我本来只想把两个视频拼在一起：ChatCut 与 Codex 的使用体验

✍ 周.乙 (⌐▀͡ ̯ʖ▀)ノJoey🕐 2026-07-13📦 8.6 KB 🟢 已读 𝕏 文章列表

作者在尝试使用 ChatCut 和 Codex 进行视频剪辑时，意外发现其强大的智能化功能。工具不仅能自动识别循环画面并精准对齐，还能准确识别带有湘潭口音的方言并生成中英字幕。文章详细记录了对话式剪辑如何解决素材循环匹配、方言转写及字幕修正等痛点，展现了 AI 在视频编辑领域的应用潜力。

# 我本来只想把两个视频拼在一起 **作者**: 周.乙 (⌐▀͡ ̯ʖ▀)ノJoey **日期**: 2026-07-13T06:26:44.000Z **来源**: [https://x.com/JoeyDeepWorld/status/2076553897381179661](https://x.com/JoeyDeepWorld/status/2076553897381179661) --- ![Image](/doc/2971/image/img_48e3330d93a4.jpg) 我原本没打算写什么评测，更没接过商单。只是昨天看到几个朋友推荐Chatcut，我特意问了一句：这是不是商单？回答都是否定的。手里正好有几段视频，我想把它们剪到一起。于是就顺手试了试。我的素材都放在雷雳5的4T外置硬盘里，我也不想为了试一个工具，把整个素材库全传到云端。剪辑好的视频成品在文末我的要求很具体：两个视频上下排列、宽度一致、保持原比例，不能裁切，也不能把人和景物拉变形。我没有任何AI剪辑的经验，整日里除了上班，业余时间都在写代码或者写文章。只是多年前用达芬奇给单位剪过一段视频，仅此而已。我于是尝试在 Codex 里调用 ChatCut 插件完成这次剪辑的。我说一句，它改一下。后来要求越来越细： “上面和下面的视频交换位置。” “两个视频要一样宽。” “不要裁切，要等比例放大。” “两边的黑框去掉。” 这部分虽然方便，但还没有让我特别意外。尺寸、位置和轨道，本来就是剪辑软件该做的事。真正让我停下来仔细看了几遍的，是后面两件事。 ## 它没有直接截取前37秒视频下方是一段火箭回收视频，时长37秒。而上方是一段偏红色调的视频，配有完整音乐，总长3分42秒。麻烦在于，这段长视频里的画面不是一直往前发展的，同一个片段循环了好几次。如果只是粗暴地取前37秒，很可能从一轮循环的中间开始，又在下一轮的中间结束。长度虽然对了，画面却不完整。我问了一句： > 能不能以下面37秒的视频为准，从上面那段长视频里只取一个完整循环？我本来以为还得自己拖时间线，告诉它循环从哪一帧开始、在哪一帧结束。结果并没有。 Codex借助ChatCut提供的素材信息和预览去比较长视频里的重复部分，找出了一轮相对完整的循环。那一轮的长度和37秒非常接近，ChatCut随后把对应区间写进时间线，与下面的火箭视频对齐。最后两个画面能够一起开始，也同时结束。不是给给剪辑软件输入一个“37秒”的数字就完了，麻烦的部分是判断：哪一段才算完整的一轮。而这一步，Chatcut替我做了，而且做得很好。这一步省掉之后，我第一次觉得这种对话式剪辑不只是换了一种操作界面了。对剪辑仅有的经验中，我记得要自己反复播放、找接点、记时间码；这次我只说清楚想保留“一次完整循环”，剩下的分析和落地由系统完成了。 ## 它居然能处理湘潭话第二件事发生在一段毛泽东纪录片上。手头有很多视频资料，我想到一部新影厂出品的纪录片《中国出了个毛泽东》其中有一段发言广为人知，干脆也一并加进去，正好构成两个时代的呼应与精神的传承。视频里，毛泽东的讲话带有很明显的湖南湘潭口音，并不是标准普通话。我上传素材时，对自动字幕没有抱太大希望。普通话转写都会出错，何况是半个多世纪以前的录音，还是方言口音。整个流程是这样的： ChatCut的转写流程先生成了带时间的中文文字稿。Codex读取文字稿后，只挑时间轴里实际保留的部分制作字幕，再让ChatCut显示成中文在上、英文在下的形式。大部分内容识别得比我预想的准，英文也很自然。中间确实出现过一次错误。主席即将话的第一句“我们”，被识别成了“You might”。我指出以后，Codex找到了文字稿中的具体位置，ChatCut把底层的一个错词改成“我们”，英文字幕随后刷新成了“We”。这个过程给我的感受很好。因为它改的不是画面上的一块贴纸，而是文字稿本身。原文修正以后，对应的翻译和字幕也能跟着更新。原文识别偶尔会错，尤其面对方言时，这很正常。