1. Grok Bot + ChatCut 口播剪辑保姆级教程（附可复制提示词和开源skill）

[!abstract] 速览

• 剪辑可以拆成三轮。先把话剪顺，再让重点出现得更早，最后给需要解释的地方加画面。
• Grok Bot 接你的指令，ChatCut 落在时间线上，你负责听一遍、看一遍，决定哪里值得改。
• 这篇用一个贯穿示例：一条 3 分 04 秒的美容口播「眉骨与印堂」。
• 原片里有口癖、说一半重来和长停顿，文中的剪前剪后、开场对比和最终成片都来自这同一条原片。
• 提示词里方括号的内容，换成你自己的素材即可。

给 Grok Bot 一条口播原片，让它用 ChatCut 做出能打开时间线、能逐句改、最后能导出的剪辑。 这篇从第一次连接讲起，也讲怎么把剪干净的一版，继续做成开头有吸引力、画面有信息的短视频；最后再看口播之外，音乐、配音、图片和视频怎么在同一个对话里生成。

拍完口播，第一遍通常都在找同样几件事： 这句是不是重录了？这几秒是在等，还是在留一个有用的停顿？这段话讲到按钮了，观众看得到吗？

剪辑可以拆成三轮。先把话剪顺，再让重点出现得更早，最后给需要解释的地方加画面。

Grok Bot 接你的指令，ChatCut 落在时间线上，你负责听一遍、看一遍，决定哪里值得改。

这篇用一个贯穿示例：一条 3 分 04 秒的美容口播「眉骨与印堂」。

原片里有口癖、说一半重来和长停顿，文中的剪前剪后、开场对比和最终成片都来自这同一条原片。提示词里方括号的内容，换成你自己的素材即可。

▼ 同一句口播：前半段是原片，「如果说啊」和句间停顿都还在；后半段去掉口癖、压短停顿、整体 1.15 倍速，原声保留。

1.1. 01｜从零连接 ChatCut，先让 Bot 收到原片

电脑和手机都打开 Grok Bot。左侧「＋」可以新建一个专门负责剪辑的 Bot，比如「ChatCut 剪辑助手」。已有 Bot 也可以直接使用。给它发这一句，两端用同一个入口：

Read ChatCut.io/grok to connect the ChatCut app

1.1.1. 新建专用剪辑 Bot：复制完整配置

如果想让 Bot 记住你的剪辑流程，把下面整段作为第一条消息发给刚新建的「ChatCut 剪辑助手」。这段已经包含官方连接指令，和上面的快速口令选一种发就够了。

请把下列内容保存成你自己的长期记忆和可复用工作流程，供以后每次对话使用。配置完成后简短说明实际保存了什么、ChatCut 是否已连接，以及用户怎样开始第一单。现在只配置与检查连接，不启动真实剪辑、生成、上传或发布。

你的名字是「ChatCut 剪辑助手」。你负责用 ChatCut 把电脑和手机拍摄的素材变成可预览、可继续编辑的短视频。用用户的语言答复。新用户只问当前缺少的素材和剪辑目标，已有目标就直接接着做。可给三个简短例句：「把这段口播剪干净」「从这场直播选 3 条竖屏短片」「照这个参考片的节奏剪我的素材」。

【ChatCut 连接】桌面端和手机端的 Grok Bot 都走官方云端指南 https://chatcut.io/grok 。首次使用口令是 Read ChatCut.io/grok to connect the ChatCut app。若用户给出旧的 /desktop 安装口令，说明那是本地 ChatCut Desktop 的路径，Grok Bot 改走 /grok。现在先读取官方指南，按现行流程准备可复用的 ChatCut 技能；只使用官方连接方式，不收集密码或令牌。若已有 ChatCut 连接，做一次只读可用性检查即可，不展示已有项目名或素材。若缺授权，把真实的授权入口和步骤留给用户完成。只有工具实际检查通过才能说已连通。

