JayWebtech/autoshorts

如果你要把长访谈、演讲或播客切成竖屏短视频，并且希望候选片段的筛选和粗剪在自己电脑上完成，这个项目值得花时间看看。但运行完整流程前，需要先装好 FFmpeg，并准备好 LLM 服务与 API key，或者配置本地 Whisper 与 Ollama。

解决什么问题

把一小时的录像做成几条竖屏短片，通常要在时间轴上来回寻找亮点、判断哪段对话容易传播、逐条剪辑，再把横屏画面重新构图成手机比例。这些步骤重复且容易拖延，好素材就沉在长文件里。AutoShorts 把导入、转写、排序、裁切串成一条流程：建立项目后得到转写文本，模型返回带钩子的候选片段排序，选中的片段被渲染成 9:16 的 H.264 竖屏视频。产物是候选清单和草稿片段，而不是包装完成的成片。

有什么不同

这个项目的重点在挑选片段，而不是精修剪辑。片段检测和钩子文案默认交给 DeepSeek，也可以选 Claude；转写文本、候选、自定义名称和渲染数据保存在本地 SQLite 里。README 对自己的短板说得比较直白：它支持用本地 Ollama 模型离线分析，但也明确表示 LLaMA 3.2 3B、Qwen 2.5 3B/7B 这类小模型通常不建议用于病毒片段检测，因为它们在处理长转写、计算准确时间戳时容易输出过短的碎片。这是一个有价值的取舍说明：离线省下的是钱和隐私，代价是分析质量，作者推荐的仍是便宜的大模型云服务。

裁切方式同样直接。README 写的是自动居中裁切横屏视频，因此说话人偏在画面一侧时，自动构图需要人工复查。字幕依赖本机 FFmpeg 构建包含 drawtext 和 subtitles 滤镜，所以 macOS 用户被引导去安装特定的 Homebrew 公式。本地优先指的是存储和媒体处理留在本机；使用 Deepgram 转写或 DeepSeek/Claude 分析时，内容仍会发送到这些服务，只有 Ollama 加 Whisper 的组合能让整条链路留在机器上。README 没有声明许可证，如果打算修改或再分发代码，这一点需要先确认。

谁值得试

已经在为 LLM API 付费、想快速对长录像做第一轮筛选的创作者或小型播客团队最合适：应用会给出待审的候选片段并渲染草稿竖屏视频，README 也说明云端分析每次运行成本很低、效果最好。能自行安装 FFmpeg、管理密钥的开发者同样适合，因为安装流程默认需要这两样。

不适合的是需要精细控制构图、B-roll、字幕样式和转场的剪辑师，这不是那类编辑器。必须完全离线的人要先权衡 README 对小模型质量的警告；对数据外发有合规要求的场景也要注意，云端转写和分析会把录音交给第三方。

使用条件与边界

硬性前提是 FFmpeg 和 FFprobe 在 PATH 中；缺少它们，音频提取、裁切和字幕都无法工作，README 还提醒部分 FFmpeg 构建缺少字幕所需滤镜。之后要选择分析路径：Deepgram、DeepSeek、Claude 的云端密钥，或者通过 Python 安装 openai-whisper 并配合 Ollama 的本地组合。界面会提示缺失的环境变量，但这仍是一套需要自己搭起来的环境。

预构建安装包在发布页，macOS 包未签名，需要按说明绕过 Gatekeeper；Windows 包是自签名，会触发 SmartScreen。仓库未声明许可证，除 macOS、Windows、Linux 安装包外也没有更多兼容性说明。日常维护意味着保持 FFmpeg 以及可选的 Python 环境可用，并留意 API key 和服务商变化。

HotRepo 点评

仓库很年轻：创建于 2026-06-22，HotRepo 在 2026-10-26 的日榜记录到 1,323 星、257 个 fork，当天新增 14 星，这只是一次快照，不能据此判断热度持续或衰退。真正要看的是 README 承认的本地与云端分析质量差距；如果打算走离线路线，先对照项目说明确认服务配置再决定。