使用 Timeline Studio 制作 AI 视频二创：从高光分析、音乐卡点到 15 秒成片

摘要

AI 视频生成正在快速普及，但对于个人开发者和普通创作者来说，从零生成一条质量稳定的视频，仍然面临费用高、生成结果不可控、人物一致性差和反复试错等问题。

另一条更现实的路线，是在获得合法使用权的前提下，对已有 AI 视频素材进行二次创作：分析画面高光、提取音乐高潮、重新组织镜头、设计转场与结尾，最终形成一条具有新节奏和新叙事的作品。

本文记录一次真实的 15 秒 AI 视频二创过程，并介绍开源视频编辑项目 Timeline Studio 在其中承担的作用。

GitHub：

https://github.com/MartinDelophy/ai-video-editor

一、为什么考虑 AI 视频二次创作？

目前，很多 AI 视频产品采用按次数、积分或算力计费的方式。

虽然单次生成的门槛正在降低，但如果想得到一段真正可用的视频，通常需要面对以下问题：

第一次生成不一定符合预期；
人物面部、服装和环境可能发生变化；
多个镜头之间难以保持一致；
动作和物理关系容易出现异常；
生成时间和试错成本难以预测；
几秒钟的有效画面可能需要多次生成。

因此，AI 视频创作的真实成本并不只是一次模型调用费用，还包括时间、筛选、剪辑和反复修改的成本。

对于普通创作者来说，还有另一种可行方式：

在素材来源合法、授权清晰的前提下，对已有 AI 视频进行重新选材、剪辑、配乐和叙事。

这种方式不需要每一个镜头都从零生成，而是把更多精力放在内容组织上。

二、二次创作不等于简单搬运

需要注意的是，二次创作并不是下载视频、替换音乐，然后重新发布。

有价值的二次创作应该包含新的创作判断，例如：

重新确定视频主题；
提取原视频高光；
调整镜头顺序；
删除重复或低价值内容；
根据音乐节拍重新切分；
重新构建情绪曲线；
添加必要的转场和结束效果；
输出新的叙事结果。

同时，素材必须来自原创、合法授权或许可范围明确的渠道。

不要绕过平台下载限制，不要移除必要水印，不要冒充原作者，也不要未经允许使用受版权、肖像权或商标权保护的内容。

真正可持续的二创，应该为素材增加新的表达价值。

三、本次项目目标

本次使用的原始视频约为 132 秒，另有一段约 320 秒的音乐素材。

最终目标是输出一条 15 秒横屏视频，要求包括：

从原视频中选择多个回忆高光；
画面按照音乐节奏快速切换；
使用指定音乐约 1 分 20 秒处的高潮；
不保留原视频声音；
中间增加一次明显过渡；
最后 3 秒使用另一段视频的指定区间；
结尾需要有明确的结束效果；
同时保留可继续修改的时间线工程。

最终采用的基本结构为：

text 复制代码

0.00s ───────── 12.00s ───────── 15.00s
      多段回忆剪辑         夕阳拥抱结尾
             │
          中段闪白
                              淡出至黑

四、第一步：检查素材信息

在正式剪辑前，需要先确认素材的编码、尺寸、帧率、时长和音频情况。

可以使用 ffprobe：

bash 复制代码

ffprobe -v error \
  -show_format \
  -show_streams \
  -of json \
  input.mp4

需要重点关注以下字段：

text 复制代码

duration
width
height
r_frame_rate
codec_name
sample_rate
channels
channel_layout

