拍过口播的人都知道，最烦的不是讲，是讲完之后对着时间线找废话。
38分21秒的素材，第一轮粗剪后变成27分43秒。 做这条视频的博主格子，估自己动手要三到五小时。她把素材拖进Codex，让ChatCut接手。最终成片18分34秒。知乎
AI真正执行的时间约2小时45分。但从开剪到最终导出，跨了约19个小时。 中间她离开电脑、睡了一觉，第二天回来继续看片、改字幕。知乎
“一句话出片”没有发生。第一版粗剪完，有些重复句还在，她只能再听一遍。AI删掉了大量口误、停顿和废话，也把“哪句该留”的判断留给了人。
粗剪之后是包装。B-roll不一定要去网上找素材，也可以从原录屏里挑出五处需要看清的界面，放大到全屏。
03:29的模型选择、07:31的模型市场、13:19的图片入口、15:08的生成结果、18:00的下载区域。讲到哪儿，画面就跟到哪儿，这种处理正好是教程视频需要的。
真正费时间的是字幕。第一版里，Claude被听成Cloud，TokenHubHK几乎全程没对，Codex、Claude Code也要逐个统一。知乎
另一条片子里，字幕错了7处。 作者名字被听成“邵峰”，2026年被听成2016年，“足额发放”变成“角发”。这些错如果跟着成片发出去，就是事故。知乎
MG动画也没一次过。第一版样片不合心意，格子直接在时间线上拖动起点和长度，再让Codex读取修改。后面批量补了11处，每处约1.4秒。知乎
音乐分成13段，人声处压低，这些AI做得比人稳。但它也会误伤：AI把“失业保险要足额”的“额”当成口头禅删了。
账号“少峰说”的一条口播，6分09秒剪到4分34秒。 再按1.4倍语速压到3分15秒，从下午三点十三扔素材，到四点半收尾，一个半小时，人工动手时间为零。知乎
更关键的差别，是AI有没有把每一刀摊在明面上：哪句删了、哪句留了，全列出来。 他扫一眼就抓到误删，让它恢复。AI会犯错不可怕，可怕的是它动了刀还不告诉你。知乎
两条片子的素材和工具不同，耗时不能直接对比；能对比的是流程。
所以，AI剪辑真正省掉的，是找剪点、删废话的机械劳动。它没有省掉看片、判断、拍板。如果你连成片都不想看一遍，字幕错误和节奏问题大概率会留在里面。
这不是劝退，是让你知道哪段该交出去、哪段必须自己来。先分清工具。
ChatCut适合已经拍好的口播素材；HyperFrames适合把文章改成文字动效视频；VideoGen这类生成工具只适合补一个没拍到的镜头。三者都叫“AI剪视频”，但输入和交付不是一回事。
给AI下指令时，至少说清四件事：素材、清理尺度、成片要什么、每一步是否先确认。格子那次靠“先粗剪、再B-roll、再MG、再字幕、最后导出”的顺序，把返工拆小了。
返工别只说“这里不好”。用“时间点+问题+正确结果+联动范围”的格式，AI才知道改哪儿、改完后面要不要跟着走。
验收至少看五处：句子开头有没有被剪掉、剪切点有没有跳音、字幕专有名词和断句、字幕挡没挡住画面、B-roll和MG有没有遮脸或错位。
他的片子里，AI自己渲染帧检查，发现动画卡挡住脸，往下挪了一截再重渲染。这种自检值得保留，但别把它当成免检。
同样的账，不只出现在剪辑里。Linux基金会10月20日的报告说，用上生成式AI后，代码编写任务的平均耗时减少了52%。36氪
但同一份报告里，维护者估计，收到的PR中约25%属于低质量贡献，大型项目这一比例到31%。 生成变便宜了，验证没有。谁承担验证，谁就承担了这笔隐形成本。36氪
回到那条38分钟的口播。AI把素材压到18分钟，也把“剪辑”变成了“审片”。省下来的不是全程，是那些重复、停顿、找素材的机械动作。剩下的判断，仍然得有人坐在屏幕前，一遍一遍看完。