【收素材、预览、交付】接受文字或语音描述以及可读取的素材。手机或大文件附件无法读取时，在 ChatCut 创建项目，通过官方工具生成实际的浏览器上传链接，让用户上传并回复「上传好了」；检查素材已进入正确项目后再剪。复用用户指定的项目，保留原文件，分别保存各版本。按需给简短剪辑计划，写明目标平台、比例、时长、保留内容和处理方式。用户明确要一版口播初剪时可直接做可编辑的初剪。涉及大幅改编、广告生成、付费或最终导出时先确认。初剪或修改后返回真实可用的 ChatCut 项目链接，让用户在手机或电脑上预览并用文字或语音提改动。交付前检查切点、黑帧、字幕时序和遮挡、音画同步及人声音量；明确区分已验证和待验证。导出完成后提供实际下载链接。不要代发，不覆盖或删除原始素材，也不要虚构项目、下载链接或任务进度。

【按任务剪辑】
- 口播、讲座和现场演出：去明显重来、重复与过长停顿，保留原意、原声和自然呼吸。先交可编辑初剪，再按需加字幕、动效或调色。
- 多版本：从长口播、直播或演讲找能独立成篇的片段，给每条的开头、核心信息和建议时长，各自生成版本；APP 录屏突出关键操作，旅行照片和视频按事件组织成 Vlog。
- 参考成片：提取镜头时长、切换节奏、字幕和 MG 规律，按用户原始素材应用；如需复用，把规则存成剪辑模板或技能。
- 字幕、MG 和调色：支持单语、双语与翻译字幕，校对人名、术语和同步。MG 先明确传达的信息、实际文案、品牌和风格参考，再展示设计迭代。调色先做基础校正，可按用户提供的画面参考调整。
- 商品广告：先收商品信息和 3–4 张多角度商品图，确认受众、平台、核心卖点、语言、创意偏好。出真实手机拍摄感的 15 秒脚本与分镜，包含开场 Hook、商品演示和自然 CTA。脚本、分镜和涉及的费用经用户同意后才生成，不补编商品功效。
- AI 音乐、音效、克隆音色、AI 图片/视频或商品广告可能涉及 PRO 或积分。调用前检查当前套餐与工具提示，提前说明实际消耗并确认；克隆仅用用户有权使用的声音。

看到 ChatCut 卡片后，点「连接」或 Authorize。登录 ChatCut 并授权，浏览器提示完成后回到 Bot，对它说「好了」。等它明确回复连接检查通过，再发原片。浏览器上的「授权完成」是授权步骤的反馈，Bot 还要确认自己能使用连接。

第一次只给一条短素材。电脑可以拖入聊天，手机先从相册附上视频。附件没传到、Bot 读不到或文件太大时，让它给 ChatCut 浏览器上传链接。上传完成，再回聊天确认素材名。

我要剪 [文件名] 这条口播。请先确认你能读取哪段视频。如果附件读不到，给我一个 ChatCut 上传链接。等我回复「上传好了」，先告诉我收到的文件名和时长，再开始剪。

[!tip] 拍摄时给后期留两个小信号
拍摄时可以给后期留两个小信号。说错了就停一下，从这句开头重讲；同一段拍了两遍，告诉 Bot 哪遍是候选。这样更容易识别重录，也更容易核对哪一遍完整。手里还有录屏、结果截图或补拍，把它们和主口播分开命名。

▼ 实操：电脑端附上原片后，Bot 读不到聊天附件，就直接在 ChatCut 建好项目并给出上传链接。用浏览器传完回一句「上传好了」，Bot 先报出文件名和时长，再开始剪。

1.2. 02｜先剪干净，听完整句再动字幕

第一版只做减法。去重录、去重复、缩短空等，保留意思、语气和呼吸。 有些停顿在等人反应，有些停顿是在想词。比如「这个功能只有……开了权限才能用」，停顿有点长，可以缩短；「只有」和权限条件要一起留住。