本次原视频的主要参数为：

text 复制代码

时长：约 131.97 秒
尺寸：1906 × 1080
帧率：29fps
视频编码：HEVC
音频编码：AAC
声道：立体声

指定的音乐文件约为 320 秒，采样率为 44.1kHz，包含双声道 AAC 音频。

五、第二步：寻找画面高光

自动分析视频时，不能只根据运动强度选择片段。

高运动量可能只是镜头抖动、转场、模糊或无意义的画面变化。

更合理的高光分析需要综合考虑：

音频能量变化；
画面运动强度；
镜头变化；
图像清晰度；
主体是否明确；
动作是否完整；
情绪是否发生变化；
高潮前后是否有铺垫和结果。

在工程中，可以把候选高光分数理解为：

text 复制代码

候选分数 =
    音频能量变化
  + 运动强度
  + 镜头切换置信度
  + 清晰度
  + 人物或主体变化

但这个分数只能用来发现候选位置，不能直接替代人工判断。

例如，一个高速运动但人物模糊的镜头，通常不适合作为最终高潮。

真正的高潮需要满足：

主体能够被快速识别；
动作或情绪变化可以理解；
决定性画面足够清晰；
前面有铺垫；
后面有结果或余韵。

六、第三步：提取音乐高潮

用户指定使用音乐约 1 分 20 秒处的高光。

通过计算局部 RMS 能量及其变化，可以比较附近多个 15 秒窗口。

本次分析结果显示：

text 复制代码

80.50s--95.50s

是约 1 分 20 秒附近能量和动态表现较强的一段连续窗口。

可以使用 FFmpeg 提取音乐：

bash 复制代码

ffmpeg -y \
  -ss 80.5 \
  -t 15 \
  -i music.aac \
  -af "afade=t=in:st=0:d=0.08,
       afade=t=out:st=14.3:d=0.7,
       loudnorm=I=-14:TP=-1.5:LRA=9" \
  -c:a aac \
  -b:a 192k \
  music-highlight.m4a

这里进行了三项处理：

开头添加极短淡入，避免突然起音；
从 14.3 秒开始淡出；
使用响度标准化，控制整体听感和峰值。

需要注意，视频中的原始声音应该被静音，最终只使用新的音乐高光，避免两个音轨同时播放。

七、第四步：按音乐节拍切分画面

音乐高光提取完成后，可以进一步分析明显的音频起音点。

例如，本次音乐片段中包含多个可用的节奏位置：

text 复制代码

1.47s
2.92s
4.37s
5.81s
7.25s
8.72s
10.15s
12.00s
15.00s

这些位置可以作为镜头切点的参考。

本次剪辑将前 12 秒拆成多个回忆片段，内容包括：

人物初见；
红色闪回；
两人同框；
暖色互动；
情绪升高；
人物状态变化；
强光瞬间；
受伤回忆。

最后 3 秒则使用另一段素材的 2:48--2:51：

text 复制代码

168.00s--171.00s

该片段包含夕阳环境、人物靠近和拥抱动作，能够作为前面碎片化回忆的最终情绪回报。

八、第五步：设计中段转场

如果所有片段都使用同样的硬切，视频容易变成节奏均匀但缺少层次的素材堆叠。

因此，本次在约 7.25 秒处增加了一次闪白转场。

其作用不是单纯增加视觉效果，而是把视频分成前后两个阶段：

text 复制代码

前半段：关系与记忆建立
闪白：情绪断点
后半段：受伤、重逢与最终拥抱

使用 FFmpeg 制作时间受限的闪白叠加层时，需要特别注意透明度范围。

如果直接串联多个普通 fade 滤镜，很容易把转场前后的画面全部覆盖成白色。

一种更安全的方式，是创建透明白色图层，只在指定时间内改变 Alpha：

text 复制代码

color=c=white@0.0:s=1906x1080:r=29:d=15,
format=rgba,
fade=t=in:st=7.0732:d=0.175:alpha=1,
fade=t=out:st=7.2482:d=0.175:alpha=1

