AutoCut 一键部署与版本回滚从克隆到上线的 4 条命令【免费下载链接】autocut用文本编辑器剪视频项目地址: https://gitcode.com/GitHub_Trending/au/autocut周五深夜新版 AutoCut 推到生产机后转录服务跑了 5 分钟就开始报错。此刻不用急着排查原因先要的是把服务切回上一个稳定版本。AutoCut 是个轻量视频剪辑工具用 Whisper 模型给视频生成字幕在 Markdown 文件里勾选要保留的句子它就剪出对应片段。部署这件事对它来说就是一个脚本加一套镜像标签下面把整条链路走一遍。30 秒认识 AutoCut部署之前值得花 30 秒搞清楚它在做什么AutoCut 用改文本替代拖时间轴。视频转成字幕后每句都带时间戳勾选保留的句子它通过 ffmpeg 把对应片段剪出来并导成新视频。核心模块职责transcribe.py调用 Whisper 把视频转录成 .srt 与 .md 字幕cut.py按字幕中标记的句子剪切视频、导出结果daemon.py监听文件夹自动转录并剪切新加入的媒体文件适用场景很明确批量产出录屏、课程视频、会议片段且不想学专业剪辑软件的人。可以把 AutoCut 理解成一条转录 → 标记 → 剪切的流水线部署它就是把这条流水线装到机器上。从空环境到验证4 条命令跑通 AutoCut本地部署是一条完整的操作链每步都有它的理由。装 ffmpeg。AutoCut 靠它读写视频缺了之后报错很绕。Debian/Ubuntu 用sudo apt install ffmpegmacOS 用brew install ffmpeg。克隆仓库git clone https://gitcode.com/GitHub_Trending/au/autocut cd autocut。建虚拟环境并激活python3 -m venv .venv source .venv/bin/activate。venvPython 虚拟环境把依赖隔离开不污染系统 Python而且 AutoCut 本身是个 Python 包代码更新后要重新执行pip install .新代码才生效环境越干净越好定位。安装并验证pip install .装完运行autocut --help。能列出-t转录、-c剪切、-d监听、-s字幕压缩四个入口说明基础环境通了。⚠️ 注意pip install .会连带装默认 PyTorch。如果要用 GPU 转录而默认版本与驱动不匹配先手动装对应 GPU 版 PyTorch 再装 AutoCut中途出现依赖冲突用pip check定位并升级冲突包。生产部署CPU 与 GPU 镜像构建、一键部署脚本跑通之后生产环境建议跑在 Docker容器技术把代码与依赖打包成隔离的运行时镜像里。仓库给了两个 DockerfileDockerfile 是 CPU 版基于python:3.9-slim装 CPU 版 PyTorch构建快、占空间小Dockerfile.cuda 是 GPU 版基于 CUDA 11.6 的 PyTorch 官方镜像构建更久但转录快得多。CPU 版的手动路径是两条命令docker build -t autocut .构建镜像然后docker run -it --rm -v /path/to/videos:/autocut/video autocut /bin/bash起容器。其中-v把主机视频目录映射进容器的/autocut/videoGPU 版把镜像名换成 autocut-gpu、加--gpus all参数即可。手动构建跑一次容易忘参数所以把环境检查 → 拉代码 → 构建镜像 → 停旧容器 → 起新容器五步固化成脚本这段脚本做什么一键完成从检查到上线的完整部署任何一步失败立即退出不会留下半新半旧的容器。#!/bin/bash set -e # 1. 环境检查缺依赖立即失败别拖到构建阶段 for cmd in git docker; do command -v $cmd /dev/null || { echo missing: $cmd; exit 1; } done # 2. 拉最新代码 git pull origin main # 3. 构建镜像 docker build -t autocut:latest . # 4. 停掉并移除旧容器如有 OLD$(docker ps -aq --filter nameautocut) [ -n $OLD ] docker stop $OLD docker rm $OLD # 5. 起新容器 docker run -d --name autocut -v $(pwd)/videos:/autocut/video autocut:latest echo deploy done之后部署就是./deploy.sh一条命令。