旅行素材
全自动 AI 剪辑方案
把 Pocket / Action 拍回来的一整堆原片丢进一个文件夹，由 AI 扫描、挑选、排序、配乐、渲染成片——并且一次产出多个版本供你挑。画面理解走你本机的 WorkBuddy 反代，无需启动额外服务。下面是调研结论、可行方案、已跑通的证据，以及成本与边界。
能做，而且已经在本机整条跑通了
但要把预期说清楚：AI 全自动剪出来的是"能看、顺畅、有节奏"的成片，不是专业剪辑师的精剪。它的价值是把你 100GB 的素材在几小时内变成一批可挑选的版本，你只需要"挑和微调"，不用从零剪。这一点和 B 站上那些实测案例（40G 素材喂给 AI 出 Vlog）的结论一致。
市面上到底有没有现成的？
我把三条线都挖了一遍：GitHub 开源项目、中文圈（B站/抖音/剪映/大疆）工具、以及本地大模型技术栈。结论是——没有"一键"银弹，但零件齐全，可以拼出一条比现成工具更贴合的流水线。
GitHub 开源没有银弹
star 最高的那几个（MoneyPrinterTurbo 129k、ShortGPT）其实是"给个主题、去网上抓素材"的搬运号工具，根本不碰你的原片，最容易误导。真正对口的只有两个：VideoHighlighter（本地、免费、能自动挑高光+卡点，但项目很新）和 FireRed-OpenStoryline（小红书出品、功能最全、官方有旅拍 Demo，但必须配 API Key、非纯离线）。
中文圈工具各有一半
大疆自家的 DJI Mimo / 畅片 确实能对 Pocket/Action 素材"一键成片"，但只有手机端、质量不稳、一次一条。剪映 Agent 能对话式自动剪，但烧积分（实测一条 60 秒烧掉 2800+ 积分）。批量出多版本只有第三方工具（小映批量助手）能做，且靠操作剪映草稿、有兼容风险。真正最接近你需求的，是 B 站一个开源方案：Whisper 转写 + GLM-4.6V 看画面 + LLM 编排 + ffmpeg 渲染——而这套东西我本机就能搭。
本地技术栈够用且富余
32G 显存对这件事完全够。真正的瓶颈不是显存，是 4K 解码速度。关键零件：镜头切分（ffmpeg 场景检测）、画面打分（模糊/过曝/美学分）、语义理解（你本机的 WorkBuddy 反代，支持图像输入）、音乐卡点（自研/BeatNet）、渲染（ffmpeg + NVENC 硬编）。你的机器全都跑得动。
我给你的流水线
不依赖任何"黑盒一键工具"，而是我作为智能体亲自编排每一步。分析只做一次、渲染可反复出片——这是"一次出很多版本"成本极低的原因。
扫描盘点
读所有原片的时长、分辨率、拍摄时间，按时间排序，剔除大疆 .LRV 代理文件。
镜头切分
自动找到每一处镜头切换点，把长素材拆成一个个"镜头"（降采样到 360p 提速）。
接触印样
每个镜头抽一帧、缩略图带编号拼成一张大图——一张图 = 一次视觉调用 = 几十个镜头，这是省算力的关键机关。
画面理解 + 打分
WorkBuddy 反代（cn:deepseek-v4.1-flash）读印样，给每个镜头打标签（海边/日落/美食/人像…）；同时用 blurdetect 与亮度统计客观剔除糊片、过曝、废镜头。
叙事编排
根据标签、质量分与时间线，把镜头编成有开头-发展-结尾的剪辑计划，写成 JSON。内置 4 种风格预设。
配乐卡点
检测音乐节拍点，把镜头时长吸附到鼓点整数倍；含自研节拍检测（无需额外库）。
渲染出片
按计划裁剪、拼接、加转场淡入淡出、混音，NVENC 硬件编码高速输出。
多版本批量
按风格/节奏/顺序/画幅/音乐做参数组合，一次渲染出 N 个版本，每个版本附一份可复现的 plan.json。
今天已经逐环跑通的证明
我用 ffmpeg 合成了带明显换场的测试素材，跑完整条流水线（画面理解走 WorkBuddy 反代）。下面左图是自动生成的编号印样，右图是从成片里抽帧的验证图。
一次出多个版本，怎么做到的
分析的产物是 plan.json（镜头清单 + 排序）。渲染只是按不同参数重新组合这份清单——所以"第 2 个版本"的成本几乎只有渲染时间，没有重新分析。
| 维度 | 可变的做法 | 举例 |
|---|---|---|
| 风格 | 4 种预设 | 卡点混剪 / 叙事流水账 / 电影感慢剪 / 竖版抖音风 |
| 节奏 | 镜头时长倍率 | 快剪版（每镜 1.5s）／慢剪版（每镜 4s） |
| 顺序 | 时间 / 质量优先 / 随机 / 时长 | 叙事版 / 精选版 / 混剪版 |
| 音乐 | 换 BGM，卡点重算 | 轻快 / 史诗 / 舒缓 |
| 画幅 | 16:9 横版 / 9:16 竖版 / 21:9 电影 | 电脑看 / 抖音发 / 电影感 |
时间与成本（估算，按 100GB / 约 3 小时 4K 素材）
| 环节 | 耗时 | 消耗 |
|---|---|---|
| 扫描 + 镜头切分 | 1～3 小时（可过夜） | 纯本地，零成本 |
| 画面打分（模糊/亮度） | 几分钟 | 纯本地，零成本 |
| 视觉理解（反代） | 每张印样约 3 秒 | 走你的 WorkBuddy 积分池；印样把调用次数压到 1/20 |
| 编排 + 卡点 + 渲染 | 每版本 10～30 分钟 | 本地 NVENC，零成本 |
你担心的 429：反代是你的本地服务（127.0.0.1:7864），不是公共云 API，请求不出本机、不走公网限流。真要绝对稳，还可切 --backend local 走本机 Strata。
我不骗你：这些地方要认清
- 成品是"能看"级，不是"获奖"级。AI 能把流水账剪顺、配上音乐、有节奏；但真正打动人心的取舍、情绪起伏、巧思转场，仍需要人（你或我帮你）精修。
- 4K 解码是速度瓶颈。100GB 原片全流程跑一遍可能要几小时，建议过夜跑；分析阶段用 720p 代理会快很多。
- 反代依赖 WorkBuddy 在跑。反代没开时画面理解会失败（流程继续，该轮无标签）。要绝对独立可切本机 Strata。
- 质量分阈值需要按真实素材校准。当前模糊/曝光阈值是经验值，等你回来第一件事就是拿真实素材校准一遍，避免误杀好镜头。
- 音乐版权。发抖音/公开平台要避开有版权的商业音乐。要么用免版权曲库，要么你提供曲目（自用收藏无所谓，公开发布要注意）。
- 视觉模型会幻觉。今天就抓到一次：它把明显不同的 9 帧误判成"没有变化"。所以最终判定我会用数值客观校验，不让它单独下结论。
你回来后，两步就能出片
- 把原片倒进一个文件夹（Pocket / Action 都行，.LRV 自动跳过）。
- 双击
run-vlog.bat，把素材文件夹拖进去回车。成片在work\versions\。
不用启动任何额外服务——WorkBuddy 反代平时就开着。12 个版本 = 4 种风格 × 3 档节奏。想改数量/分辨率/后端，改 bat 里的参数即可（详见 用法说明.md）。