跳到主要内容
productaieditingbehind-the-scenes

为什么 CaptionBolt 现在会先剪好第一版

录视频变容易了,剪辑却没有。CaptionBolt 为什么现在会先剪好你口播视频的第一版,这一版里有什么,以及为什么每一部分都仍然由你来改。

Matt

Founder of CaptionBolt

2026年11月17日1 分钟阅读
为什么 CaptionBolt 现在会先剪好第一版

我们用来测试 CaptionBolt 的那段视频,结尾有一句话,我一直忘不掉。

视频里,一位女士坐在桌前,手机支在面前,讲她怎样批量做内容。她用一个下午拍完一个月的视频。她挑出客户真正问过她的四个问题,每个问题在便利贴上写三个要点,然后就开讲。没有稿子。最后,她几乎是顺口补了一句:

Four videos, one afternoon. Editing them is another story.

(四条视频,一个下午。剪辑就是另一回事了。)

她不是我们的客户。她是我们用 AI 视频工具生成的,这样就能把同一段素材一遍又一遍地放进 CaptionBolt 测试。但这句话说的是真实的情况。对很多为工作做视频的人来说,录制已经成了容易的部分。手机够用,窗边的光线够用,想法也早就在脑子里。真正费时间的,是说完之后的事。

这篇文章讲的是我们为这一部分做了什么,以及它为什么改变了我介绍 CaptionBolt 的方式。

空白的时间线

录完之后打开大多数剪辑工具,你看到的是你的视频片段和一条空时间线。其余的一切都得靠你自己。

找能展示你所讲内容的画面素材。写一句开场白,让人有理由看下去。挑一段不和你的声音抢戏的音乐。决定哪些话值得放到屏幕上。加几个音效,再检查这些东西有没有挡住你的脸。

这些步骤单独看都不难。加在一起却很花时间,而且需要一种判断力,大多数教练、顾问和老师从没打算去学。他们的本职是给建议、讲课或做产品。剪辑,是他们为了分享这些而不得不交的过路费。

今年大部分时间里,字幕都是 CaptionBolt 的核心。我们在字幕上下了很深的功夫,我也为它现在的样子感到自豪。字幕之外我们也有其他工具,但剪辑的其余部分仍然要你自己一个工具一个工具地做。而一段口播视频即使配上了好字幕,看起来也可能还是一个又长又平的镜头。

“你们不是刚把产品做小了吗?”

如果你今年夏天关注过我们,可能还记得,7 月时我们有意把 CaptionBolt 做小了。我们去掉了自动选片、重构画面和配音,好专注于把用户已经录好的视频做完。

所以,你完全有理由问:为什么我们现在又加入了几乎会碰到视频每个部分的 AI?

我们去掉的那些功能,其实是三个各自独立的产品。每一个都要做不同类型的创作决定,每一个也都需要一套自己的办法,让你能检查这个决定,并在它出错时恢复过来。我们没法同时把三套都做好。

我们现在加的东西,方向正好相反。它从你的录像出发,走的还是同一条路(上传、编辑、检查、导出),并把所有内容都写进你本来就会修改的那个项目里。每一部分都出现在时间线上或它自己的面板里,你可以看到它、编辑它或删掉它。需要检查的地方只有一个,就是编辑器。

7 月那篇文章里有一句话,我现在依然认同:AI 先完成第一遍,发布什么由你决定。现在做的,就是把这句话从字幕扩展到整条视频。

第一版里有什么

现在上传视频时,CaptionBolt 会问你想怎么开始。默认选中的是 自动成片。你可以取消勾选任何不想加的内容,也可以选择 只加字幕。第一次打开编辑器时,AI 会根据你说的话剪出第一版。

这是用前面那段 30 秒视频真实跑的一次。运行时,屏幕上会显示它正在做什么:它写的开场钩子、挑出的短语、搜索的素材和选中的音乐。

加载界面:每一步都已勾选,开场钩子是 Four videos, one afternoon,文字稿中有高亮的短语,下方是三段 Pexels 素材和一首 Feel Good 音乐
快要运行完时的加载界面,显示 AI 从文字稿中选了什么。真实产品界面;视频是 AI 生成的演示素材。

这个界面比我预想的更让我喜欢。你能看着这一版剪辑从你自己的话里一点点搭起来,而不是干等一个黑箱把结果送回来。

编辑器打开时,会有一张卡片列出加了哪些内容。这一次包括:开场钩子“Four videos, one afternoon”、三处叠加文字、三段 B-Roll、三个镜头运动、一个 Emoji、一首轻快的音乐和三个音效。我们还勾选了默认关闭的 Speech cleanup,所以有五处较长的停顿被缩短了。

