AutoCut 自动化部署：视频剪辑环境 10 分钟上线

AutoCut 自动化部署：视频剪辑环境 10 分钟上线

【免费下载链接】autocut用文本编辑器剪视频项目地址: https://gitcode.com/GitHub_Trending/au/autocut

新版 AutoCut 上线当晚转录报错，你只能重装环境、把剪了一半的视频一条条重跑，折腾了两个小时。根子是部署没有后路。今天把这套「用文本编辑器剪视频」的工具的 3 条部署路径讲清楚：10 分钟跑起来，出问题 30 秒回滚。

部署菜单：本地 pip 到 GPU 容器的 3 条选型

动手前先选型。仓库官方提供 3 条路：本地 pip 安装、CPU 容器（Dockerfile）、GPU 容器（Dockerfile.cuda）。

上手实操

快速体验：本地安装，10 分钟出第一段字幕

结论：最快的路径。前置条件就两个——Python 3.9+ 和 ffmpeg（Ubuntu/Debian 一句sudo apt install ffmpeg，macOS 用 brew）。

克隆仓库并安装包，成功后会得到一个autocut控制台命令：

git clone https://gitcode.com/GitHub_Trending/au/autocut cd autocut && pip install .

不想克隆也可以直接pip install autocut-sub。跑autocut -t test.mp4验证：视频旁边会生成同名.srt和.md文件，出现这两个文件就算通了，接下来直接在.md里删句子就是剪视频。如果pip install失败，九成是 torch 版本冲突，先装对应版本的 PyTorch 再重装。

容器化稳定运行：一次构建，宿主环境零要求

结论：想一劳永逸就用 Docker。Dockerfile 里已内置 ffmpeg 和 CPU 版 PyTorch，宿主机什么都不用装。

构建并运行（把挂载路径换成你的视频目录）：

docker build -t autocut . docker run -it --rm -v /path/to/videos:/autocut/video autocut /bin/bash

构建那步会拉不少依赖，首次几分钟；进容器后跑autocut -t 视频.mp4立刻可用。有 Nvidia 卡就走 GPU 版：docker build -f Dockerfile.cuda -t autocut-gpu .，运行时加--gpus all。构建失败多半是拉基础镜像或 torch 下载卡住，重跑命令即可续传。

一键自动化：daemon 模式常驻监听文件夹

结论：环境稳定后，把它挂上监听。核心是 autocut/daemon.py 里的文件夹监听逻辑，一条命令常驻：

autocut -d 2022-11-04

往该文件夹丢新录的视频，它会自动转录生成.md；你在.md里删掉不要的句子保存后，自动剪出_cut.mp4，多个视频还能拼成autocut_merged.mp4。做完应该看到文件夹里持续新增字幕和剪切文件；若停止生成，先看监听进程是否还活着，不在就重启。

后路：新版翻车时的 30 秒回滚

三种情况别犹豫，直接回滚：升级后批量转录报错、容器反复崩溃起不来、输出字幕编码乱掉。先止损、后排查——让生产流程先跑起来，再回头翻日志。

代码回滚：一条 git 命令退回上个版本

翻历史找到上一个好版本，退回去：

git log --oneline git reset --hard <commit-hash>

注意：AutoCut 是 Python 包，代码变更后必须重跑pip install .新代码才会生效。回滚后同样要重装一次，否则环境里跑的还是旧代码。

镜像回滚：旧 tag 一拉就起

镜像回滚的前提是：每次升级前先带版本 tag 构建（比如autocut:20260919），而不是只用latest互相覆盖。

docker images | grep autocut

挑出旧 tag，用它docker run起一个新容器（视频目录挂载不变）就能接管工作。新镜像留在本地不删，排查完随时切回去。

避坑手册：5 个高频问题和解法

⚠️ 下面这 5 条都是真实高频坑，部署前花一分钟过一遍。

那次凌晨的翻车，从此有了标准动作：先止损，30 秒把镜像回滚回去，再慢慢查原因。你升级部署时踩过什么坑？评论区聊聊。

【免费下载链接】autocut用文本编辑器剪视频项目地址: https://gitcode.com/GitHub_Trending/au/autocut