Timeline Studio 重大升级：让 AI 替你剪完一条视频：一键生成成片，随时打开工程继续调整

安装一个 Skill，一杯咖啡的时间完成视频剪辑：成片与可编辑工程一次交付

只需要安装 edit-timeline-studio Skill，把视频、图片、产品素材或者网站地址交给 Agent，再说明语言、风格、比例和大致时长。喝一杯咖啡的时间，它就能自动完成内容分析、脚本规划、镜头剪辑、配音、字幕和视觉引导，最终同时交付成品视频与可继续修改的 .timeline 工程。

项目名称：Timeline Studio

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

在线体验：https://video-editor.ai-creator.top

Skill 安装页：https://skills.sh/MartinDelophy/ai-video-editor

从一句需求，到一条可以继续修改的成片

过去，完成一条产品介绍、网站宣传或知识讲解视频，往往需要经历很多步骤：

• 整理图片和视频素材；
• 浏览产品或网站；
• 提炼卖点并编写脚本；
• 选择配音语言和声音；
• 生成字幕并校准时间；
• 设计镜头节奏；
• 添加放大、框选、下划线和转场；
• 调整背景音乐；
• 导出视频；
• 根据反馈重新修改。

AI生成轨道

真正消耗时间的，往往不是某一个操作，而是这些步骤之间反复确认、修改和重新导出的过程。

我们希望把它简化成一件事：安装一个 Skill，然后告诉 Agent 你想做什么。

例如：

请把这些素材剪成一条英文产品介绍视频。

使用自然女声，专业可信但有活力，16:9，时长约 60 秒。

突出产品最有价值的功能，画面保持稳定，
使用关键帧放大、下划线和准确框选引导注意。

最终交付成品视频和可以继续修改的工程文件。

接下来，你可以去喝一杯咖啡。

Timeline Studio 的 edit-timeline-studio Skill 会分析素材、理解内容、规划镜头、生成配音与字幕，并根据场景完成自动剪辑。

任务完成后，它交付的不只是一条 MP4 视频，还包括一个完整的 .timeline 工程。

以后想替换一句配音、修改字幕、调整镜头时长、改变画面比例或者重新导出，都可以直接打开工程继续编辑，不需要从头生成。

为什么我们不仅交付 MP4

很多 AI 视频工具的最终结果只有一条视频。

一旦发现配音太快、字幕不准、镜头顺序不合适，或者产品经理临时修改了一句文案，通常只能重新生成。

这会带来几个问题：

• 修改成本高；
• 很难精准调整某一个片段；
• 重新生成的画面可能发生变化；
• 配音、字幕和镜头关系可能被打乱；
• 人与 AI 之间无法自然接力。

Timeline Studio 把可编辑工程作为整个流程的核心。

每次完整的视频任务都会产生两个结果：

project-name.timeline   # 可继续修改的工程
project-name.mp4        # 最终成片

.timeline 是一个可移植的工程归档，包含项目状态和使用到的媒体文件。

重新导入后，可以恢复：

• 主画面轨道；
• 画中画和叠加素材；
• 字幕；
• 分段配音；
• 背景音乐；
• 视频原声；
• 片段时间；
• 轨道显隐与锁定状态；
• 画面变换和其他编辑参数。

因此，AI 可以先完成大部分工作，人再进行最后的精细调整。

这不是用 AI 替代创作者，而是让 AI 完成耗时的初剪、整理和同步工作，把最终判断留给创作者。

一杯咖啡的时间里，Agent 做了什么

表面上看，这是“一键自动剪辑”。

但在真正执行时，Agent 并不是简单调用固定模板，而是完成一套专业工作流。

第一步：理解用户到底想做什么

Agent 会先识别任务属于哪一种视频：

• 人物口播；
• 教程演示；
• 访谈对话；
• Vlog 或活动记录；
• 产品与品牌宣传；
• 叙事和纪录内容；
• 网站介绍与操作演示。

不同类型的视频不会使用完全相同的剪辑逻辑。

例如：

• 口播需要保护语义、表情和自然停顿；
• 教程必须保留“讲解—操作—结果”的完整对应；
• 访谈不能通过重排制造原本不存在的观点；
• 电商视频必须保护产品外观、Logo、包装文字和品牌色；
• 网站宣传需要真实体验页面，不能只根据首页文案推测功能。