但从这次结果看，湘潭口音并没有让整段字幕失去可用性。英文翻译本身也没有因为方言来源而变得奇怪。后来我还给视频3留了一句单独的翻译。画面上写着“自己动手，丰衣足食”，我不需要那一段继续显示自动识别的对白，只想在下面放一句英文： > Do it yourself and have ample food and clothing. Codex写了一个简单的文字层，ChatCut把它放到时间轴上。那一段最终只显示这句话。 ![Image](/doc/2971/image/img_35e48414d5a2.jpg) ## 中间也出过问题整个过程并不是一路顺滑。第一个问题是，我打开预览，发现视频2的字幕全没了。检查以后才知道，时间轴上的片段更新过，字幕还指向旧片段；同时字幕开关也被关掉了。Codex从项目状态里找到这两个问题，再通过ChatCut把字幕重新打开，并改成绑定V2轨道。这样以后即使片段继续裁短，字幕也不会因为片段ID变化而再次失效。第二个问题是，我只想翻译保留的部分，却启动了整段源素材的翻译。长视频有二十多分钟，等了很久。后来重新限定字幕来源，成片里只显示时间轴保留的内容。这些插曲反而让我更清楚它现在处在什么阶段：能干活，也能在出错后检查和修复，但用户仍然要把范围说清楚，也要看预览。 ## 这到底算谁的功劳如果把这次体验全部写成“ChatCut太聪明了”，并不准确。说成“ChatGPT已经会剪视频了”，同样不准确。实际分工更像是：我负责决定想要什么，也负责最后判断对不对。 Codex负责理解我的话、分析素材、选择操作方法。找循环、判断字幕该绑定哪个片段、发现字幕为什么消失，主要发生在这一层。 ChatCut负责提供素材库、时间轴、字幕和渲染能力。真正的裁切、缩放、轨道调整和字幕写入，都保存在ChatCut项目里，仍然可以继续编辑。语音识别和翻译又是更下面的一层。湘潭话的中文文字稿来自ChatCut接入的转写流程；从本次工具返回的信息看，英文翻译由ChatCut后端调用的 Gemini 2.5 Flash 完成。语音识别具体使用了哪家服务，这次没有显示，我也不想乱猜。所以，我觉得最准确的说法是：我在Codex里表达要求，Codex通过ChatCut完成剪辑。一个负责理解和调度，一个负责把决定落到真正的视频工程里。 ## 我为什么愿意继续用我并不是因为它“全自动”才觉得好用。恰恰相反，这次剪辑里我改了很多次主意，也纠正过识别错误。我说过“不要裁切”，也说过“只翻译保留的部分”，还追问过字幕为什么突然消失。让我愿意继续用的，是这些修改不需要从头再来。我可以先说一个大概，看到预览后再逐步收紧要求。哪里不对，就指出具体画面或具体一句话。Codex负责理解修改，ChatCut负责把修改写回时间线。至于这次最让我印象深刻的，还是这两个瞬间：它从一段循环多次的长视频里，找出了一轮接近37秒的完整画面。它也确实把带有湘潭口音的讲话做成了准确可用的中英文字幕。这已经足够让我认真把这次使用过程写下来了。关于收费，我现在也不清楚。昨天看到了一个github的Chatcut地址，还有一个官网地址。问朋友，说是开源了。但官网上有Pricing的条目。也搞不清到底收不收费，具体看我后续需求。 ![图片](/doc/2971/image/img_8170e04e9876.jpg) ## 相关链接 - [周.乙 (⌐▀͡ ̯ʖ▀)ノJoey](https://x.com/JoeyDeepWorld) - [@JoeyDeepWorld](https://x.com/JoeyDeepWorld) - [3.3K](https://x.com/JoeyDeepWorld/status/2076553897381179661/analytics) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [2:26 PM · Jul 13, 2026](https://x.com/JoeyDeepWorld/status/2076553897381179661) - [3,372 Views](https://x.com/JoeyDeepWorld/status/2076553897381179661/analytics) - [View quotes](https://x.com/JoeyDeepWorld/status/2076553897381179661/quotes) --- *导出时间: 2026/7/13 19:09:48*

🔗 相关文档