画面、听懂、导出，各管一段

有人把一条视频的技术栈拆开了：画面用 TypeScript＋three.js＋bun/Vite；分轨和对齐用 Python——Demucs 拆音轨、Whisper 转文字、CTC 做对齐；最后 ffmpeg＋无头 Chrome 离线导出。 三层各管一段，一台机器跑完整条链。他感叹："这视频你让我剪，我一点都剪不出来。" 三层拆：一，结构先认出来再谈工具：渲染、听懂、导出三段——跟上次拆的自动剪辑五步同构，先把管线想清楚，工具只是每段的替换件。 二，AI 在哪一目了然：Whisper 和 Demucs 站在"理解层"（听懂音频、对上时间轴），画面和导出反而用的是老手艺——AI 先接管了最难标准化的那段。 三，无头 Chrome 当渲染器是工程妙招：浏览器不只用来跑网页，还能当离线出片的打印间。 口径三条：①技术栈是他的逆向分析——未逐项验证，以原视频为准；②视频本体我没看——拆的是文字描述；③各组件能力以各自 repo 为准。 给要做同类的三条：一，先画三段：画面、音频、导出——每段只选一个工具，别堆；二，音频链先跑通一小段再上全片；三，导出交给脚本，人只负责看片。 世界爆炸式的感叹听完就完——先把三段管线在自己机器上串起来，那才是你的。