用 CapCut + Claude 自动化 YouTube Shorts：CLI 完整管线
自动化 YouTube Shorts 是一条四步管线：挑出对的 60 秒、写一个能抓住人的开头、用代码拼出 CapCut 草稿、渲染发布。第一步和第二步用大模型。第三步需要一个能把 CapCut 工程文件写出来的确定性工具。第四步是个渲染按钮。这篇讲的是第一到第三步，以及我为了让第三步成立而写的开源 CLI。
想要现成可跑的完整管线？ 我把完整的爆款短片系统 —— 选题逻辑、开头模板、驱动
capcut-cli全自动跑的 Claude skill —— 都打包在 Viral Story Shorts Blueprint（爆款故事短片蓝图） 里。下面这个 CLI 是引擎，蓝图是工作流。
为什么要自动化
人手做一条 YouTube Short 大约要 45 分钟到 2 小时。挑片段、找出对的那 20 秒、打字幕、对时间、加开头卡、放 CTA、渲染。大部分都是机械活儿。真正决定数据的部分 —— 选段和开头文案 —— 只占 15% 的时间。剩下 85% 都在 CapCut 里挪方块。
如果你打算每天发一条 Short，机械活儿会累积成一份兼职。如果你打算每天发五条、跑三个号，那就是全职，而且因为太累质量会下滑。自动化把比例反过来：模型把算力用在需要判断的部分，CLI 把毫秒花在不需要判断的部分。
硬限制是 CapCut 没有公开 API。你不能 POST /drafts 拿一个工程文件回来。草稿格式是嵌套很深的 draft_content.json，时间单位是微秒、字幕文字埋在转义过的 JSON 字符串里、segment ID 要对得上 material ID 又要对得上 track ID。手动改很脆。capcut-cli 填的就是这个空白。
capcut-cli 做什么
capcut-cli 是一个开源的 Node CLI，直接读写 CapCut 和剪映的项目文件。它把工程文件暴露成命令列表，而不是 JSON 树：
npm install -g capcut-cli
capcut info ./project # 概览
capcut texts ./project # 列字幕
capcut set-text ./project a1b2c3 "新字幕"
capcut shift-all ./project +0.3s --track text
capcut cut ./project 1:00 2:00 --out ./short.json
默认 JSON 输出，可以管道给 jq，也能从任何语言里调。--human 参数给人看的表格输出。所有写操作都先备份。同一个二进制在 macOS、Windows、Linux 上都能跑。包和源码在 npm 和 GitHub。
重点不是 CLI 本身。重点是：有了这个确定性 CLI 挡在 CapCut 工程格式前面，大模型就能在不胡编时间戳、不破坏 schema 的前提下驱动剪辑这一步。
四步管线
下面是自动化的形状。每一步都互相独立、可替换。
1. 选段
长视频里值得切短的就那么几个瞬间，剩下都是水分。选段是判断题，但是有边界的判断题：给一份带时间戳的字幕，挑出开头潜力最强的 60 秒窗口。
# 从你的 CapCut 项目导出字幕
capcut export-srt ./long-video > transcript.srt
# 给 Claude，让它返回 JSON 数组的候选窗口
claude --prompt "对下面这份 SRT 排出候选 60s 窗口。返回 JSON：[{start_ms, end_ms, hook_strength, rationale}]" \
--input transcript.srt > candidates.json
# 取最强的那个
START=$(jq -r '.[0].start_ms / 1000 | floor' candidates.json)
END=$(jq -r '.[0].end_ms / 1000 | floor' candidates.json)
# 切出来
capcut cut ./long-video "${START}s" "${END}s" --out ./short.json
capcut cut 在边界裁剪片段、把时间归零、删掉空轨道、清理没人引用的素材。输出的是独立草稿，不是偷偷指向母工程的切片。
2. 写开头
Shorts 的前三秒决定观众是不是划走。Claude API 配一个锐利的 system prompt 在这件事上很在行。便宜也行 —— Haiku 就够了。也可以换成国内的模型（DeepSeek、GLM、Kimi 都行，提示几乎不用改，下面模型无关那一节再展开）。
HOOK=$(claude --model haiku-4.5 \
--prompt "为下面这段字幕写三个开头变体： <SEGMENT_TRANSCRIPT>。\
约束：8 字以内、不标题党、必须接得住正文。\
返回 JSON：[{hook, predicted_retention, why}]" \
| jq -r '.[0].hook')
capcut add-text ./short.json 0s 3s "$HOOK" \
--font-size 28 --color "#FFD700" --align 1 --y -0.4
