FunClip 基于ASR的视频剪辑实战：2小时多说话人录像按人拆出3段精华-开发者社区

FunClip 基于ASR的视频剪辑实战：2小时多说话人录像按人拆出3段精华

【免费下载链接】FunClipFunASR-powered video transcription, subtitle generation, and LLM-assisted clipping tool with a local Gradio UI.项目地址: https://gitcode.com/GitHub_Trending/fu/FunClip

FunClip 是一款开源、本地部署的视频剪辑工具，基于 FunASR 的 Paraformer 中文语音识别模型，上传视频即可得到带时间戳的识别结果，再按文本或说话人提取目标片段。

图：FunClip 主操作界面。左侧为 ASR 识别区与热词配置，右侧为 LLM 智能裁剪与按文本/说话人裁剪两个页签。

能力概览：视频剪辑的4项核心能力

带时间戳识别— Paraformer-Large 输出句级起止时间，ModelScope 下载量超 1300 万。
说话人分离— CAM++ 模型为每句标注 spk0/spk1 等 ID，可按人提取。
热词定制— 注册专有名词、人名，提升该词汇的识别准确率。
多段自由裁剪— 一次输出多个片段，自动生成全片与片段的 SRT 字幕。

运行原理：从视频到精华片段的数据流

输入视频文件 → FunASR（阿里开源的端到端语音识别工具包）先用 VAD（语音端点检测）切出语音段，再用 Paraformer（中文语音识别模型）生成带时间戳的句子级文本；勾选区分说话人时，CAM++（说话人识别模型）为每句分配 ID。裁剪时系统按输入文本或说话人 ID 反查时间戳，用 moviepy 切出对应区间，输出新视频与片段 SRT。

最小启动：3条命令跑起FunClip剪辑服务

git clone https://gitcode.com/GitHub_Trending/fu/FunClip cd FunClip pip install -r requirements.txt

执行后得到 FunClip 目录，torch、gradio 等依赖包依次安装完成，无报错即成功。

提示：ASR 模型权重在首次启动时单独下载，建议在网络稳定的环境下执行。

python funclip/launch.py

执行后终端显示 Gradio 服务已启动，浏览器打开localhost:7860即可看到中英文界面，左侧是视频输入区，右侧是裁剪区。

提示：英文音频加-l en启动；Fun-ASR-Nano 与 SenseVoice 模型分别加-m fun-asr-nano、-m sensevoice。

实战场景：3个高频用例走查

2小时会议录音按3个决策主题拆出片段

适用于会议录像较长、只需保留特定议题片段的场景。

上传会议录音，点击"识别"获取全文与 SRT。
从识别结果复制三处决策段落，粘贴到"待裁剪文本"，多段用#分隔。
点击"裁剪"，等待输出。

产出物：拼接好的新视频文件，外加裁剪片段的 SRT 字幕。

60分钟多说话人访谈提取嘉宾单人部分

适用于访谈、圆桌等多人交替发言的视频。

上传访谈视频，点击"识别+区分说话人"。
识别结果中每句带 spk0、spk1 等前缀。
在"待裁剪说话人"输入嘉宾的 ID，如spk1。
点击"裁剪"。

图：多说话人裁剪流程。识别结果 SRT 每句带说话人 ID，右侧为按人裁剪后的视频与片段 SRT。

产出物：仅包含该嘉宾发言的视频，以及对应该片段的字幕。

90分钟网课自动裁出3个知识点带字幕片段

适用于课程录屏，需按知识点切片并直接分发。

上传网课视频，在"热词"填入课程专有名词后识别。
在文本框输入要提取的知识点语句，用#分隔多段。
调整字幕字号与颜色，点击"裁剪+字幕"。

图：六步操作流程，覆盖上传视频、配置热词、ASR 识别、复制段落、设置偏移量到裁剪输出。

产出物：烧录字幕的课程片段视频与 SRT 文件，可直接用于二次分发。

进阶功能：解锁LLM智能裁剪与多说话人拼接

LLM 智能裁剪— 适合"挑出精彩片段"这类无固定文本的意图；入口：右侧 LLM 页签改 Prompt、点"LLM推理"再点"AI Clip"，接口层见 funclip/llm/。注意：LLM 输出须为N. [开始-结束] 文本格式，时间戳才反查得到。
多说话人合并裁剪— 说话人框输入spk0#spk2，两人片段依次拼接。注意：须先执行"识别+区分说话人"。
命令行裁剪— 自动化场景可用videoclipper.py --stage 1/2两段式调用，见 funclip/videoclipper.py。注意：stage 2 需指定 stage 1 的 output_dir。

图：LLM 裁剪三步法，先选模型并配置 API Key，再执行 LLM 推理，最后点击智能裁剪。

常见问题：高频问题速查

识别结果不准怎么办— 在"热词"框填入专有名词与人名，空格分隔，仅支持中文热词；随后重新执行识别。
英文视频怎么裁剪— 用python funclip/launch.py -l en启动英文模型，后续步骤与中文一致。
裁剪片段想前后多留一点— 调整"开始位置偏移"与"结束位置偏移"滑块，范围 -500 至 1000 毫秒，逐段生效。
如何裁出烧录字幕的视频— 使用"裁剪+字幕"按钮并预设字号、颜色；该功能需提前安装 imagemagick 并放置字体到font/目录。
多语种高精度识别怎么选模型— 加-m fun-asr-nano或-m sensevoice启动；两者不提供可靠字符级时间戳，按文本精确裁剪仍用默认 Paraformer。

适用边界：适合与不适合的场景

适合	不适合
中文会议、访谈、课程录像的片段提取	强噪声、多人同讲、重方言口音的识别
按文本/说话人/LLM 意图裁剪并输出 SRT	调色、转场、配乐替换等专业后期剪辑
本地离线部署、单视频多段连续裁剪	数百视频的批量任务，无独立任务队列