大家好，我是孟健。
一个人做内容，最烦的就是录完口播坐在电脑前一刀刀切气口、转竖屏、配字幕。今天实测用 3 段提示词让 Grok Bot 在本地全自动剪掉口播原片的停顿口误、转成 9:16 竖屏带字幕，并顺带生成封面图与发布文案。
先看一眼最终调完的成片效果：
整个过程我只发了 3 段提示词，连原片文件都没碰一下。下面按我实际操作的步骤，把整套提示词和踩坑改样式的过程完整讲一遍。
准备工作：先让软件跑起来
Grok Bot 可以在官网（https://docs.x.ai/grok-bot/get-started）下载对应系统的安装包，打开后用符合条件的付费账号（比如 Premium 计划或绑定的账号）登录即可。
登录后会自动建好一个默认的 Grok Bot 机器人。我电脑上原来只装了处理音视频常用的 FFmpeg 8.0，语音转写工具是第一步让 Grok Bot 自己补装的；你电脑里什么都没有也不用慌，第一段提示词发过去时让它自己检查准备就行。
第一步：只读分析原片，把停顿和口误单子拉出来
剪视频最怕 AI 自作主张乱切，更怕它把辛辛苦苦录的原片给覆盖改坏了。所以第一步先别让它动刀，只让它读原片，把哪里停了、哪里说错了列出清单。
打开 Grok Bot，在左侧选中机器人，底部输入框保持空白。
在输入框里贴入第一段提示词。记得把里面的原片路径换成你自己的文件位置：
我桌面上有一个口播原片：D:\UserFolders\mengjian\Desktop\Grok剪口播实测\口播原片.mp4（2分46秒的横屏视频，是我对着镜头讲怎么用 Grok Bot 搭 AI 团队的，里面有一些停顿、口误和重说的地方）。
请你先别急着剪，帮我做两件事：
1. 检查一下我电脑上现在有没有处理视频和把语音转成带时间轴字幕的工具，没有的话帮我准备好。
2. 读取这条原片的时长、分辨率，把里面我说的话完整转写成带时间戳的文字稿，帮我标出哪些时间段是明显的停顿、口误或者重复说的话，列出来给我确认。注意：全程千万不要改动原片文件。
点击右下角发送，等待约 2 分钟。Grok Bot 会先核对本机工具（提示本机已有 FFmpeg 8.0 和 Python，缺语音转写，随后自动补齐 faster-whisper），确认原片时长约 2 分 46 秒、分辨率 1920×1080，并开始提取文字稿。
转写跑完后，它在窗口里列出了一份很细的清单：从片头静音、句间长停顿，到我口误的假开头和垫话，每一个时间段都切得清清楚楚。
第二步：切除气口转竖屏，压制第一版成片
转写完之后，界面上弹出了一个多选交互卡片（包含 A1 删片头静音、A2 压句间停顿、B2/C1 删「直接点击」假开头、B3 删垫话等选项），询问要删哪些片段。
很多朋友看到这里可能会纠结是不是得把上面的选项挨个点一遍。其实完全不用一个个点，因为我们要全部剪掉，直接在底部的对话框里把要求和剪辑规范一次性发给它，Grok Bot 就会自动接收并开始执行。
这一步的原则依然是：原片绝对不动，所有新生成的成品全部另存。同时交代清楚我们要的画幅比例（1080×1920 竖屏）、上下留黑居中排版，以及固定标题和同步字幕。
在输入框里粘贴第 2 段提示词：
确认无误，现在请帮我正式剪出第一版竖屏口播视频，硬要求如下：
1. 原片不动，所有生成的文件都另存到 D:\UserFolders\mengjian\Desktop\Grok剪口播实测\ 文件夹下，第一版成片命名为「Grok剪辑-第1版.mp4」。
2. 把刚才标出来的长停顿、口误和重说的片段剪掉，让说话节奏紧凑自然。
3. 画面转成适合发视频号和抖音的 9:16 竖屏（1080×1920）：上下留黑或深色背景，中间放原画面，保证我在画面里居中完整、别把头或脸裁掉，不要加任何和主题无关的贴纸或花哨装饰。
4. 画面上方居中加一行固定的顶部标题：「用 Grok Bot 搭 9 个 AI 团队」；画面下方加同步中文字幕，去掉句末标点，字要清楚。
做完后告诉我剪掉了多少秒、最终视频多长、一共花了多少时间，并把生成的完整文件路径发给我。
点击发送，等待大约 1.5 分钟。Grok Bot 开始在后台调用剪辑工具切除无用片段，并自动居中画面压制字幕。
剪辑完成后，Grok Bot 报出了实测数据：
- 剪掉停顿与口误：约 15.05 秒（从 166.03 秒压到了 150.99 秒）
- 最终成片时长：2 分 31 秒
- 画幅与大小：1080×1920 竖屏，大小约 24.8 MB
- 这轮耗时：约 1.5 分钟
成片剪得挺快，我们立刻用播放器打开 Grok剪辑-第1版.mp4 验货。
开头画面人像居中，头顶留白正常，上下黑底很干净。
