湾大北交大开源 CutClaw，自动踩点音乐的 AI 智能视频剪辑师！

发布时间：2026-04-08 12:00:35  浏览量：2

做视频剪辑的人都懂，从几小时的素材里剪出一段踩点精准、叙事流畅的短视频有多折磨人。

特别是对于旅拍博主和Vlogger来说，拍了一天5-6小时的素材，回来还要花好几个小时慢慢剪，真正的创作热情都被这种机械劳动消磨掉了。

更别说搞营销的，要批量生成不同风格的宣传片，工作量更是大到离谱。

传统的剪辑要么是自己手动拉时间轴、调节奏，要么是用模板工具，但模板往往不够灵活，很难做到真正的音画合一。

而且很多AI剪辑工具都是先剪好视频再配BGM，根本做不到音乐驱动的剪辑决策，节奏总是差那么点意思。

最近看到大湾区大学GVC实验室和北京交通大学团队开源的

CutClaw

，彻底解决了这个痛点。

这玩意儿不是简单的AI剪辑，而是一个模拟专业后期流程的多智能体系统，能把几小时的长视频和一段音乐丢进去，给一句文字指令，它就能自动剪出一部叙事性、节奏感、视觉都在线的电影感短片。

简单说，

CutClaw

是一个端到端的长视频+音乐剪辑系统。

它先把原始的视频和音频拆解成结构化的字幕，然后用多智能体流水线来规划镜头、选择片段时间戳、验证最终质量，最后渲染出成片。

1、音乐驱动剪辑，而不是后配BGM

这是 CutClaw 最核心的亮点。

绝大多数AI剪辑工具都是先剪好视频再配音乐，或者只是简单地把剪辑点和音乐节拍对齐，但CutClaw是真正的音乐驱动剪辑决策。

它会先分析音乐的节拍、重拍、音高、能量曲线，把音乐拆解成主歌、副歌这样的结构单元，然后让视觉叙事严格对应到这个听觉骨架上。

每个音乐段落分配什么样的场景，每个剪辑点落在哪一拍，都是由音乐决定的。

2、一句话指令，AI自动理解风格

你不需要手动拉时间轴，不需要一个个选片段，只需要给一句文字指令，CutClaw就能自动理解并执行。

这种指令控制不是简单的关键词匹配，而是通过多智能体系统来理解你的意图，然后转化成具体的剪辑决策。

3、智能自动裁剪，适配各社交平台

现在的视频要发抖音、小红书、视频号，每个平台的比例都不一样。CutClaw有内容感知裁剪功能，能自动识别画面中的核心主体，然后调整画面比例，适配各种社交平台。

4、一键解构，素材变成可搜索的资产

第一次处理视频时，CutClaw会进行素材解构，把几小时的长视频拆分成镜头、场景，给每个镜头生成语义描述，包括摄影手法、人物动态、环境等等。

音频方面也会提取节拍、音高、能量，生成结构化的音频标注。

这个解构过程虽然第一次慢一点，但后面再用同样的素材剪辑时，就可以直接复用缓存结果，速度会快很多。而且这些结构化的素材也变成了可搜索的资产，你以后想找某个场景也很方便。

git clone https://github.com/GVCLab/CutClaw.gitcd CutClawconda create -n CutClaw python=3.12conda activate CutClawpip install -r requirements.txt

官方强烈推荐使用GPU加速的Decord/NVDEC构建，可以大幅提升视频解码速度。

然后把你的素材放到对应的目录：

resource/├── video/ # 放你的 .mp4 / .mkv 视频├── audio/ # 放你的 .mp3 / .wav 音乐└── subtitle/ # 可选的 .srt 字幕文件，可以跳过ASR，节省时间

运行方式

方式一：Streamlit可视化界面（推荐）

streamlit run app.py

然后在浏览器打开 http://localhost:8501。在界面里直接选择你放好的视频和音频文件，输入指令就可以了。

方式二：CLI命令行（高级用户）

python local_run.py \ --Video_Path "resource/video/你的视频.mp4" \ --Audio_Path "resource/audio/你的音乐.mp3" \ --Instruction "你的剪辑指令"

你还可以覆盖配置参数，比如：

python local_run.py \ --Video_Path "resource/video/xxxx.mp4" \ --Audio_Path "resource/audio/xxxx.mp3" \ --Instruction "xxxx" \ --config.MAIN_CHARACTER_NAME "主角名字" \ --config.VIDEO_FPS 2 \ --config.AUDIO_TOTAL_SHOTS 50

CutClaw支持多种模型，官方推荐：

视频模型

：Gemini-3、Qwen3.5、GPT-5.3（用于镜头/场景理解和视觉字幕）

音频模型

：Gemini-3（用于ASR和音乐结构解析）

智能体模型

：MiniMax-2.7、Kimi-2.5、Claude-4.5（用于驱动编剧+剪辑师+审阅者循环）

它用LiteLLM作为API管理网关，模型名称格式比如 'openai/MiniMax-2.7'。

CutClaw 的出现，让视频剪辑从一项需要专业技能和大量时间的工作，变成了普通人也能轻松搞定的事情。

它不是简单的自动化工具，而是真正理解音乐和叙事的AI剪辑师。

如果你是旅拍博主、Vlogger，或者需要经常做视频营销，建议试试这个项目。GitHub地址放在下面了，赶紧去Star一下，有空的时候玩一玩。

GitHub：https://github.com/GVCLab/CutClaw