把这一段发给 Bot，拿到可编辑初剪：

用 ChatCut 给 [口播原片] 做 V1 干净版。目标是 [平台、画幅、可选目标时长]。
1. 删除明显重来的半句、重复内容、测试收音和等提示的空白。重复拍摄时优先留表达完整、收音干净的一遍。
2. 保留自然呼吸、转折停顿和「只有」「可能」「前提是」等限定语。不要加速整条人声。
3. 这一版先不加字幕、音乐、动效和生成画面。保留源素材。
4. 给我可编辑项目链接，列出 3 个有代表性的剪点，注明原片时间码、处理理由和需要我确认的地方。

打开项目，先从头听人声。每个重点剪点往前听一小段，再往后听一小段。发现吞掉了词头、两句像粘在一起，或者本来要等半拍的笑点被剪掉，就用台词定位去改。ChatCut 的口播教程也把语音放在补画面和字幕之前。

只改 V1 成片时间线的 [00:18 附近]，定位台词「[这一句]」。把被吃掉的字头找回来，和前一句之间留一点原始停顿。保留其他剪点。改完给我原片与成片的时间码，方便我复听。

[!warning] 改字幕前先分清是哪种编辑
如果只是字幕把 Grok 认错，在字幕内容里改字。在转写里删掉与源视频关联的词，可能连对应的声音和画面一起切掉。动手前先看自己打开的是哪种编辑操作。

1.3. 03｜高网感口播，先把最有料的一句放前面

假设原片一开头说「大家好，今天给大家介绍一个功能」，最后才说「你在转写里删掉这一句，时间线也会跟着缩短」。后一句给了观众一个看得见的结果，可以拿来开头。紧接着放真录屏，把删前和删后给出来，再讲该点哪里。

开场给承诺，下一段给证据，最后把这件事讲完。 Jenny Hoyos 在 YouTube 的创作者访谈里也把短视频当成有完整落点的小故事。这个思路适合用来审开头，具体停留多久要看台词和画面。

先让 Bot 给三个候选。结果先给版从效果起手。问题先抛版从观众认识的麻烦起手。反差先给版用一句和直觉不同的原话起手。每个开头都要能接回真实证据。 找不到好原话，就补录一句完整开场。

用 [V1 干净版] 和 [原片] 给《[标题]》找三个开头：结果先给、具体问题先抛、反常识先抛。 每个写出原台词、源时间码、首屏看到什么、下一段接哪条证据，以及重排后可能丢掉的前提。只用有上下文的完整原话。找不到合适句子时，列出需要我补录的一句。 我选好后，请另做 V2 结构版。前段兑现开场，中段按「证据→解释」安排，结尾给观众一个能照做的动作。保留 V1。

中段换画面的时机，看信息有没有变。提到按钮，切真实录屏；说到参数，给一张带单位的对照；讲到判断和感受，回人物。观众需要看懂一个操作时，给点击和反馈留时间。连续两句同一个意思时，剪掉一句往往比再加一次推近有效。

[!tip] 两版开头先 A/B，再用留存曲线复核
想比较两种开头，就让 Bot 做 A/B 两版，正文和结尾用同一条。先用手机预览，比较哪版更快讲明白「我要看什么」。发布后看留存曲线，明显下滑点可以回查铺垫、重复和信息跳跃。回看峰值也可能是因为那段没讲清楚，别只看一个峰就下结论。

▼ 先让 Bot 给开头候选（下图）。

它顺手发现原开头说「4 个部位」，正文其实只讲了 2 个。下面是同一原片的两个开场：开场 1 按原片顺序先铺垫，开场 2 把结果「眼睛也变得舒展有神了」放到第一句。

1.4. 04｜四种常用剪法，按素材选一套

有一包产品试用素材时，同一组人声、真实录屏和补拍，可以剪出知识口播、操作教程、访谈高光或体验故事。区别在于你要观众记住一个观点、做成一件事、听懂一段回答，还是跟着一个人走完过程。

1.4.1. 知识口播｜一个观点，配一个看得见的例子

开头先给结论，中段拿原话、截图或对比说明，结尾给一个观众能马上试的动作。一个专业名词第一次出现，可以补一个小定义。两三个数据挤在一起时，选一个最能撑住论点的，把单位和前提留全。

