企业官网建设流程全解析

平时整理旅游攻略视频时，经常需要提取某个景点、美食或交通路线的介绍。

但如果已经把视频提取成音频，又不知道相关内容具体在哪一分钟，难道只能从头听一遍？

例如，一段较长的旅游攻略音频，我只想提取其中讲述上海的部分。

其实可以通过 AI 语音识别和音频剪辑来解决，目前有两种比较常见的处理方式。

方案一：AI Agent + ASR + FFmpeg

如果熟悉命令行，可以借助 AI Agent 自动完成音频处理。

但要注意，FFmpeg 本身只负责音频处理，并不能理解音频讲了什么。

因此需要增加 ASR（自动语音识别）环节。

完整流程：

音频 → ASR 转录 → Agent 检索文字 → 定位时间戳 → FFmpeg 裁剪

例如，先通过 Whisper 等 ASR 模型获取带时间戳的转录文本，再让 Agent 找出介绍上海的段落。

确定时间范围后，使用 FFmpeg 裁剪：

ffmpeg -ss 00:10:32 -i input.mp3 -t 136 \ -c:a libmp3lame -q:a 2 output.mp3

这条示例命令会从第 10 分 32 秒开始提取 136 秒音频。

这种方式适合需要批量处理、定制剪辑逻辑或构建自动化工作流的场景，但需要自行配置 ASR 模型及 Agent 调用流程。

方案二：使用自然语言音频剪辑工具

如果不熟悉编程，也可以使用现成的 AI 音频剪辑工具。

例如 Audio Cutter AI，支持上传音频并通过自然语言描述需要的内容。

之前尝试将旅游攻略视频提取出的音频导入工具，输入：

“帮我截取讲述上海的片段”

工具返回了几个相关结果，包括：

• 上海之旅初体验与夜景游艇

• 上海市区漫步与新天地夜生活

• 上海田子坊文化街区探访

除了对应的音频片段，还提供片段标题、内容摘要和时长信息，可以先通过文字了解内容，再试听并导出需要的音频。

这里的文字摘要主要用于辅助判断片段内容，不等同于完整逐字转录稿。

这种方式省去了自行配置 ASR、检索逻辑和 FFmpeg 的步骤，适合偶尔处理音频、没有编程经验的用户。

总结

两种方案解决的其实是同一个问题：

如何在不知道具体时间点的情况下，快速找到音频中需要的内容？

如果需要高度定制或批量自动化，可以选择Agent + ASR + FFmpeg；如果只需要日常查找和裁剪音频，现成的自然语言剪辑工具则更容易上手。

无论哪种方式，最终都建议试听确认，避免语音识别错误或片段截断。