OpenMontage 的 FFmpeg 视频处理工具链从粗剪到成片一次讲清【免费下载链接】OpenMontageWorlds first open-source, agentic video production system. 12 production pipelines, 100 tools, 700 agent skill and production-knowledge files. Turn your AI coding assistant into a full video production studio.项目地址: https://gitcode.com/GitHub_Trending/op/OpenMontageOpenMontage 是一套把 AI 编程助手变成视频制作工作室的开源项目里面有几十条制作流水线和上百个工具。而在它所有不用 AI 推理、结果确定的活里干脏活累活的其实是 FFmpeg。换句话说OpenMontage FFmpeg 视频处理这条链路负责剪切、拼接、变速、混音、烧字幕、抽帧、调色、降噪这些事。你不用去记 FFmpeg 那些长命令项目已经把能力包成工具你只要知道什么时候用哪个、参数怎么给就够了。下面我按一条真实的工作流来讲素材到手 → 粗剪 → 拼起来 → 上字幕 → 调人像和颜色 → 处理声音 → 按平台导出 → 交付前验收。每节先说场景和坑做法放中间原理垫在最后。先分活儿哪些交给 FFmpeg哪些留给 AI简单说就是两条路。需要猜的能力——文生图、文生视频、人脸修复、超分辨率——走各自的 AI 工具。不需要猜、结果确定的活一律归 FFmpeg 管。这条边界在 skills/core/ffmpeg.md 里写得很清楚FFmpeg 覆盖的场景包括剪切、修剪、变速、拼接、抽音频、混音、烧字幕、叠素材、编码以及人脸增强、调色、音频清理。这些工具在注册表里都是确定性deterministic的provider 统一标成ffmpeg依赖声明就是cmd:ffmpeg。所以第一件事是把 FFmpeg 装好源码里给了现成命令Windowswinget install FFmpegmacOSbrew install ffmpegLinuxsudo apt install ffmpeg工具分两层。核心管线四个video_trimmer切、修、变速、拼接操作取值cut / speed / concatspeed_factor允许 0.1~100codec默认copy。video_compose整片合成把切段、字幕、叠加、编码一次做完操作有compose / render / remotion_render / burn_subtitles / overlay / encode。audio_mixer旁白、音乐、音效混一起还能做 ducking人声出现时音乐自动压低、淡入淡出、抽音频。frame_sampler从视频里抠出代表性帧策略有interval / count / timestamps / scene_guidedquality取值 1~31、默认 2max_frames默认 20。增强层三个face_enhance磨皮、锐化、冷暖肤色常用预设talking_head_standard、soft_skin、sharpencrf默认 20。color_grade电影感调色加强度旋钮预设cinematic_warm、cinematic_cool、moody_dark等crf也是 20。audio_enhance降噪、响度归一、EQ预设clean_speech、voice_clarity、podcast。这里有个容易忽略的点增强层的 CRF 默认是 20核心层默认 23。原因是增强出来的东西往往已经接近最终交付物画质值得再高一档。剪切和拼接什么时候能偷懒用 -c copy这是新手最容易踩坑的地方先记一句话只有不动画面的活才配用-c copy流拷贝。纯剪切、纯拼接、不改任何帧-c copy秒出、无损。一旦上滤镜——变速、字幕、叠加、缩放——就必须重编码-c:v libx264。默认 CRF 是 23如果这份输出要当最终交付把 CRF 降到 18~20画质更好。video_trimmer 的cut就是这么做的codec是copy时加-c copy否则加-c:v codec -c:a aac。而speed操作因为必然要改时间戳无条件走 libx264 重编码。但 video_compose 的整片合成有个反直觉的细节它切每段时是强制重编码的不用-c copy。源码注释把原因写明白了——-c copy没法做到帧级精确它只能对齐到关键帧keyframe。Pexels 素材和 AI 生成片段经常是稀疏 GOP关键帧之间隔得远流拷贝出来的片段可能比你要的时长长一截时间轴就乱了。所以它用-ss 入点 -t 时长加 libx264/AAC 重编码来保证切口干净。拼接本身分两种路子片段编码相同用 concat demuxer也就是-f concat -safe 0最快。编码不同、分辨率不一先把所有片段重编码统一再拼。video_trimmer 的concat把前者做到了位先把每段按需剪到临时文件写出file ...列表顺手把 Windows 反斜杠换成正斜杠再-f concat -safe 0 -i 列表 -c copy拼完最后在finally里清掉临时文件。