这五步同时也是下一节回滚的路径——同样的五步反着做。⚠️ 注意普通用户执行 docker 报权限错误时执行sudo usermod -aG docker $USER后注销重登即可。5 分钟回滚Git commit 与 Docker 镜像两条路径回滚的前提是先知道滚到哪。动手前做两件事确认目标版本还在确认视频目录映射没变。Git 路径适合代码级回滚git log --oneline找到上一个稳定 commitGit 提交即代码的每次快照执行git reset --hard commit-hash切回去再重新pip install .本地环境或重建镜像Docker 环境。reset --hard会丢弃未提交的修改有在途改动就先 stash 或提交。Docker 镜像路径更快旧镜像还在本地时直接换标签。docker images | grep autocut查可用版本然后docker stop autocut docker rm autocut再用旧标签起容器docker run -d --name autocut -v /path/to/videos:/autocut/video autocut:old-tag。回滚后的确认动作不能省拿一段短视频跑autocut -t确认转录与 ffmpeg 导出都正常再看一眼容器日志。如果目标版本镜像已被清掉就回到 Git 路径从旧 commit 重建。⚠️ 注意GPU 版容器起不来时先查宿主机nvidia-smi驱动报错与镜像无关回滚也解决不了。下一步两个能直接落地的方向一是接 CI/CD——仓库已有 GitHub Actions 测试让测试通过后自动构建镜像、以 commit 哈希打标签推送到镜像仓库Docker 回滚就只剩换标签一件事二是在 deploy 脚本末尾加一步autocut -t短视频验证让部署脚本顺带完成回滚后的确认动作。两处改动都不到 10 行值得在下一次发版前试一遍。【免费下载链接】autocut用文本编辑器剪视频项目地址: https://gitcode.com/GitHub_Trending/au/autocut创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 AutoCut 一键部署与版本回滚：从克隆到上线的 4 条命令
AutoCut 一键部署与版本回滚从克隆到上线的 4 条命令【免费下载链接】autocut用文本编辑器剪视频项目地址: https://gitcode.com/GitHub_Trending/au/autocut周五深夜新版 AutoCut 推到生产机后转录服务跑了 5 分钟就开始报错。此刻不用急着排查原因先要的是把服务切回上一个稳定版本。AutoCut 是个轻量视频剪辑工具用 Whisper 模型给视频生成字幕在 Markdown 文件里勾选要保留的句子它就剪出对应片段。部署这件事对它来说就是一个脚本加一套镜像标签下面把整条链路走一遍。30 秒认识 AutoCut部署之前值得花 30 秒搞清楚它在做什么AutoCut 用改文本替代拖时间轴。视频转成字幕后每句都带时间戳勾选保留的句子它通过 ffmpeg 把对应片段剪出来并导成新视频。核心模块职责transcribe.py调用 Whisper 把视频转录成 .srt 与 .md 字幕cut.py按字幕中标记的句子剪切视频、导出结果daemon.py监听文件夹自动转录并剪切新加入的媒体文件适用场景很明确批量产出录屏、课程视频、会议片段且不想学专业剪辑软件的人。可以把 AutoCut 理解成一条转录 → 标记 → 剪切的流水线部署它就是把这条流水线装到机器上。从空环境到验证4 条命令跑通 AutoCut本地部署是一条完整的操作链每步都有它的理由。装 ffmpeg。AutoCut 靠它读写视频缺了之后报错很绕。Debian/Ubuntu 用sudo apt install ffmpegmacOS 用brew install ffmpeg。克隆仓库git clone https://gitcode.com/GitHub_Trending/au/autocut cd autocut。建虚拟环境并激活python3 -m venv .venv source .venv/bin/activate。venvPython 虚拟环境把依赖隔离开不污染系统 Python而且 AutoCut 本身是个 Python 包代码更新后要重新执行pip install .新代码才生效环境越干净越好定位。安装并验证pip install .装完运行autocut --help。能列出-t转录、-c剪切、-d监听、-s字幕压缩四个入口说明基础环境通了。