ScreenKite AI 剪辑教程：从录屏到自动生成 B-roll 的完整流程

上一篇文章我们介绍了 ScreenKite 的 AI 剪辑功能。

这篇文章会更具体。我们会从头到尾走一遍完整的 AI 剪辑流程，包括：

• 你需要提前准备什么
• 怎么用 AI 自动剪口播
• 怎么用 AI 自动生成 B-roll
• 每一步实际发生了什么

如果你想知道这个功能到底怎么用，这篇就是答案。

开始之前：你需要准备什么

ScreenKite 的 AI 剪辑功能依赖几个外部工具。在开始之前，请确保你已经准备好以下内容。

1. 安装 ScreenKite

从 screenkite.com 下载并安装 ScreenKite。

2. 安装一个 AI 编码工具

ScreenKite 的 AI 剪辑功能通过 AI 编码工具来驱动。你可以选择你习惯的工具，比如：

• Claude Code
• OpenAI ChatGPT Codex
• Antigravity
• Grok Build
• Kimi

这些工具在你的本地运行，ScreenKite 提供它们可以调用的命令接口。

3. 配置语音转录（用于剪口播）

自动剪口播功能需要对录音进行语音转录。你有两种选择：

方式一：使用 ElevenLabs API

在你的项目目录中创建一个 .env 文件，添加：

ELEVEN_LABS_API_KEY=你的API密钥

方式二：使用本地 WhisperKit 模型

在 ScreenKite 的 设置 → 转录 中下载一个 WhisperKit 模型。这样可以完全离线使用，不需要 API Key。

4. 安装 B-roll 生成依赖（如需使用）

如果你想自动生成 B-roll，还需要确保系统有以下环境：

• Node.js（用于 Remotion 渲染）
• uv（Python 包管理工具）

第一步：录制视频

打开 ScreenKite，录制你的屏幕视频。

录制完成后，你会得到一个 .skbundle 文件。这就是 ScreenKite 的项目文件，包含了你的屏幕录制、摄像头画面和音频。

第二步：用 AI 打开项目

进入 ScreenKite 的编辑器，点击左上角的 AI Agent 按钮。

此时，你的 AI 工具（比如 Claude Code）会自动连接到 ScreenKite 项目。

AI 会读取你的项目信息，包括：

• 视频时长
• 有哪些轨道（屏幕录制、摄像头、麦克风、系统音频）
• 已经有的缩放效果数量
• 覆盖层和字幕轨道状态

这一步让 AI 了解你的视频结构，为后续操作做准备。

第三步：自动剪口播

告诉 AI 你想做什么

用自然语言说：

"帮我去掉静默片段和口头禅。"

AI 会做什么

1. 导出音频并转录：AI 会提取你的麦克风音轨，发送到 ElevenLabs（或 WhisperKit）进行逐词转录。

2. 检测静默片段：分析音频波形，找出明显的停顿（dead air）。

3. 检测口头禅：在转录文本中寻找 "嗯"、"啊"、"然后" 等口头禅词汇。

4. 预览剪切方案：AI 不会直接剪切，而是先给你一个预览列表。

实际效果

以一段 95 秒的录音为例，AI 检测到：

• 2 处静默片段，总共约 2.5 秒
• 第一处：28.4 秒 → 29.0 秒（0.5 秒停顿）
• 第二处：70.5 秒 → 72.5 秒（1.9 秒停顿）
• 口头禅：0 处（录音本身很干净）

确认并应用

你可以说 "cut" 或 "应用"，AI 就会把这些剪切应用到时间线上。

结果：95.04 秒 → 92.56 秒，去掉了约 2.5 秒的无用片段。

整个过程不需要你手动找时间点、不需要一帧帧对齐。

第四步：自动生成 B-roll

这是更进阶的功能。

告诉 AI 你想做什么

用自然语言说：

"我想根据视频内容生成一些 B-roll。"

AI 分析你的内容

AI 会先分析你的视频转录稿，理解你在讲什么。

然后，它会把你的视频按时间段分成几个 "Beat"（内容节拍），并为每个节拍规划合适的 B-roll 类型。

比如，假设你在录制一个产品演示，AI 可能会这样分析：

• Beat A（0-28 秒）：开场介绍 → 建议添加频道名牌、产品类别标签
• Beat B（29-36 秒）：功能说明 → 建议添加功能限制卡片
• Beat C（36-70 秒）：核心功能展示 → 建议添加关键词芯片、定时器标签、模式切换组件
• Beat D（72-95 秒）：总结和反馈 → 建议添加待办列表卡片

选择 B-roll 密度

AI 会给你三个密度方案：

Sparse（精简） ： 4 个关键视觉元素

• 风格干净，像纪录片
• 适合内容本身已经很清晰的视频

Medium（均衡） ： 7 个元素

• 默认推荐方案
• 平衡视觉丰富度和简洁度

Dense（丰富） ： 10 个元素

• 适合教学/解说类视频
• 视觉信息量大，帮助观众理解复杂内容

你只需要说出你想要的密度，比如 "sparse" 或 "用精简方案"。

AI 并行生成 B-roll

选定方案后，AI 会同时启动多个子任务，并行构建每个 B-roll slot。

每个 slot 包括：

• 一段 Remotion 组件代码（定义了视觉样式、动画、文字内容）
• 渲染输出为 .mp4 视频文件
• 放置参数（时间窗口、屏幕位置、大小）

应用到时间线

渲染完成后，AI 会自动把 B-roll 放到 ScreenKite 的 Overlay 轨道上。

以 Sparse 方案为例，最终效果：

• Slot 01：频道名牌 → 2.0-5.6 秒，左下角
• Slot 02：功能限制卡片 → 29.5-34.5 秒，右上角
• Slot 03：关键词功能芯片 → 42.0-47.0 秒，左上角
• Slot 04：待办列表卡片 → 73.0-78.0 秒，右上角

所有 B-roll 都带有 magicMove 过渡动画，看起来像是精心设计的，而不是简单粘贴上去的。

整个过程需要多长时间

根据实际测试：

• 打开项目 + AI 分析：约 1 分钟
• 剪口播（转录 + 检测 + 应用）：约 2 分钟
• B-roll 生成（分析 + 构建 + 渲染 + 应用，4 个 slot）：约 5 分钟

一段 95 秒的录屏视频，从原始录制到完成 AI 剪辑，总共大约 8 分钟。

如果手动完成同样的工作，预计需要 30 分钟以上。

AI 校对能力

一个有趣的细节：AI 在分析你的内容时，会自动校对产品名称。

比如，当语音识别把某个产品名称识别错误时（例如把 "ReplyHunt" 听成了 "V share"），AI 能够通过上下文判断这是一个误识别，并在生成 B-roll 时使用正确的名称。

这意味着即使你的语音转录不完美，最终的 B-roll 内容依然是准确的。

关于隐私

整个过程中：

• 视频文件始终在你的本地
• AI 工具在你的电脑上运行
• 转录数据存储在你的项目目录中
• B-roll 的渲染也在本地完成

唯一的外部通信是语音转录（如果你用 ElevenLabs API）。如果你选择 WhisperKit，那就是完全离线的。

总结

ScreenKite 的 AI 剪辑不是一个黑盒子。

它让你用自然语言和 AI 工具协作完成视频剪辑，每一步都可以预览、可以调整。

如果你经常做录屏教程、产品演示或软件分享视频，这个流程可以帮你把重复的剪辑工作从 30 分钟压缩到不到 10 分钟。

更多时间留给内容本身，更少时间浪费在重复操作上。

下载 ScreenKite，试试看。