • custom_openai 适合对接 LM Studio、vLLM、One API、New API 等 OpenAI 兼容服务
  • CUSTOM_OPENAI_BASE_URL 可以是 API 根路径（如 .../v1），也可以直接写完整的 /chat/completions 接口
  • 如果你的兼容接口不要求 Bearer 鉴权，CUSTOM_OPENAI_API_KEY 可以留空
  • Streamlit 侧边栏支持按提供商覆盖 LLM Model 和 LLM Base URL；CLI 对应参数为 --llm-model 和 --llm-base-url

3. 运行流水线

选项 A：使用 Streamlit 网页界面

启动 Streamlit 应用：

uv run python -m streamlit run streamlit_app.py

应用启动后，打开浏览器访问显示的 URL（通常是 http://localhost:8501）。

使用流程：

  1. 在侧边栏选择输入类型（视频 URL 或本地文件）
  2. 配置处理选项（LLM 提供商、LLM Model、LLM Base URL、Cookie 模式等）
  3. 点击「Process Video」按钮开始处理
  4. 查看实时进度和最终结果
  5. 在结果区域预览生成的剪辑和封面

如果选择 custom_openai，请在侧边栏填写 LLM Model 和 LLM Base URL；如果你的接口不需要鉴权，API Key 可以留空。

优势： 无需记住命令行参数，提供可视化操作界面，适合所有用户。

🔄 并发处理与后台任务

Streamlit 界面支持后台任务处理和并发处理多个视频：

后台任务处理：

  • 视频处理在后台运行，可以关闭浏览器
  • 任务持久化保存，重新打开页面可继续查看
  • 每个任务独立运行，互不干扰

并发处理多个视频：

  • 点击「处理视频」启动第一个任务 → 自动跟踪进度
  • 打开新标签页启动第二个任务 → 在新标签页中独立跟踪
  • 每个标签页可独立跟踪不同任务

Watch Progress 功能：

  • 在任务卡片中点击「👁️ Watch Progress」按钮可切换跟踪的任务
  • 显示「✓ Watching」表示当前正在跟踪该任务
  • 实时查看进度更新和当前处理步骤

任务管理：

  • 查看所有任务状态（处理中、已完成、失败）
  • 取消运行中的任务
  • 删除已完成或失败的任务
  • 查看任务详情（创建时间、处理时长等）

选项 B：使用 AI Agent 技能

如果你使用 Claude Code、TRAE、Cursor 或任何其他支持 skills 的 Agent，可以直接用自然语言处理视频，无需手动输入命令：

"帮我从这个视频里提取精彩片段：https://www.bilibili.com/video/BV1234567890"
"处理一下 ~/Downloads/livestream.mp4，用英语作为输出语言"

Agent 会自动完成环境配置、下载、转录、分析、剪辑和标题添加等全部流程。

选择安装方式：

场景 操作
已克隆本仓库 无需操作 — 在仓库目录内打开 Agent 时技能自动生效
全局使用（任意目录、任意项目均可触发） 在任意目录执行：npx skills add https://github.com/linzzzzzz/openclip --skill video-clip-extractor -g
仅在某个特定项目目录内使用 在该目录下执行：npx skills add https://github.com/linzzzzzz/openclip --skill video-clip-extractor

技能定义位于 .claude/skills/video-clip-extractor/ 目录下。

选项 C：使用命令行界面

# 处理 Bilibili 视频
uv run python video_orchestrator.py "https://www.bilibili.com/video/BV1234567890"

# 处理 YouTube 视频
uv run python video_orchestrator.py "https://www.youtube.com/watch?v=dQw4w9WgXcQ"

# 处理本地视频
uv run python video_orchestrator.py "/path/to/video.mp4"

如需使用已有字幕，请将 .srt 文件放在同目录下，文件名保持一致（如 video.mp4 → video.srt）。

🎙️ 说话人识别（可选，预览版）

⚠️ 预览功能：说话人识别功能目前处于预览阶段，后续版本中行为或接口可能有所调整。

🐢 性能提示：说话人识别依赖 pyannote 模型，在 CPU 上运行较慢（长视频可能需要数分钟）。有 GPU 环境下速度会显著提升。

适用于访谈、座谈、辩论、播客等多人对话视频。启用后，字幕中每句话前会标注说话人姓名，例如 [Host] 欢迎来到今天的节目。这为 AI 的高光分析提供了更丰富的上下文——让它能更准确地识别特定说话人之间最精彩的交流片段，而非将所有语音一视同仁。