用 [原片] 剪一条给 [受众] 的知识口播，核心观点是 [一句话]。开场用原片中的完整结论，中段只留最能解释结论的一组例子和必要限制。提到 [步骤或数据] 时优先用我提供的证据图。末尾收在一个可执行动作。交可编辑版本，标出缺证据的时间点。

1.4.2. 录屏教程｜保留点击、反馈和结果

先给最终状态，再回到起点。鼠标找菜单、反复误点和纯加载可以缩短。选了哪个按钮、界面怎么反馈、结果长什么样，都要给观众看清。只在目标按钮太小的时候轻推近，操作结束再回全屏。录屏先由你实际录好，上传给 Grok Bot 去剪。

用 [真实录屏] 和 [口播] 剪 [操作目标]。开头先展示完成后的状态，后面按真实操作顺序走。每一步保留关键点击、界面反馈和可读的结果。缩短加载和找菜单，在小按钮处局部放大，结束后恢复全屏。标记需要遮挡的私人信息，列出缺失步骤和时间码。

1.4.3. 访谈切片｜一句够抓人的话，连同它的上下文

嘉宾说「这个成本很低」，先找他说的是哪项成本、对谁适用，回答有没有讲完。需要时保留主持人的短问题。先审一条，人物构图、字幕和节奏看顺了，再批量拆。每条有自己的时间线，方便单独改。

从 [访谈／直播] 选最多 3 段独立观点，面向 [观众]，目标是 [时长范围] 的 9:16 短片。先给选段表：原片入点、出点、开场原话、必须保留的前提、结尾和竖屏构图风险。素材不够就少选。我确认后先出第一条样片，剩下的按确认版分别做时间线。

1.4.4. 故事口播｜给转折留一口气

讲翻车、复盘或反转时，剪掉跑题和多次解释同一件事，留下「我以为会怎样」「实际发生了什么」「后来怎么改」。人物说到犹豫、惊讶或笑点，可以让脸多停一拍。补拍用来交代时间、地点和手上的动作，情绪还给说话的人。

用 [原片与补拍] 剪成一段经历。先找原片中的冲突或反差，保留理解转折所需的上下文，再落到 [学到的事]。删掉重复解释，保留情绪停顿、完整原声和真实时间顺序。有真实补拍再插入，缺的列补拍表。

▼ 示例。

知识口播：眉骨片段，先给观点，再用部位示意图解释。

1.5. 05｜高级精剪，把字幕、补画、动效和声音分开做

结构过了以后再做 V3 精剪。先给每处变化一个理由：这个画面能帮观众找到按钮吗？这张图能解释一个数字吗？这声提示音能提醒观众操作已完成吗？找不到理由的素材，可以先拿掉。

1.5.1. 字幕按意思断行，强调留给关键词

手机上优先一到两行，避开脸、按钮和发布平台界面的底部、右侧。口播说到否定、价格、单位、品牌，先逐个校对。动态字幕适合短句或个别强调点。长命令、数据和陌生术语，给它们一个稳定、能看清的画面。

保持 [V2] 的切点和原声，做可编辑简体字幕。按意群断行，手机预览优先不超过两行。按 [术语表] 校对品牌、人名、数字和否定词。只强调 [关键词]，避开脸、关键按钮及平台界面。识别不确定的词列时间码，不改说话人的意思。

1.5.2. 用 B-roll 证明一句话，用 MG 解释一件事

B-roll 是盖到主画面上的补充镜头。说到点击、对比和结果，就给对应的录屏、图或实拍。切画面时让人物原声继续走，观众能看画面，也不会丢了话头。

MG 是动效图形。用它做一步流程、一个数字或一组前后对照。先确认实际文案、数据来源、品牌色和想让人看懂的那件事，再做动画。需要跨段接画面时，可以试让下一段声音先入，或让上一句原声延续到下一镜，最后听切点有没有突兀。

基于 [V2] 列出最多 3 处值得加画面的点，每处给「时间点｜原台词｜观众要看懂什么｜可用素材」。说操作用真实录屏，说结果用我给的图，结论回人物。B-roll 放独立轨，保留口播主声。选中的动效用 [准确文案／数字与单位] 和 [主色／强调色]，留出字幕和按钮的位置。缺素材就标待补，生成前先问我。

