
FunClip 是阿里通义语音实验室(FunASR 团队)在 ModelScope 组织下开源的视频剪辑工具,GitHub 6,565 星、MIT 协议,思路跟传统剪辑软件正好相反:先把视频里的语音识别成带时间戳的文字稿,你在文字上选中几句话、点一下剪辑,对应画面就自动切出来。全程本地部署,模型权重只下一次,素材不出本机。
剪访谈、播客、课程录屏最烦的是找点。一小时素材拖时间线,来回听七八遍才定位到那三句话,剪辑师大半时间花在「定位」而不是「剪」。语音驱动剪辑把这个动作反过来——文字稿一眼扫完,选句子就是选画面。识别用的 Paraformer 带词级时间戳,切点能精确到词,不用再靠肉眼对波形。
参数一览
| 项目仓库 | modelscope/FunClip,GitHub 6,565 星 |
| 协议 / 语言 | MIT 协议,Python 3.12 |
| 最新版本 | v2.2.1(2026-09-01) |
| 语音识别 | FunASR Paraformer-Large,可选 Fun-ASR-Nano、SenseVoice、MOSS |
| 说话人识别 | CAM++ 声纹模型,可按发言人切段 |
| 界面与输出 | Gradio 本地服务,输出成片加整片/片段两份 SRT |
能干什么
- 导入视频自动转录,文字稿带时间戳,点句子就选片段,支持多段自由拼接一次导出。
- 热词定制:人名、品牌、专业术语先喂给识别模型,避免「张三」被写成「张山」。
- 按说话人剪:自动区分发言人,选中某一位只剪他说的部分,采访拆条特别省事。
- 大模型辅助挑高光:给一段提示词,让模型从文字稿里挑出适合做短片的几句,直接生成剪辑点。
- 多种模型按需切换:要精准文字切点用 Paraformer,要情绪和音频事件标签用 SenseVoice,长篇多语种走 MOSS。
适合谁
- 做访谈、圆桌、播客视频化的团队:一小时素材十几分钟拆成十几条竖屏短片。
- 课程、会议录屏的整理者:按发言人切段,顺手做章节视频和摘要。
- 不想把素材传上云的人:权重在本地下载,识别和剪辑都不出本机。
怎么开始
- 装 Python 3.12,克隆仓库后建独立虚拟环境,先按平台装好匹配的 PyTorch 和 torchaudio,再装 requirements。
- funasr 低于 1.4.9 会缺说话人分段这类能力,装完顺手升到 1.4.9 以上。
- 运行 funclip/launch.py,首次启动自动下载模型权重,留出几个 GB 空间耐心等;浏览器开本机 7860 端口就是界面。
- 英文素材加 -l en 换英文模型,端口被占用 -p 指定;想在服务器上给别人用,加 -s True 开公网访问。
- 上传视频、转录、在文字稿里选句子、点剪辑,成片和两份 SRT 一起下。
问:FunClip 需要显卡吗?
答:不强制。Paraformer 在 CPU 上跑中文识别速度可以接受,短素材几分钟出结果;要处理长视频,或者走 MOSS 这类大模型路径,显卡会明显快很多。首次启动下载权重需要几个 GB 磁盘空间。
问:识别不准怎么办?
答:先把人名、产品名、行业词加进热词列表,这一步对准确率提升最直接;背景音乐重的素材建议先分离人声;口音很重的可以换 SenseVoice 或 Fun-ASR-Nano 试,两个模型擅长的场景不一样。
问:剪出来的视频有水印吗?能商用吗?
答:没有水印,MIT 协议,商用和二次开发都允许,导出是原始分辨率加可选字幕。要注意的是你剪的素材本身得有权使用。
问:能替代剪映或 Premiere 吗?
答:定位不同。它擅长从长素材里切出指定内容,转场、调色、花字这些还得交给正经剪辑软件。实际流程通常是 FunClip 粗剪定位,再导进剪映精修。
最后更新:2026-11-17
声明:本站所有文章,如无特殊说明或标注,均为本站原创发布。任何个人或组织,在未征得本站同意时,禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益,可联系我们进行处理。