步骤一：安装额外依赖

uv sync --extra speakers

步骤二：设置 HuggingFace Token

export HUGGINGFACE_TOKEN=hf_your_token_here

并在 HuggingFace 上接受 pyannote 模型协议。

步骤三：提取参考音频

从视频中截取每位说话人的参考片段（10–30 秒，单人清晰语音）：

uv run python tools/extract_reference.py VIDEO 起始时间 结束时间 "references/姓名.wav"

# 示例
uv run python tools/extract_reference.py interview.mp4 00:01:23 00:01:50 "references/Host.wav"
uv run python tools/extract_reference.py interview.mp4 00:03:10 00:03:40 "references/Guest.wav"

步骤四：运行

uv run python video_orchestrator.py --speaker-references references/ "VIDEO_URL_OR_PATH"

🔤 字幕烧录（可选）

将 SRT 字幕文件硬烧到视频画面中（即使没有字幕播放器也能看到字幕）。支持原始字幕烧录，或通过当前选定的 LLM 提供商翻译后同时烧录双语字幕。说话人标签（如 [Sam Altman]）会自动从画面中移除。

前提：ffmpeg 需包含 libass（详见上方安装说明）

仅烧录原始字幕：

uv run python video_orchestrator.py --burn-subtitles "VIDEO_URL"

烧录原始 + 中文翻译字幕：

uv run python video_orchestrator.py \
  --burn-subtitles \
  --subtitle-translation "Simplified Chinese" \
  "VIDEO_URL"

输出文件在 clips_post_processed/ 目录，英文字幕显示在底部，中文字幕显示在英文上方。

🍪 Cookie 使用建议

远程视频下载有时会遇到登录验证、风控或平台限制。OpenClip 支持三种模式：

  • 不使用 cookies：先尝试最简单的公开访问方式
  • 浏览器 cookies：使用本机浏览器中的登录态
  • Cookies 文件：使用导出的 Netscape 格式 cookies.txt

推荐尝试顺序：

  1. 先试 不使用 cookies
  2. 如果报登录、风控、not a bot、LOGIN_REQUIRED 等错误，再试 浏览器 cookies
  3. 如果浏览器 cookies 仍不稳定，再试 Cookies 文件

YouTube 特别说明：

  • 对于 YouTube，如果你使用 cookies，则很可能还需要安装 Deno 或 Node 这样的 JavaScript 运行时，否则可能只拿到不完整格式，甚至下载失败。安装说明可见前置要求

CLI 对应方式：

  1. 不传任何 cookie 参数
  2. 使用 --browser chrome（或你实际使用的浏览器）
  3. 使用 --cookies /path/to/cookies.txt

注意：

  • 仅在确实需要登录态访问内容时再使用 cookies，并尽量控制下载频率，或使用备用账号

导出 Cookies 文件：

  • 如果你需要生成 cookies.txt，可参考 yt-dlp 官方教程： Exporting YouTube cookies
  • 虽然教程标题写的是 YouTube，但在 OpenClip 中，导出的 Netscape 格式 cookies.txt 同样可用于 YouTube 和 Bilibili