只有确定内容类别、目标观众、视频比例、语言和表达风格后，Agent 才会开始规划。

第二步：分析图片、视频、声音与运动

对于图片，Agent 会分析：

• 主体和人物；
• 产品与品牌标识；
• 可读文字；
• 清晰度和分辨率；
• 构图与裁切空间；
• 景深和分层条件；
• 是否适合直接使用、2.5D、图生视频或图生图修复。

对于视频，Agent 会组合分析：

• 镜头边界；
• 代表帧；
• OCR 文字；
• 语音和字幕；
• 人物、产品与界面区域；
• 全局光流；
• 主体区域光流；
• 模糊、遮挡、失焦和动作变化。

光流主要用于理解运动，而不是单独判断内容。

系统会先确认画面中的对象是什么，再通过光流判断它如何移动，从而区分：

• 相机抖动；
• 主动运镜；
• 人物运动；
• 产品运动；
• 页面或视频中的局部运动。

这让系统能够优先选择清晰、稳定、信息完整的片段，并在需要时先稳定画面，再进行跟踪和增强。

第三步：生成可解释的剪辑决策

Agent 不会分析完就直接修改工程。

它会先形成一份剪辑决策记录：

• 哪些内容应该保留；
• 哪些内容可以删除；
• 哪些等待过程可以缩短；
• 哪些片段应该重新排序；
• 哪个时间点适合突出产品；
• 哪些字幕和音频不能被切断；
• 每项决定的理由和置信度是什么。

这样既方便自动执行，也方便后续审查。

对于存在歧义的内容，Agent 会向用户询问真正影响结果的问题，而不是询问素材中已经能够观察到的信息。

配音决定节奏，而不是时长强迫配音

很多自动生成的视频会先把画面固定为 60 秒，再把配音强行压进 60 秒。

这很容易产生几个问题：

• 语速太快；
• 停顿不自然；
• 品牌名和专业词发音错误；
• 字幕来不及阅读；
• 画面重点与声音不同步。

Timeline Studio 采用相反的方式：先确定自然的声音表现，再根据配音安排画面。

在开始生成前，Agent 会确认：

• 使用什么语言；
• 使用女性、男性还是指定声音；
• 专业、可信、活力、温暖或沉稳等表达风格；
• 期望的节奏；
• 品牌名、网址、数字和专业词的读法；
• 字幕是否与配音使用相同语言。

生成配音后，系统根据真实句子时长和自然停顿规划镜头。

如果目标时间太短，优先缩短文案，而不是粗暴加速语音。

光标到达、下划线出现、框选锁定、画面放大和结果展示，也会围绕对应的语句进行同步。

一条字幕，对应一个独立配音文件

为了让后续修改真正方便，最新的 .timeline v3 不再把整段旁白保存成一个音频文件。

句子级配音会被物理拆分：

caption-01 → voice-01.wav
caption-02 → voice-02.wav
caption-03 → voice-03.wav

每条字幕通过 audioClipId 与对应的配音片段关联。

这样重新打开工程后，可以：

• 单独替换某一句配音；
• 单独移动某一句；
• 修改一句话的音量或淡入淡出；
• 调整字幕和配音的同步关系；
• 删除某一句，而不影响其他音频；
• 保留其他已经确认的剪辑结果。

这是一键自动剪辑能够进入真实生产流程的重要基础。

网站介绍，不再是模糊截图轮播

网站宣传是这套 Skill 重点支持的场景。

用户只需要提供网站地址，并说明目标观众、语言、声音和大致时长。

Agent 会先体验网站，而不是直接把首页截下来做视频。

它会建立页面和流程覆盖清单，包括：

• 主页；
• 功能页；
• 产品列表；
• 详情页；
• 搜索和筛选；
• 关键操作路径；
• 登录后的产品界面；
• 外部跳转；
• 可能产生真实影响的操作。

