前陣子在 Threads 上看到一段分享，說 Fable 的產品發佈影片完全由 AI 剪輯，負責人 Thariq 甚至沒有打開過 Premiere 或 Final Cut。作為一個平時會寫點 script 處理重複工作的人，我馬上被吸引了：這到底是真正的革命，還是另一波 AI hype？

我花了點時間研究這個案例，也試著梳理出一套可以跟著做的流程。結論是：yes and no——取決於你對「剪片」的定義。

「AI 剪片」的真正意思：寫程式，而不是按時間軸

Claude Code 沒有預覽視窗，也不能像 Runway 或 Adobe Firefly 那樣直接生成畫面。它真正擅長的，是讀取你的檔案系統、執行命令、看到錯誤訊息後修正，然後再試一次。換句話說，它不是在「剪」片，而是在幫你編排一條由程式驅動的影片處理 pipeline。

這種方式最適合處理技術性、重複性高的工序，例如：

  • 用 ffmpeg 批量轉檔、裁切、合併片段
  • 自動生成字幕並燒錄到畫面
  • 統一格式、解析度與幀率
  • 音訊標準化或加上浮水印

但如果你期望它「把這段訪問剪得更有情緒」或「找出最好的 take 來做預告片」，它現階段是做不到的。它沒有眼睛，也無法感知節奏、表演或故事張力。

Fable 團隊的實際做法：五個自動化步驟

根據 @ai_tjb 的整理，Thariq 把十七個未分類的 camera takes 全倒進一個資料夾，沒有標記、沒有場景分類，然後給了 AI 一個指令。之後的工作分成五步：

  1. 自動轉錄：把 25GB 的素材餵給免費的本地轉錄工具，生成帶精確時間戳的逐字稿。這份 transcript 成為整個 workflow 的骨幹。
  2. 智慧選鏡：AI 派出多個平行助手分析逐字稿，自動捨棄帶有口吃、填充詞（um, ah）的片段，挑選最流暢、結尾最乾淨的 take，並生成一份對照表，註明每段用哪個檔案、從第幾秒到第幾秒，以及選擇原因。
  3. 拼接粗剪：用免費工具把選好的片段按時間線組合成 rough cut。
  4. 調色與動態圖形：由於 Thariq 不懂調色，AI 寫了參數並搭了一個簡易網頁，讓他用滑桿調整飽和度與明暗，數值自動回傳到處理流程。靜態設計檔也經由網頁程式碼動起來，並根據逐字稿的時間戳，精準對位到旁白——例如當講者說出「right」這個字時，圖形剛好彈出，完全沒有手動拉時間軸。
  5. 自動更新與輸出：設計師傳來新素材後，AI 自動替換並輸出最終的 4K 影片。

這個案例最讓我驚訝的不是「AI 會剪片」，而是 AI 會為了完成任務，自己建造輔助工具（例如那個調色介面）。這正是 agentic AI 的核心：它不是去控制剪接軟體，而是去編排一整串的轉錄、分析、編程與媒體處理工具。

想自己試？需要準備的工具

如果你也想動手，這是無法跳過的基本配備：

  • Claude Code：這是獨立的 CLI 工具，不是網頁版聊天介面。安裝指令是 npm install -g @anthropic-ai/claude-code。
  • ffmpeg：真正的影片處理引擎，負責裁切、合併、轉碼、調色。Mac 可用 Homebrew 安裝，Windows 可用 winget。
  • Whisper：OpenAI 開源的本地轉錄工具，用來生成帶時間戳的逐字稿。建議可考慮 WhisperX 或 faster-whisper，以取得更精準的字級時間戳。
  • Python 環境：Claude Code 會幫你寫 script，但你本機需要能執行 Python。

誠實說，第一次設定環境和排解錯誤的時間，可能比直接打開 Premiere 手動剪完一條片還要長。魔法通常發生在第三、第四個項目，當你的流程變得可重複，那時你真的只需要把檔案丟進資料夾，然後說「照上次那樣做」。

我整理出的務實工作流程

綜合了原始教學與後續的技術修正，我認為最值得記下的流程長這樣。不必一次跑完全部，分階段來會更穩：

第一階段：建立骨架

把所有原始片段放進 ./raw_clips，然後讓 Claude Code 寫一個 Python script，用 Whisper 轉錄所有影片，輸出一份 transcription.json。這份檔案要包含：檔名、每句話的內容、起訖時間，以及備註時間戳的精確度（片段級或字級）。

