先算一笔账
一条 10 分钟口播，手动找口误和重听素材通常要 2-3 小时；转录、粗剪、字幕再各占一截。把流程拆成转录、标记、剪切、字幕、导出五步后，AI 主要负责前三步的重复劳动，人只做审核。
转录和标记
先用语音识别生成逐字稿，再让模型按语气词、重复、卡顿、口误四类标记问题。重点不是让 AI 直接删，而是让每一处删除都有时间点和置信度，人工扫一眼就能决定。
剪切与字幕
确认删词清单后执行物理剪切，字幕跟着时间轴重建。这里最忌讳只删音频不删画面，或者删完不做音画对位检查。
落地清单
素材进项目先统一命名；转录后先出问题清单；删除前逐条确认；字幕重建后检查遮挡；导出前按平台配方过一遍参数。