自动成片结果卡片,列出开场钩子、三处叠加文字、三段 B-Roll、三个镜头运动、一个 Emoji、一首 Uplifting 类音乐、三个音效和五处缩短的停顿
自动成片完成后弹出的卡片。点每一行,都会打开这一项所在的面板。真实产品界面。

下面是同一个项目的时间线:先是撤销自动成片后的样子,再是自动成片完成时的样子。同一段录像,同样的字幕。因为停顿缩短了,第二条大约短了四秒。

两条编辑器时间线。自动成片之前,只有字幕和原片轨道上有内容;自动成片之后,音效、镜头运动、文字、Emoji 和 B-Roll 轨道也都填上了
同一个项目,自动成片前后对比。两张都是真实产品界面,来自同一次运行。

如果什么都不改就直接导出,视频是这个样子。

导出初稿中的五帧:开头的开场钩子、一段全屏的咨询画面、便利贴画面上的叠加文字、一个机器人 Emoji,以及以卡片形式出现的三脚架上的手机画面
导出的第一版中的画面,没有任何手动修改。视频是 AI 生成的演示素材。

机器人 Emoji 落在了“Reading one makes me sound like a robot.”(照着稿子念,我听起来就像个机器人。)这句上。咨询的画面配在“four questions clients actually asked me”(客户真正问过我的四个问题)上。这些都不是人手动挑的。

它不做什么

这一部分,我宁可说得准确,也不想说得好听。

自动成片不会修剪你的录像。如果你勾选了 Speech cleanup,它会缩短较长的停顿,并在每一处留下一小段换气的间隔,这是它唯一会做的剪切。它不会删掉说错的地方,也不会调整你说话的顺序。它会保留你的原始画幅。它不会做封面图、加你的 Logo,也不会替你写发布文案。这些是单独的工具,什么时候用由你决定。

它也不会给每条视频都加上每一项。如果找不到合适的素材,或者某一项已经没有空位,卡片会告诉你,并指向可以重试的那个面板。上面看到的,只是在一条 30 秒视频上跑的一次。你的结果会不一样,因为你说的话不一样。

你要做的是检查

这是我最在意的部分。

如果整个第一版都不对,撤销一次就能全部去掉。如果大部分都可以,就留下它,再改剩下的。换一段素材,改一句字幕,剪掉一句话,或者换一种字幕样式。之后如果你重新生成 B-Roll、叠加文字或 Emoji,你已经改过的那些会保持原样。

四个编辑器视图:B-Roll 面板里换过的一段 B-Roll、Transcript 里改正的一行字幕、时间线上 Clip 1 和 Clip 2 之间的剪切点,以及 Captions 中选中的 Magazine 样式 Headline Sans
在同一个第一版的副本上做的四处手动修改。真实产品界面。

这四处修改是在同一份初稿的副本上做的。没有一处需要懂剪辑软件。

还有一点实际的说明:编辑器里的 AI,包括自动成片,都不消耗你的处理分钟。分钟只按你上传的视频时长计算。AI 请求有合理使用限制,以保证服务稳定。

为什么我们叫它“第一版”

我们本可以把话说得更满,比如说它会把视频“自动剪好”。那样听起来更厉害。

但那并不准确。你还是要检查它。有的视频你几乎会全部保留,有的你会改掉一半。改变的是起点:你面对的是一份已经有开场钩子、素材画面、文字和声音的初稿,而不是一段视频和一条空时间线。

我也是这样理解我们那句标语的:“你负责录,CaptionBolt 负责剪。”录像由你带来,你想表达什么,你自己最清楚。我们先做重复的部分,最后的决定权在你。

用你自己的录像试试

如果你为工作做视频,而拖慢你的正是剪辑,那就上传一段已经录好的视频。保持自动成片开启,打开编辑器,看看它剪出了什么。满意的保留,不满意的修改。它用到的每一个工具,都可以在我们的功能页面上看到。

用演示视频里的她来测试,很有帮助。不过我更想看看,第一版会怎样处理你说的话。不管它哪里做错了,还是做对了,我都想听听。欢迎给我们反馈。

你的第一个带字幕短视频,从一次上传开始。

免费开始,无需绑卡。