变速别只动画面setpts 和 atempo 要成对出场变速看着简单其实要同时动两条流动一条画面就会和声音脱节。画面用setpts把呈现时间戳乘上速度的倒数。声音用atempo但它只吃[0.5, 100.0]这个区间。video_trimmer 的_build_atempo_chain处理的是极端倍速超过 100 或低于 0.5 时就串一串atempo100.0或atempo0.5最后补一个atempo剩下的值收尾。video_compose 里每个 cut 的speed字段走同一套组合并把speed下限钉在 0.1防止除零。字幕烧录避坑SRT、颜色格式、路径和尺寸烧字幕有四个坑video_compose 的实现一个都没落下。一、简单词级字幕优先用 SRT。subtitle_gen 能出generate_srt / generate_vtt / generate_caption_json支持max_words_per_cue默认 8、max_chars_per_line默认 42、词级纠错和逐词/卡拉 OK 高亮跟 FFmpeg 烧录链路直接接上。二、force_style的颜色必须写全。要写H00FFFFFFAABBGGRR带透明度字节别写成HFFFFFF。video_compose 的_build_subtitle_style会把字体、字号、加粗、主色、描边色、底边距、对齐这些拼成一个逗号串。三、Windows 路径要转义。拼subtitles...滤镜时源码做了一次replace(\\, /)再把冒号写成\:也就是C\:而不是C:。四、横竖屏用不同参数。竖屏字大、条短、边距高横屏相反画幅font_size每条最多词数margin_v竖屏 9:16183 词50横屏 16:9226 词40还有一层设计值得夸样式不是写死的。_resolve_subtitle_style按显式subtitle_styleedit_decisions.subtitles.style 风格 playbook 内置默认的优先级取目的就是别让所有视频都长成白色 Arial 粗体那副样子。调色强度怎么调一个 opacity 背后的原理skills/core/color-grading.md 里给的经验值是口播默认intensity: 0.850.5是若有若无1.0是全效但有的素材会过。那这个强度到底是什么color_grade 的_build_filter揭示了原理当0 intensity 1时它把画面split成两路一路原样、一路调色再用blendall_modenormal:all_opacity{intensity}按不透明度混回去。简单说就是强度 调色版和原片之间的混合比例0.85就是85% 的调色效果 15% 原片。仓库内置 7 个 profilecinematic_warm、cinematic_cool、moody_dark、bright_clean、vintage_film、high_contrast、neutral另外还能传.cube文件走lut3d滤镜。每个 profile 都是colorbalance curves eq的组合比如cinematic_warm提暖、提亮阴影、再加点对比和饱和。人像增强为什么排在调色前面多个增强步骤得按固定顺序上否则滤镜会互相打架。顺序是先烧字幕 → 再人像增强 → 再调色 → 最后音频增强。每一步都可以选做工具不可用就跳过。道理不复杂烧字幕会往画面里焊死硬字幕改了像素所以得最先做人像增强是冲着肤色和边缘做局部处理的如果先调色橙色调会先固化进皮肤后面一磨皮反而放大瑕疵调色是给全片定调的最后一步必须落在人脸处理之后声音和画面是两个世界单独放最后。口播配乐自动让位sidechaincompress 实战做口播视频最烦的就是旁白一出来背景乐就抢戏。audio_mixer 的duck操作专门干这个以人声当 key signal用人声一响就把音乐音量压下去。推荐给 Agent 的简单写法{ operation: duck, primary_audio: speech.mp3, secondary_audio: music.mp3, duck_level: -12, output_path: out.wav }也可以传tracks数组每条标role: primary / secondary两者都认。duck_leveldB默认 -12会被换算成线性比例10^(db/20)-12dB 大约就是 0.25写进music_volume_during_speech。实际滤镜图用sidechaincompressthreshold0.02、ratio9、attack0.2、release0.5再用volume{music_vol * 3}补偿一下侧链带来的电平损失最后amix混两轨。攻击/释放时间由ducking.attack_ms默认 200和release_ms默认 500控制跟推荐值一致。给 compose-director 用的还有更省事的full_mix一次滤镜图里把多层旁白 音乐 ducking 响度归一化全办了还能配target_duration用apad/atrim把声音精确对齐到成片时长。