📖 命令行参数

参数 说明 默认值
VIDEO_URL_OR_PATH 视频 URL 或本地文件路径（位置参数） 必填
-o, --output 自定义输出目录 processed_videos
--llm-provider LLM 提供商（qwen、openrouter、glm、minimax 或 custom_openai） qwen
--llm-model 覆盖当前提供商使用的模型名；对 custom_openai 通常需要显式配置 提供商默认值
--llm-base-url 覆盖当前提供商使用的 OpenAI 兼容 chat completions 地址；对 custom_openai 通常需要显式配置 提供商默认值
--language 输出语言（zh 或 en） zh
--browser 用于 cookie 的浏览器（chrome/firefox/edge/safari）；仅在显式提供时使用 无
--cookies Netscape 格式 cookies.txt 文件路径；提供后优先于 --browser 无
--js-runtime 仅用于 YouTube 下载的 JavaScript 运行时策略（auto/deno/node/none） auto
--js-runtime-path 仅用于 YouTube 下载的 JavaScript 运行时可执行文件路径（高级选项） 无
--force-whisper 强制使用本地 ASR 转录（忽略平台字幕）；英文使用 Whisper，中文使用 Paraformer 关
--use-background 使用背景信息辅助分析 关
--normalize-boundaries / --no-normalize-boundaries 剪辑生成时将开始/结束时间对齐到附近字幕边界；优先句子边界，其次字幕间停顿。默认开启，可用 --no-normalize-boundaries 关闭 开
--user-intent 用自然语言描述关注重点（如 "关于 AI 风险的观点"），引导 AI 优先选取相关片段 无
--max-clips 最大精彩片段数量 5
--title-style Banner 标题艺术风格（见下方列表） fire_flame
--title-font-size 艺术标题字体大小（可选：small=30px, medium=40px, large=50px, xlarge=60px，默认：medium=40px） medium
--cover-text-location 封面文字位置（top/upper_middle/bottom/center） center
--cover-fill-color 封面文字填充颜色（yellow/red/white/cyan/green/orange/pink/purple/gold/silver） yellow
--cover-outline-color 封面文字描边颜色（yellow/red/white/cyan/green/orange/pink/purple/gold/silver/black） black
--speaker-references 参考音频目录，用于说话人姓名映射（预览版）。文件名即说话人姓名（如 references/Host.wav）。需要 uv sync --extra speakers 和 HUGGINGFACE_TOKEN 无
--skip-transcript 跳过转录生成（使用已有转录文件） 关
--skip-download 跳过下载，使用已下载的视频 关
--skip-analysis 跳过分析，使用已有分析结果 关
--skip-clips 不生成剪辑 关
--add-titles 添加艺术标题到剪辑 关
--skip-cover 不生成封面图片 关
--burn-subtitles 将 SRT 字幕烧录到视频中，输出到 clips_post_processed/（需要带 libass 的 ffmpeg） 关
--subtitle-translation 翻译字幕到指定语言后烧录（例如 "Simplified Chinese"），需同时开启 --burn-subtitles 无
-f, --filename 自定义输出文件名模板 无
-v, --verbose 开启详细日志 关
--debug 开启调试模式（导出完整 LLM 提示词） 关
🎨 Banner 标题艺术风格
风格 效果
fire_flame 火焰效果（默认）
gradient_3d 渐变3D效果
neon_glow 霓虹发光效果
metallic_gold 金属金色效果
rainbow_3d 彩虹3D效果
crystal_ice 水晶冰效果
metallic_silver 金属银色效果
glowing_plasma 发光等离子效果
stone_carved 石刻效果
glass_transparent 玻璃透明效果

🔍 命令行示例

处理 Bilibili 视频，加载背景信息， 并使用霓虹风格处理Banner标题：

uv run python video_orchestrator.py \
  --title-style neon_glow \
  --use-background \
  "https://www.bilibili.com/video/BV1wT6GBBEPp"

仅分析，不生成剪辑：

uv run python video_orchestrator.py --skip-clips --skip-cover "VIDEO_URL"

说话人识别（预览版）：

uv run python video_orchestrator.py \
  --speaker-references references/ \
  "interview.mp4"

跳过下载，重新处理已有视频：

uv run python video_orchestrator.py --skip-download --title-style crystal_ice "VIDEO_URL"

使用自定义 OpenAI 兼容接口：

uv run python video_orchestrator.py \
  --llm-provider custom_openai \
  --llm-model Qwen/Qwen2.5-7B-Instruct \
  --llm-base-url http://127.0.0.1:8000/v1 \
  "VIDEO_URL"

📁 输出结构

处理后，输出目录结构如下：

processed_videos/{video_name}/
├── downloads/                # 原始视频、字幕和元数据
├── splits/                   # 分割片段和 AI 分析结果
├── clips/                    # 生成的精彩剪辑、字幕、摘要和封面图
│   ├── rank_01_xxx.mp4
│   ├── rank_01_xxx.srt
│   ├── engaging_moments_summary.md
│   └── cover_rank_01_xxx.jpg
└── clips_post_processed/     # 后处理剪辑（--add-titles 和/或 --burn-subtitles）
    ├── rank_01_xxx.mp4
    └── ...

🎨 自定义

添加背景信息

创建或编辑 prompts/background/background.md 以提供关于主播、昵称或重复主题的上下文：

# 背景信息

## 主播信息
- 主播：旭旭宝宝
- 昵称：宝哥
- 游戏：地下城与勇士（DNF）

## 常用术语
- 增幅：装备强化
- 鉴定：物品鉴定

然后使用 --use-background 标志：

uv run python video_orchestrator.py --use-background "VIDEO_URL"

自定义分析提示词

编辑 prompts/ 中的提示词模板：

  • engaging_moments_part_requirement.md - 每个片段的分析标准
  • engaging_moments_agg_requirement.md - 顶级时刻的汇总标准