1.5.3. 音乐压在人声下面，颜色先匹配镜头

先听人声有没有底噪、削波、忽大忽小。挑一个问题片段试轻量降噪，和原声来回听，字尾发虚就减弱处理。音乐单独一轨，说话时降下去，空拍或转场时再回来。用手机外放听一遍，能不能听清台词比耳机里够不够热闹更重要。

调色先用一条自然肤色的镜头作参考，统一相邻镜头的曝光和白平衡，再考虑风格。两台机器拍同一个人，切过去突然一边偏蓝、一边偏黄，这个问题先修。

给 [精剪版] 做一次声音和颜色检查。先标出噪声、爆音、音量跳变和可疑断字，只在必要片段做轻量处理，保留可恢复的原声。音乐独立放轨，发言时压低。以 [参考镜头] 匹配白平衡、明暗和肤色。交回可编辑版，列出 3 个需要我复听或复看的时间点。

1.5.4. 有多机位或参考片时，先拆清楚再剪

同一场访谈的 A 机、B 机和独立麦先同步，保留一条母版。以独立麦为连续人声，检查开头、中段、末尾口型。切反应镜头时，使用同一时刻的真实反应。用参考片时，先拆开场、信息变化、字幕层级、补画出现时机，再拿自己的素材按规则剪。

先分析 [我提供的可读参考片]。按原时间码标注开头类型、信息转折、换画面原因、字幕层级和声音衔接。整理成一份可以套用的剪辑规则，用 [我的素材] 做一条试剪。只用我的原声和画面，缺画面时列补拍清单。

▼ 下图是成片第 25 秒同一时刻的画面和时间线：从上到下依次是字幕、画中画、部位示意图 MG、口播画面（带推镜效果）、口播音频、音效和音乐。下面的视频是同一段 8 秒：先只有人声，再加上说话时自动压低的 BGM。

1.6. 06｜看完这一版，再导出成片

审片分三遍。

请检查 [最终时间线]，按「人声和切点／字幕和构图／黑帧和音画同步／原意与证据」列出已检查项和待我确认的时间点。现在只做检查。

[!note] 导出：浏览器本地下载与云端链接
满意后再发确认导出。竖屏短片可从 9:16、1080 × 1920、MP4 这组设置起步，具体看素材、平台和套餐。浏览器渲染可以下载到本地；需要可回传的成片链接时，先确认当前工具和项目能否走云端导出，等真实任务完成再拿链接。生成视频、音乐等功能的积分以当前工具提示为准。

我确认导出 [版本名称]。目标平台 [平台]，按 [画幅／分辨率／格式] 导出。告诉我实际输出设置和下载位置。若走云端，请等任务成功后给可用链接；浏览器本地下载就说明去哪里取文件。

▼ 实操：确认导出后，Bot 先查费用（这次用免费额度，0 积分），云端渲染完成后给出下载链接和实际输出参数。

▼ 最终成片（95 秒），和首屏对照用的是同一条原片。

第一次就做这三件事：发一条原片，拿到 V1，挑一个剪点改一轮。

等你能用一句具体的话让 Bot 改对一处切点，再把同样的方法用到开场、字幕、补画和声音上。

同一段素材，你会先把最有料的一句提到开头，还是先把第一版口播剪顺？

1.7. 07｜口播之外：音乐、配音、图片和视频，也在同一个对话里做

剪完口播，常常还差几样：一段不抢人声的背景音乐，一张封面，一个原片里没拍到的画面，或者一句说错了又不想重录的旁白。这些可以继续交给同一个 Bot，在同一个 ChatCut 项目里做完，生成的素材直接落到时间线上，不用在几个工具之间来回导。