注意位置参数。--y -0.4 把开头放在画面上三分之一，眼睛先落到那儿。--align 1 居中。这些是人工剪辑师手做的部分，模型对空间没有直觉 —— CLI 当默认值带着走。
3. 拼出草稿
有了片段和开头，剩下的草稿都是确定性的。下三分之一署名、片尾 CTA 卡、背景音乐、CTA 箭头，每个元素都是一行命令。
# 下三分之一署名
capcut add-text ./short.json 5s 15s "@你的频道" \
--font-size 14 --color "#FFFFFF" --align 0 --x -0.4 --y -0.45
# 片尾 CTA
capcut add-text ./short.json 55s 5s "完整视频在简介里" \
--font-size 14 --color "#FFFFFF" --align 1 --y 0
# 低音量的背景音乐
capcut add-audio ./short.json ./music/lofi-loop.mp3 0s 60s --volume 0.2
或者用 batch 一次性写入，更快，因为只解析一次工程文件：
echo '{"cmd":"add-text","start":"0s","duration":"3s","text":"开头那句","y":-0.4}
{"cmd":"add-text","start":"5s","duration":"15s","text":"@你的频道","y":-0.45,"x":-0.4}
{"cmd":"add-text","start":"55s","duration":"5s","text":"完整视频在简介里","y":0}' \
| capcut batch ./short.json
模板让多条短片之间的复用更快。把一条做好的标题样式抽成模板，套到每一条新短片上：
# 一次：抽出你的招牌标题样式
capcut save-template ./reference-short a1b2c3 "house-title" --out ~/.shorts/house-title.json
# 之后每一条新短片
capcut apply-template ./short.json ~/.shorts/house-title.json 0s 3s "$HOOK"
4. 打开、审核、渲染
CapCut 仍然管着渲染步骤和一些 CLI 没暴露的关键帧效果。在 CapCut 里打开草稿，眼瞄一遍时间轴，渲染成 MP4。自动化把你送到渲染步骤的起点，不是一路送到上传。这是有意为之 —— 你要在署你名字的东西上 YouTube 之前留一道人工审核闸门。
上传那一步用 YouTube Data API 就行。yt-upload --file ./short.mp4 --title "$TITLE" --description "$DESCRIPTION" 是常规写法。也别在没有审核闸门的情况下自动上传 —— 标题和描述写错了，比节奏不好修起来麻烦得多。
模型无关：可换 DeepSeek / GLM / Kimi
整个管线里，第 1 步和第 2 步是模型调用。capcut-cli 本身跟模型无关。如果你不想用 Claude，提示几乎一字不改就能换成：
- DeepSeek-V3 / R1 —— 编程和逻辑推理任务上极受欢迎，价格只有海外大模型的一小部分
- Zhipu GLM-4.5 —— 在国内被叫"中文 Claude"，复杂任务处理表现稳
- Moonshot Kimi —— 200k+ 上下文，长视频字幕一次塞进去都没问题
提示模板基本通用，差别在 API endpoint 和返回格式。把上面的 claude --prompt 替换成对应 SDK 的 chat.completions 调用即可。
让 Shorts 火起来的那部分（最难的）
上面这条管线让你能跑出量。火不火它管不了。火是选段、开头质量、包装 —— 这些是 CLI 替不了的创意判断。
几条真的影响数据的规律：
故事弧，不是摘要。 一条有起承转合的 Short 比一条总结更长视频的 Short 留存更好。CLI 让你能把同一份素材切成不同的微叙事 —— 挑那条故事弧最强的。
先把"回报信号"前置。 在最前两秒就告诉观众他能在这条里拿到什么，哪怕真的回报在 0:45 才出现。这是开头的活儿，是整条短片里杠杆最高的一行。
字幕永远要有，大字号、高对比度。 大多数 Shorts 是静音看的。CLI 通过 capcut add-text 配 --y 控制纵向位置；默认放下三分之一，大号字，白底带阴影。
只放一个 CTA，片尾，别堆链接。 “完整视频在简介里"比三个 CTA 互相打架表现要好。在 55 秒处用 capcut add-text 加上，想要更精致就配个淡入。
这些是 CLI 替你做不了的创意决策。CLI 让这些决策的执行变得便宜，所以你能反复 A/B。
完整蓝图
如果你要的是完整管线 —— 选得准的选段提示、上过量的开头模板、不用人工胶水就把 capcut-cli 全程串起来的 Claude skill —— 那是我打包的 Viral Story Shorts Blueprint。Claude Code 直接载入，跑在开源 CLI 之上。
只想要 CLI 也行：npm 和 GitHub 上都有，MIT 许可，没埋点，二进制里没有任何升级推销。
关于作者
我是 Rene Zander，做 AI 内容自动化系统，服务对象是个人创作者和小团队。更多技术文章在 renezander.com，需要定制可以 联系我。