然后将其覆盖到主画面：

text 复制代码

[base][flash]overlay=shortest=1

这样，白色图层只会在指定区间出现，不会影响其他画面。

九、第六步：制作结尾效果

最后 3 秒使用夕阳拥抱片段，并从 14.3 秒开始淡出至黑。

对应到结尾素材内部，就是在其 2.3 秒处开始淡出：

text 复制代码

fade=t=out:st=2.3:d=0.7:color=black

最终结构为：

text 复制代码

12.00s：进入新结尾
12.00s--14.30s：人物靠近并拥抱
14.30s--15.00s：拥抱画面逐渐淡黑

音乐也在相同区间淡出，因此画面和声音能够同时完成收束。

十、为什么需要保留可编辑工程？

如果只通过一条 FFmpeg 命令输出 MP4，虽然可以得到最终视频，但后续修改会比较困难。

例如，用户可能继续提出：

更换最后一个镜头；
调整音乐区间；
修改某个切点；
改变转场类型；
延长某个画面；
替换成竖屏比例；
调整音乐音量。

因此，本次除了输出 MP4，还生成了 .timeline 工程文件。

工程中保留了：

每个视频片段的源时间范围；
片段顺序；
每个片段的持续时间；
音乐高光轨道；
静音状态；
中段闪白转场；
结尾过渡；
媒体文件完整性信息。

这让剪辑结果仍然可以在 Timeline Studio 中打开并继续调整。

十一、最终输出验证

最终视频经过了完整解码和媒体信息验证。

输出结果为：

text 复制代码

时长：15.000 秒
尺寸：1906 × 1080
帧率：29fps
视频帧数：435
视频编码：H.264
音频编码：AAC
音频声道：立体声

验证命令：

bash 复制代码

ffprobe -v error \
  -count_frames \
  -show_entries \
  format=duration,size:stream=codec_name,codec_type,width,height,r_frame_rate,avg_frame_rate,sample_rate,channels,channel_layout,nb_read_frames \
  -of json \
  output.mp4

还需要完整解码一次，避免只检查容器信息：

bash 复制代码

ffmpeg -v error \
  -i output.mp4 \
  -f null -

如果命令没有输出解码错误，说明视频能够完成全程解码。

但技术验证不等于内容验证。

最终仍然需要检查：

第一个画面是否正常显示；
每个切点是否出现跳帧；
中段闪白是否只出现在目标位置；
最后 3 秒是否来自正确源时间；
原视频声音是否彻底静音；
音乐是否完整覆盖 15 秒；
最后一帧是否完成淡黑；
工程重新打开后媒体是否可以解析。

十二、Timeline Studio 项目介绍

Timeline Studio 是一个面向 AI 视频剪辑、二次创作和本地媒体处理的开源项目。

它希望解决的并不只是"如何生成视频"，还包括生成之后的完整工作流：

如何分析现有素材；
如何寻找视频高光；
如何提取音乐高潮；
如何重新组织镜头；
如何完成可编辑的时间线；
如何验证最终导出结果。

目前项目主要包含：

图片、视频和音频导入；
主画面与画中画时间线；
音乐和配音轨道；
字幕与贴纸；
视频变换和关键帧；
滤镜、效果和转场；
浏览器本地 AI 能力；
可移植 .timeline 工程包；
视频导出；
面向 Agent 的项目检查与命令操作能力。

十三、项目地址

GitHub：

https://github.com/MartinDelophy/ai-video-editor

如果这个项目对你有帮助，欢迎：

点击 Star；
Fork 项目；
提交 Issue；
分享实际使用场景；
参与功能开发与改进。

十四、总结

从零生成 AI 视频并不是唯一的创作方式。

对于个人开发者和普通创作者来说，更现实的方法可能是：

使用合法、授权清晰的素材；
自动分析高光候选；
人工确认真正有价值的镜头；
提取音乐高潮；
根据节拍重新切分画面；
设计明确的情绪结构；
保留可继续编辑的工程；
完成技术和视觉双重验证。

AI 负责降低素材生产门槛。

剪辑、审美和叙事，则负责把素材变成内容。

生成不是 AI 视频创作的终点，它可能只是素材准备的开始。

如果你正在研究 AI 视频、浏览器音视频处理、FFmpeg、自动剪辑或内容二次创作，可以关注 Timeline Studio：

https://github.com/MartinDelophy/ai-video-editor

欢迎 Star、Fork 和提交建议。