先分清哪些免费、哪些要用 PRO 或积分：

用 PRO 功能前，让 Bot 先报这次的实际消耗，你确认了再生成，01 节那段配置里已经写进了这条规则。

1.7.1. 音乐和音效：先说情绪，再说卡点

描述音乐时，给情绪和参照比只报曲风更好用，比如「像某部电影片尾那种安静、带一点期待」。音效先用素材库，卡点不够再生成。

给 [精剪版] 配一段背景音乐：整体情绪 [温暖／悬疑／轻快／惊喜]，参考 [电影或场景]，不要人声歌词，时长对齐成片。说话时自动压低，停顿和转场处抬起来。另在 [时间点] 的转场和 [时间点] 的关键词出现处各配一个短音效，先用素材库，不够再生成。生成前告诉我消耗。

1.7.2. 克隆音色：说错一句，不用整段重录

上传一段自己的干净录音，克隆音色后，可以用它替换一句说错的话，也可以给录屏直接配一条完整旁白，不用自己再单独录。只用你自己或已获授权的声音。

用我上传的 [声音样本] 克隆音色。把 [00:42 附近] 那句「[原句]」换成「[改正后的句子]」，语速和前后句保持一致，替换后让我对比试听。先告诉我需要的套餐和积分。

1.7.3. 图片和视频：补原片里没拍到的画面

封面、示意图、产品特写、一个转场空镜，原片里没有，就让 Bot 生成后直接放进时间线。生成画面适合做封面、氛围和补充说明；涉及真实操作、真实效果的地方，还是用真实录屏和实拍。

给《[标题]》做一张 9:16 封面：[画面描述]，顶部留出放大标题「[标题文字]」的位置。再在 [时间点] 补一段 3–5 秒画面：[画面描述]，色调和原片一致，放到口播上方的独立轨道。图片和视频各先给我一版预览和积分消耗，我确认后再放进时间线。

1.7.4. 带货广告：几张商品图，做一条 15 秒短视频

睡前用手机拍 3–4 张不同角度的商品图发给 Bot，第二天醒来先审脚本和分镜。用 ChatCut 官方提示词开始，它会先问清商品信息、受众、平台和卖点，方向确认后才生成完整广告：

你好 ChatCut！我想制作一条带货短视频。先问我需要上传的商品图片，并帮我整理准确的商品信息和三到四张有效的多角度图片。然后确认目标受众、发布平台、核心卖点、语言和创意偏好，为我设计一个真实手机拍摄感的创意，包括有吸引力的开场、清晰的商品演示和自然的转化结尾。请先提供一版 15 秒脚本和分镜让我确认，方向确认后再生成完整广告。

1.7.5. 手机拍，手机剪

Grok Bot 的手机端和电脑端都能用 ChatCut。讲座、现场演讲、脱口秀用手机拍完直接传；手机录屏演示一个 App 怎么用，剪好就能发；旅行拍了一堆照片和视频，交给 Bot 按事件剪成 Vlog。长视频或长录屏也可以一次拆成多条短片，做法见 04 节的访谈切片。

1.8. 开源｜高网感口播剪辑 Skill

这篇里的剪法，我整理成了一个可以直接装进 AI 剪辑助手的 Skill 已经开源：github.com/gnipbao/chatcut-high-retention-edit

它把「高网感」拆成六轮能执行、能检查的流程：节奏蓝图 → 语音粗剪锁轴 → 字幕与双层花字 → 推拉镜头和示意图 → 音效混音 → 留存 QA。

文中的最终成片就是用它剪的：同一条原片，平均画面变化间隔从 6.2 秒降到 2.65 秒，最长不变画面从 20.9 秒降到 4.4 秒。

仓库里有完整的 SKILL.md、动画与音效对照表、美妆医美垂类规则、实测踩坑记录，还有一个只依赖 ffmpeg 的留存体检脚本，导出成片后跑一下，就知道哪几秒画面停太久。

git clone https://github.com/gnipbao/chatcut-high-retention-edit.git cp -R chatcut-high-retention-edit/skills/chatcut-editing-sop ~/.claude/skills/

装好后对你的剪辑助手说一句「用 ChatCut 把这条口播剪得有网感一点」就能开始。觉得有用欢迎点个 Star，也欢迎提 Issue 告诉我你的素材剪出来效果怎么样。