第二階段：選鏡與決策

讓 AI 讀取 transcription.json，按內容主題分組，再從重複拍攝的 takes 中挑選最乾淨的版本。評選標準要務實：最少填充詞、最少重開機或結巴、句子最完整。最後輸出一份 edit_decisions.json，標註每個片段用哪個檔案、從第幾秒到第幾秒，並附上簡短理由。

這裡有個關鍵修正：AI 能從文字判斷流暢度，但無法從逐字稿看見你的表情、眼神或聲音能量。所以我的做法是讓 AI 在決策表裡加上信心分級——「高信心」直接採用，「中信心」或「需要人類審核」的標記出來，最後由我快速掃一眼確認。

第三階段：組合與對位

用 ffmpeg 把選好的片段裁切出來，統一解析度、幀率與音訊規格後，再串接成 rough cut。這裡很容易出錯：如果片段的格式不一致，直接 concat 會失敗。務必先將每段素材 normalize 到相同規格（例如 1920×1080, 30fps, 48kHz AAC），再進行合併。

同時，請 AI 建立一份 timeline_map.json：記錄每個原始片段在 rough cut 裡的新起訖時間。這份對照表是後續加字幕、加圖形時的依據，否則時間戳會全部錯位。

第四階段：調色、音效與輸出

基礎的顏色與音訊調整可以透過 ffmpeg 濾鏡完成，例如統一提升飽和度、做 EBU R128 響度標準化（-16 LUFS 是網路影片的務實起點）。如果你像 Thariq 一樣不懂調色，可以請 Claude Code 寫一個帶滑桿的簡易 HTML 頁面，讓你拖曳出喜歡的數值後，自動生成對應的 ffmpeg 指令。

最後輸出時，建議直接採用工作解析度。如果原始素材是 1080p，就不要為了追求 4K 而強制放大，徒增渲染時間與檔案體積。

這個方法最適合什麼影片？

經過一輪整理，我認為這套 workflow 的甜蜜點非常明確。它最適合「結構清晰、以語音為主、需要從大量重複 take 中組合出乾淨版本」的影片：

  • Talking-head YouTube 影片：你錄了五段十分钟的評論，AI 幫你挑出每段最流暢的詮釋，去掉「讓我重來一次」。
  • 線上課程或教學：去掉失誤與停頓，自動加上章節標題與字幕，輸出統一格式的課堂影片。
  • Podcast 與訪談精華：從九十分鐘的訪談中找出十個主題片段，生成社交媒體用的短 clip 與字幕。
  • 企業內部影片：產品 demo、銷售會議、培訓內容。這類影片重視一致性與效率，創意剪接的需求較低。
  • 批量處理固定格式的週更影片：每週的市場更新、健身教學、房產導覽。只要 pipeline 建好，之後就是丟檔案、等輸出。

相對地，以下類型現階段還是交給人類編輯比較好：

  • 音樂 MV 或節奏蒙太奇：AI 可以偵測拍子，但「對到情緒」是另一回事。
  • 婚禮或紀錄片：需要判斷眼神、情感與故事弧線，這無法從逐字稿讀出。
  • 劇情片或高端廣告：B-roll 的選擇、視覺連戲、情緒節奏，都太依賴主觀品味。

把流程修得更穩：三個容易忽略的細節

在進一步研究技術討論後，我記下了三個能讓這個 workflow 從「酷炫實驗」變成「真正可用」的修正：

  1. 建立時間軸映射表：沒有 timeline_map.json，你加字幕或圖形時一定會對錯時間。這份檔案是銜接原始素材與最終時間線的橋樑。
  2. 加入人類審核檢查點：在輸出最終影片前，強制暫停，先讓 AI 展示 edit_decisions.json 給你看。確認沒有選到明顯失常的 take，再繼續。
  3. 先統一格式再合併：ffmpeg 的 concat 對編碼參數很敏感。不要直接串接不同解析度或幀率的片段，先 normalize 再合併，能避免大量無謂的 troubleshooting。

結語：一個可以立刻行動的小建議

如果你看完也想試，不要一開始就模仿「把十七條片段丟進資料夾」的壯舉。先準備兩三段三分鐘的 talking-head 影片，在本機裝好 ffmpeg 和 Claude Code，然後給它一個最簡單的指令：「幫我寫一個 Python script，用 Whisper 轉錄這幾條片，選出最流暢的 take，組合成一條 rough cut，並存成 JSON 讓我檢查。」跑通這一小段，你就會清楚知道這套工具的邊界在哪裡——以及它是否真的值得你建立下一套自動化流程。