如果关键功能需要登录，Agent 会请用户自行在浏览器中登录，不会索要密码、验证码、Cookie 或其他凭据。

无法访问的功能会明确标记为“未验证”，不会根据宣传文案编造产品体验。

在得到授权的页面范围内，Agent 可以通过脚本驱动浏览器完成可逆操作：

• 平滑滚动；
• 鼠标移动；
• hover 状态；
• 标签切换；
• 搜索和筛选；
• 加载结果展示；
• 页面视频播放；
• 临时光标提示层。

它不会自动提交订单、发布内容、发送消息、修改账户资料或执行其他有外部影响的操作。

不是到处画框，而是用专业方式引导注意力

网页宣传视频中最常见的问题之一，是在每个页面上都画一个矩形框。

框选过多不仅不能突出重点，还会让视频显得机械、廉价。

Timeline Studio 会根据目标选择不同的视觉引导方式：

• 小而密集的界面：使用关键帧放大；
• 精确文字或数据：使用下划线或括线；
• 按钮、卡片和结果区域：使用准确框选；
• 需要保留上下文的目标：使用聚光遮罩；
• 需要解释关系的内容：使用引导线；
• 页面内的动态对象：使用光流辅助跟踪；
• 静态图片：使用适度的景深或 2.5D 分层。

一段专业的解释镜头通常遵循这样的节奏：

建立上下文 → 引导注意 → 锁定目标 → 静止阅读 → 自然释放

画面移动到目标后必须停下来，给观众足够的阅读时间。

我们明确拒绝：

• 无意义的持续缩放；
• 手持模拟和微抖动；
• 弹性过冲；
• 框选漂移；
• 频繁重复放大、缩小；
• 滚动和变焦相互冲突；
• 为了“看起来有动效”而堆叠效果。

每个镜头最多保留一次有明确目的的相机移动，以及一个主要强调效果。

为什么播放不会再卡在一个片段中循环

多媒体时间线中，一个关键问题是：谁负责控制播放时间？

如果直接使用当前视频元素的 currentTime 作为总时间线时钟，当视频在片尾解码发生停顿，播放头可能会被固定在当前片段末尾。

用户看到的结果，就是画面仿佛一直在某一个片段中循环。

Timeline Studio 使用单调递增的时间线主时钟：

Timeline Clock
   ├── 同步画面
   ├── 同步配音
   ├── 同步背景音乐
   ├── 同步字幕
   └── 同步视觉效果

视频和音频只跟随时间线，不再反过来控制播放头。

片段时间区间采用 [start, end) 的半开语义，也可以避免在两个相邻片段的公共边界上同时激活两段媒体。

这种底层稳定性不如生成模型显眼，却决定了编辑器能否真正处理长时间、多片段、多音轨的工程。

本地优先，不代表牺牲 AI 能力

Timeline Studio 将多种 AI 能力放在浏览器本地运行，包括：

• 多语言 AI 配音；
• Whisper 自动字幕；
• Stable Audio AI 音乐；
• 人物与物体检测；
• 智能画面与人像处理；
• AI 修复；
• 高清增强；
• 人声分离；
• 数字人相关能力。

模型采用按需下载和版本固定策略，并通过 Hugging Face 与 ModelScope 双线路镜像交付。

国内环境优先使用 ModelScope，Hugging Face 作为回退。两条线路使用统一缓存身份，切换来源时不需要重复下载相同模型。

本地优先带来的价值包括：

• 素材不需要为了基础编辑上传到远程服务器；
• 模型下载后可以重复使用；
• Agent 和人工编辑共享同一个项目；
• 导出结果更容易复现；
• 模型来源、版本与许可证更加明确。

涉及人脸替换、数字人或其他深度合成能力时，使用者必须拥有相关素材的合法授权，不得生成或传播违法、侵权、虚假或误导性内容，也不得将生成结果冒充为真实影像。

如何安装这个 Skill

通过 skills.sh 安装：

npx skills add MartinDelophy/ai-video-editor \
  --skill edit-timeline-studio

安装到 Codex：

gh skill install MartinDelophy/ai-video-editor \
  edit-timeline-studio \
  --agent codex \
  --scope user \
  --pin v0.9.1

安装到 Claude Code：

gh skill install MartinDelophy/ai-video-editor \
  edit-timeline-studio \
  --agent claude-code \
  --scope user \
  --pin v0.9.1