📎 其他

🔧 工作流程 
输入（URL 或文件）
    ↓
下载/验证视频
    ↓
提取/生成转录
    ↓
检查时长 → 如果 >20分钟则分割
    ↓
AI 分析（每个片段）
    ↓
汇总前5个时刻
    ↓
生成剪辑
    ↓
后期处理（可选）
  ├── 添加艺术标题 (--add-titles)
  └── 烧录字幕 (--burn-subtitles [--subtitle-translation LANG])
    ↓
生成封面图片
    ↓
输出完成！
🐛 故障排除

下载失败

原因：

  • yt-dlp 版本过旧。YouTube 变化较快，建议更新依赖版本：uv lock --upgrade-package yt-dlp && uv sync。
  • Cookie / 身份验证问题。Streamlit 中可将 Cookie 模式 切换为 浏览器 cookies 或 Cookies 文件；CLI 可使用 --browser chrome 或 --cookies /path/to/cookies.txt。
  • YouTube 报 Sign in to confirm you're not a bot 或 LOGIN_REQUIRED。这通常表示当前请求需要 cookies 才能继续下载。
  • YouTube 只显示图片格式或报 Requested format is not available。OpenClip 会自动尝试 deno / node 作为 JS 运行时；如果仍失败，请安装其中之一，或用 --js-runtime node --js-runtime-path /path/to/node 显式指定。

未生成剪辑

原因：缺少 LLM 凭据 / 接口配置或分析失败。检查 echo $QWEN_API_KEY、echo $OPENROUTER_API_KEY、echo $GLM_API_KEY、echo $MINIMAX_API_KEY，或确认 CUSTOM_OPENAI_BASE_URL / CUSTOM_OPENAI_MODEL 已设置，并确认分析文件存在。

FFmpeg 错误

原因：FFmpeg 未安装或不在 PATH 中。运行 ffmpeg -version 检查，缺失则安装（macOS: brew install ffmpeg）。

内存问题

原因：视频过长。尝试 --max-duration 10 缩短分割时长，或不使用 --add-titles 分阶段处理。

说话人识别不工作

未找到 WhisperX：运行 uv sync --extra speakers 安装额外依赖。

HuggingFace Token 错误：检查 echo $HUGGINGFACE_TOKEN 是否已设置，并确认已在 HuggingFace 上接受 pyannote 模型协议。

说话人未被识别（显示 SPEAKER_XX 而非姓名）：参考音频相似度低于阈值（默认 0.7）。尝试使用更长、更清晰的参考片段（推荐 10–30 秒），确保片段中只有一位说话人。

中文文本不显示

原因：缺少中文字体。OpenClip 会自动检测 macOS（STHeiti、PingFang）、Windows（宋体、微软雅黑）以及 Linux 上常见的 Noto / WenQuanYi / Source Han 字体；如果都找不到，会直接提示缺少字体而不是继续生成异常文字。Linux 可安装 fonts-noto-cjk、fonts-wqy-zenhei 或 adobe-source-han-sans-otc-fonts。

🔄 与 AutoClip 的对比

OpenClip 受 AutoClip 启发，但采用不同设计理念：

特性 OpenClip AutoClip
代码规模 ~5K 行 ~2M 行 (含前端依赖)
依赖 Python + FFmpeg Docker + Redis + PostgreSQL + Celery
定制性 可编辑提示词模板 配置文件
界面 Web界面+Agent Skills+命令行 Web界面
部署 uv sync 即用 Docker容器化

OpenClip 特点： 轻量（5K行代码）、快速启动、提示词可定制、易于维护和二次开发

感谢 AutoClip 为视频自动化处理做出的贡献。

🤝 贡献

欢迎PRs！我们希望尽可能保持codebase的轻量化以及可读性：

改进方向

  • 改进的 AI 分析提示词
  • 性能优化
  • 多模态分析
  • 支持更多视频平台
  • 额外的语言支持

📞 支持

如有问题或疑问：

  1. 查看控制台输出中的错误消息
  2. 先用短视频测试
  3. 在 GitHub 上提出 issue
  4. 加入我们的 Discord 社区 讨论交流

⭐ 喜欢这个项目？

如果这个项目对你有帮助，欢迎在 GitHub 上给我们一个 Star！⭐

你的支持是我们持续改进的动力！

📄 许可证

本项目采用 MIT 许可证 - 详见 LICENSE 文件

About

OpenClip - AI-powered highlight extraction for long videos (AI 驱动的长视频精彩时刻提取工具)

discord.gg/SFJQQg9VmJ

Resources

Readme

License

MIT license
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages

  • Python 100.0%