另有segmented_music操作用带时间段的volume表达式做口播段放音乐、展示段静音这种精细配乐。各平台响度差多少LUFS 目标对照响度不是听个响就行各平台有基准。这张表就是audio_enhance和audio_mixer归一化的依据平台目标响度响度范围社媒TikTok、Reels-14 LUFS5~7 LUYouTube-14 ~ -16 LUFS7~11 LU播客-16 LUFS7~11 LU广播电视-24 LUFS7 LUclean_speech预设正好落在 -16 LUFS、11 LU 范围它的滤镜链以loudnormI-16:LRA11:TP-1.5收尾投 YouTube 或社媒都合适。video_compose 那边把响度目标参数化成了loudnorm_target默认 -16合法范围 -40~0并且会钳住输入避免拼出畸形参数。约定是edit_decisions.metadata.loudnorm_target是声明式写法导演应该把目标平台对应的值比如 -14透传给full_mix让实际响度和投放平台对得上。抽帧给 AI 和肉眼当眼睛四种策略frame_sampler 是分析工具和人工质检的眼睛四种策略各管各的interval按interval_seconds默认 5 秒均匀抽底层是fps1/interval。count先ffprobe拿时长再按时长/数量间隔抽count默认 10。timestamps给定时间点每个点单独-ss ts -frames:v 1抠一帧。scene_guided拿到镜头边界后每个镜头取首帧往后挪 0.1 秒躲开黑帧超过 3 秒的镜头再取个中点帧去重排序后限流到max_frames。scene_guided的好处是用有界、可预测的帧数把所有视觉转场都覆盖到特别适合拿 scene_detect 的镜头边界生成全片代表帧。输出png或jpgquality默认 2只对 jpg 生效对应-qscale:v。抠出来的帧能当封面、当镜头质检也能喂给video_understand、visual_qa这类分析工具。按平台导出crf、profile 与 compose_targetvideo_compose 的crf默认 23、preset默认 medium。想要平台化规格直接传一个profile就行lib/media_profiles.py 里内置了一整套youtube_landscape1920×108030fpscrf18tiktok1080×1920 竖屏crf20cinematic2560×108024fpscrf16不想用现成名字的话compose_target{width, height, fit}可以要任意分辨率fitpad保留全部内容加黑边fitcover缩满再居中裁剪更适合竖屏社媒。顺带说一句渲染运行时的位置。video_compose是个运行时感知的编排面render_runtime在提案阶段就锁定能取remotionReact 帧级渲染默认、hyperframesHTML/CSS/GSAP或ffmpeg只做纯视频剪切或被批准路径点名时才用。get_info会分别探这三个引擎的可用性报出render_engines。治理规则禁止静默切换运行时——选定的引擎不可用或失败工具会抛出结构化阻塞等用户重新确认。所以 OpenMontage 里 FFmpeg 的定位很清楚确定性处理的底座外加纯视频管线的合成引擎复杂动效、图表、组件化场景则交给 Remotion。交付前自检清单发出去之前把这六道闸过一遍✅ 桌面端和手机端都流畅播放没有花屏✅ 处理后音画还是同步的✅ 字幕待在画面底部那 20%没挡住脸✅ 响度落在目标平台区间里✅ 增强看得出来但肤色健康不发橙✅ 剪切点没有爆音也没有突然断掉的静音最后字幕在底部 20%、不挡脸正是上面 margin_v 50/40 的用意音画同步靠 setpts 和 atempo 成对使用、再用-shortest/apad对齐时长不爆音则有audio_enhance的alimiter限幅器和TP-1.5这个真实峰值上限兜底。延伸阅读skills/core/ffmpeg.md这条 OpenMontage FFmpeg 视频处理链路的技能总纲tools/video/video_compose.py整片合成、字幕、运行时的核心实现tools/audio/audio_mixer.pyducking、full_mix、分段配乐lib/media_profiles.py各平台导出的分辨率与 CRF 规格【免费下载链接】OpenMontageWorlds first open-source, agentic video production system. 12 production pipelines, 100 tools, 700 agent skill and production-knowledge files. Turn your AI coding assistant into a full video production studio.项目地址: https://gitcode.com/GitHub_Trending/op/OpenMontage创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考