⚠️ 注意pip install .会连带装默认 PyTorch。如果要用 GPU 转录而默认版本与驱动不匹配先手动装对应 GPU 版 PyTorch 再装 AutoCut中途出现依赖冲突用pip check定位并升级冲突包。生产部署CPU 与 GPU 镜像构建、一键部署脚本跑通之后生产环境建议跑在 Docker容器技术把代码与依赖打包成隔离的运行时镜像里。仓库给了两个 DockerfileDockerfile 是 CPU 版基于python:3.9-slim装 CPU 版 PyTorch构建快、占空间小Dockerfile.cuda 是 GPU 版基于 CUDA 11.6 的 PyTorch 官方镜像构建更久但转录快得多。CPU 版的手动路径是两条命令docker build -t autocut .构建镜像然后docker run -it --rm -v /path/to/videos:/autocut/video autocut /bin/bash起容器。其中-v把主机视频目录映射进容器的/autocut/videoGPU 版把镜像名换成 autocut-gpu、加--gpus all参数即可。手动构建跑一次容易忘参数所以把环境检查 → 拉代码 → 构建镜像 → 停旧容器 → 起新容器五步固化成脚本这段脚本做什么一键完成从检查到上线的完整部署任何一步失败立即退出不会留下半新半旧的容器。#!/bin/bash set -e # 1. 环境检查缺依赖立即失败别拖到构建阶段 for cmd in git docker; do command -v $cmd /dev/null || { echo missing: $cmd; exit 1; } done # 2. 拉最新代码 git pull origin main # 3. 构建镜像 docker build -t autocut:latest . # 4. 停掉并移除旧容器如有 OLD$(docker ps -aq --filter nameautocut) [ -n $OLD ] docker stop $OLD docker rm $OLD # 5. 起新容器 docker run -d --name autocut -v $(pwd)/videos:/autocut/video autocut:latest echo deploy done之后部署就是./deploy.sh一条命令。这五步同时也是下一节回滚的路径——同样的五步反着做。⚠️ 注意普通用户执行 docker 报权限错误时执行sudo usermod -aG docker $USER后注销重登即可。5 分钟回滚Git commit 与 Docker 镜像两条路径回滚的前提是先知道滚到哪。动手前做两件事确认目标版本还在确认视频目录映射没变。Git 路径适合代码级回滚git log --oneline找到上一个稳定 commitGit 提交即代码的每次快照执行git reset --hard commit-hash切回去再重新pip install .本地环境或重建镜像Docker 环境。reset --hard会丢弃未提交的修改有在途改动就先 stash 或提交。Docker 镜像路径更快旧镜像还在本地时直接换标签。docker images | grep autocut查可用版本然后docker stop autocut docker rm autocut再用旧标签起容器docker run -d --name autocut -v /path/to/videos:/autocut/video autocut:old-tag。回滚后的确认动作不能省拿一段短视频跑autocut -t确认转录与 ffmpeg 导出都正常再看一眼容器日志。如果目标版本镜像已被清掉就回到 Git 路径从旧 commit 重建。⚠️ 注意GPU 版容器起不来时先查宿主机nvidia-smi驱动报错与镜像无关回滚也解决不了。下一步两个能直接落地的方向一是接 CI/CD——仓库已有 GitHub Actions 测试让测试通过后自动构建镜像、以 commit 哈希打标签推送到镜像仓库Docker 回滚就只剩换标签一件事二是在 deploy 脚本末尾加一步autocut -t短视频验证让部署脚本顺带完成回滚后的确认动作。两处改动都不到 10 行值得在下一次发版前试一遍。【免费下载链接】autocut用文本编辑器剪视频项目地址: https://gitcode.com/GitHub_Trending/au/autocut创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考