往后拖动进度条，中段和结尾处那些原本磕磕绊绊的重说全不见了，说话节奏变利索很多，音画也是同步的。
但这版成片放电脑上看还行，在手机竖屏里刷到问题就很明显：一是底部字幕字号偏小且纯白无描边，画面稍亮就看不清；二是顶部白字标题不够抓人。既然找到了问题，马上回窗口改一轮。
第三步：改大字幕换亮黄标题，顺手抓无闭眼封面和发布文案
改样式不需要重头再剪一遍，只用针对刚才的毛病提要求。
发一条口播视频除了视频本身，还得准备封面图和文案。既然视频画面都在它那，干脆让它从视频里抽一帧没闭眼的自然神态，直接打上醒目的大字做成 9:16 封面，连带平台发布文案一次性打包写好存成文本。
在输入框粘贴第 3 段提示词：
我刚打开看了第一版，剪得挺顺，但有两个地方想让你帮我再改一轮，另外再补一套发布物料：
1. 手机上看现在的底部字幕有点小，跟背景混在一起不够醒目。请把底部字幕字号调大一号，改成白字加粗、带明显的深色描边或半透明底框，顶部的标题也做成醒目的黄字或白底黑字，另存为 D:\UserFolders\mengjian\Desktop\Grok剪口播实测\Grok剪辑-第2版.mp4。
2. 从视频里挑一帧我表情自然、没有闭眼的画面，做成 9:16 竖屏封面图，上面加上醒目的大字标题「一人公司：我把 9 个 AI 迁到了 Grok Bot」，存为 D:\UserFolders\mengjian\Desktop\Grok剪口播实测\封面图.png。
3. 按这条视频我讲的真实内容（不要自己编造没说过的数据），帮我写 3 个备选标题、一段 150 字以内的视频号/抖音发布文案和 5 个相关话题标签，直接在回复里发出来，同时存一份到 D:\UserFolders\mengjian\Desktop\Grok剪口播实测\发布文案.txt。
点击发送后，Grok Bot 重新压制字幕、抽帧做图并生成文案，这一轮等待了大约 3 到 4 分钟。
完工后先看改版后的视频 Grok剪辑-第2版.mp4：顶部保持固定标题「用 Grok Bot 搭 9 个 AI 团队」，底部的同步字幕明显放大加粗，在黑底背景衬托下清晰易读，解决了第一版字幕偏小看不清的问题。
再用看图软件打开生成的 封面图.png：它精准截取了剪辑时间轴约 5.0 秒（对应原片约 10.60 秒）的一帧，眼睛睁得很自然，没有出现半眯眼的翻车情况，上方压制了三行大字标题「一人公司 我把 9 个 AI 迁到了 Grok Bot」（首行白字，后两行亮黄字）。
接着打开发布文案 发布文案.txt：全文刚好 148 个字，概括了我把服务器上 9 个助手搬到 Grok Bot 的过程，不仅给了 3 个不同侧重点的备选标题，还配好了 5 个精准的话题标签。
到这里，一条口播成片、一张能直接当封面的图、一段发布文案，全都落在了桌面的实测文件夹里。
和我做的「字流」成片对比：两者区别在哪？
同一条口播原片，我昨天顺手用我自己做的内容工具「字流」也剪了一版。
在字流里操作其实很简单：上传同一条原片，语速保持默认的 1.1×，竖版画面选「小人像 + 深色背景」，确认一下自动给的顶部标题，点击「开始精剪」等几分钟就行。
字流导出的成片文件夹里有抖音精华版（66 秒）和视频号精华版（75 秒）。我们打开 75 秒的视频号成片看一眼：
开场自带动态大字钩子「免服务器搭AI团队 Grok Bot实测」，人像缩小居中，四周是深色背景：
播到视频中段，只要我口播里提到了具体工具和单页，字流会自动根据口播语义匹配软件界面的真实截图，推近放大做成画中画，并在旁边加上黄黑标签说明：
把两个工具放在一起对比，结论非常明确：
- Grok Bot 适合什么：它在本地跑，不额外扣费、改起来灵活。如果你追求极简、不想要复杂的视觉包装，或者经常需要用自然语言随时调字号、换字体颜色、切气口，用它写几句话跑后台非常轻快。
- 字流适合什么：如果你想要的是精剪包装，比如人像缩小居中配深色背景、动态开场大钩子，以及讲到功能时自动把后台或官网截图以画中画形式贴出来，甚至直接浓缩成 60 到 75 秒的高完播平台精华版，这种精细化运营需求字流会更省心。
如果你日常也需要发口播，又不想被剪辑软件折磨，不妨照着这篇的三段提示词，把录好的原片丢给 Grok Bot 跑一轮，先把基础的粗剪、字幕和封面自动化起来。把机械琐碎的时间省下来，才能做更多有产出的事情。
👋 我是孟健，前腾讯 T11、前字节技术 Leader，现在全职做 AI 编程。
🔥 更多 AI 编程实战：
- GitHub：@mengjian-github
- 专栏：AI编程实战
觉得有用？点赞+收藏 就是最大支持 🙏
本文由作者借助 AI 辅助整理，内容经作者实测与审校。
本文由 AI图鉴自动抓取并翻译，版权归原作者所有；如需查看原文请点下方链接。