GitHub Copilot、Gemini CLI、Cursor 等支持 Agent Skills 的工具，也可以从同一个仓库发现和使用这套 Skill。

安装之后怎么使用

安装后，不需要学习复杂的剪辑命令。

可以直接向 Agent 描述结果：

请把这个网站制作成一条英文介绍视频。

使用自然女声，专业可信但有活力，16:9，时长约 60 秒。

请先体验网站的公开页面。如果关键功能需要登录，
请让我在浏览器中自行登录。

画面保持稳定，使用真实交互、关键帧放大、
下划线和准确框选突出重要功能。

最终交付成品视频和可以继续修改的 .timeline 工程。

也可以直接提供图片和视频：

请自动分析这个目录中的产品图片和演示视频，
剪辑成一条 45 秒的中文产品宣传片。

保留品牌 Logo、包装文字和产品颜色，
使用自然女声，背景音乐不要盖住配音。

最终输出 MP4 和可编辑工程。

Agent 会根据任务选择两条执行路径。

对于命令层已经支持的操作，会使用版本化命令检查工程、生成编辑计划并执行 dry run：

npm run agent -- project.inspect /absolute/path/project.timeline
npm run agent -- project.diff /absolute/path/edit-plan.json
npm run agent -- project.run /absolute/path/edit-plan.json
npm run agent -- project.inspect /absolute/path/project-v2.timeline

对于 AI 生成、复杂效果、浏览器操作、实时预览等能力，则通过 Timeline Studio 编辑器完成。

Skill 会明确区分两条路径，不会把 UI 自动化描述成完全确定性的无头执行。

一键生成之后，还可以快速调整

“一键自动剪辑”并不意味着用户失去控制。

因为最终保留了 .timeline 工程，所以后续可以继续修改：

• 替换某一个镜头；
• 调整镜头顺序；
• 缩短或延长某个片段；
• 单独重新生成一句配音；
• 修改字幕内容；
• 调整字幕位置和样式；
• 改变视频比例；
• 修改背景音乐音量；
• 调整放大、框选和转场；
• 切换产品重点；
• 重新导出不同版本。

第一次生成可以完成大部分工作，后续调整只需要修改相关片段。

不需要重新分析全部素材，也不需要把整条视频推倒重来。

完成标准不只是“导出成功”

Timeline Studio 会同时检查技术正确性和编辑质量。

结构验收包括：

• .timeline 能否重新打开；
• 所有媒体文件是否完整；
• 字幕和配音是否一一对应；
• 主画面轨道是否可见；
• 轨道时间、显隐和锁定状态是否恢复；
• 视频是否包含真实可听的音频；
• 导出尺寸、时长和帧数是否正确；
• 播放是否可以连续跨越所有片段边界。

编辑质量验收包括：

• 是否存在可见抖动；
• 跟踪框是否漂移；
• 产品、人物和品牌身份是否被生成模型改变；
• 强调效果是否与配音同步；
• 字幕是否有足够阅读时间；
• 画面是否遮挡关键内容；
• 需要阅读时画面是否停稳；
• 是否存在不必要的效果堆叠。

技术上成功导出，不代表它已经是一条专业成片。

结语：一杯咖啡的时间，完成第一次剪辑

我们认为，AI 视频编辑下一阶段的竞争点，不只是生成模型能做出多漂亮的画面。

真正重要的是：

• 能不能理解素材；
• 能不能发现真正值得保留的内容；
• 能不能组织清晰的叙事；
• 能不能生成自然的声音；
• 能不能稳定、准确地引导注意力；
• 能不能交付一个可继续修改的工程。

Timeline Studio 想完成的事情，可以概括成一句话：

安装一个 Skill，一杯咖啡的时间得到一条成品视频；保留一个可编辑工程，承接之后的每一次调整。

项目仍在持续迭代。我们欢迎关注浏览器媒体、WebCodecs、WebGPU、ONNX、自动剪辑、语音、字幕、视觉跟踪和 Agent 工作流的开发者参与。

GitHub 仓库：

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

其他地址：

• Skill 安装页：https://skills.sh/MartinDelophy/ai-video-editor
• Issues：https://github.com/MartinDelophy/ai-video-editor/issues

如果这个项目对你有帮助，欢迎 Star、提交 Issue，或者分享你最希望自动化的视频制作场景。