AutoCut 部署指南3 条命令跑起来1 条命令回滚【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上周有同事升级了视频转录服务的版本重启后容器起不来翻找旧镜像回滚花了近 40 分钟才把视频救回来。这类工具最怕的就是部署链路长、回滚没有抓手。这篇文章按最短路径走一遍 AutoCut 部署从首次环境搭建到多方式部署的选择再到更新与版本回滚的具体命令。先跑起来最短路径部署结论首次跑通走本地源码安装。Docker 环境更稳定但构建慢本地安装 3 分钟就能拿到命令正反馈最快。前置条件是 Python 3.9 以上setup.cfg 中有声明和已安装 ffmpeg。下面 3 步完成克隆、安装与验证# 克隆源码并进入项目目录 git clone https://gitcode.com/GitHub_Trending/au/autocut cd autocut # 安装 AutoCut自动拉取 whisper 与 PyTorch 依赖 pip install . # 验证命令可用 autocut --help确认功能正常转录一个测试视频# 对单个视频生成 .srt 与 .md 字幕 autocut -t test001.mp4后续流程就是在生成的 .md 里删掉不要的句子再用 autocut -c 剪出成片全程不碰时间轴和剪辑软件。环境与依赖结论先装 ffmpeg再建虚拟环境。ffmpeg 是转录和剪辑的底层编解码都经 cut.py 调用虚拟环境则避免 PyTorch 这类重量级依赖污染系统 Python。系统ffmpeg 安装Python 版本虚拟环境建议Ubuntu / Debiansudo apt update sudo apt install -y ffmpeg3.9python3 -m venv .venvCentOSsudo yum install -y ffmpeg缺包先加源3.9python3 -m venv .venvmacOSbrew install ffmpeg python3.9python3 -m venv .venv激活环境后统一用可编辑模式安装# 激活虚拟环境 source .venv/bin/activate # 可编辑模式安装改代码后重装即可生效 pip install -e .两个提醒PyTorch 默认装 CPU 版需要 GPU 加速就先装对应 CUDA 版本的 PyTorch 再装 AutoCut代码更新后需重新执行 pip install -e .否则 CLI 入口还是旧代码。三种部署方式怎么选结论生产环境建议用 Docker开发调试用本地。原因是环境一致性仓库里的 CPU 版镜像已预装 ffmpeg 和 CPU 版 PyTorch机器之间没有差异。方式适用场景核心命令注意点本地安装开发、少量一次性任务pip install .受宿主机环境影响速度取决于 CPUDocker CPU 版稳定运行、多机复用docker build -t autocut .首次构建拉取 CPU 版 torch耗时数分钟Docker GPU 版长视频、medium/large 模型docker build -f Dockerfile.cuda -t autocut-gpu .需 Nvidia 驱动与 nvidia-container-toolkit这就是常说的 AutoCut Docker 部署实际就是构建加运行两条命令# 构建 CPU 版镜像 docker build -t autocut . # 挂载宿主机视频目录到容器内 /autocut/video docker run -d --name autocut -v /path/to/videos:/autocut/video autocutGPU 版运行命令相同只是追加 --gpus all 参数镜像改用 autocut-gpu。仓库中的 Dockerfile 与 Dockerfile.cuda 分别对应两个版本GPU 基础镜像为 pytorch 1.13 加 CUDA 11.6。自动化更新与版本回滚结论更新流程收敛成一个脚本回滚分 Git 和镜像两条线。脚本做的事可以归纳为 4 点环境检查git、docker 任一缺失就立即退出拉代码git pull origin main 更新到最新提交换镜像构建时打日期标签保留旧镜像的回滚空间启容器停掉并移除旧容器用新标签启动。关键片段# 新镜像同时打日期标签与 latest旧标签不被覆盖 docker build -t autocut:$(date %Y%m%d) -t autocut:latest . # 停旧容器起新容器 docker stop autocut docker rm autocut docker run -d --name autocut -v /path/to/videos:/autocut/video autocut:latestAutoCut 版本回滚的两条核心命令# Git 回滚重置到最后一次可用提交会丢弃本地未提交改动 git reset --hard 提交哈希 # 镜像回滚直接启动旧的日期标签镜像 docker run -d --name autocut -v /path/to/videos:/autocut/video autocut:20260801风险各有一个reset --hard 不可逆回滚后要先拉代码验证再合入镜像回滚前先确认容器内版本防止 latest 标签被误覆盖导致下次更新又回到坏版本。故障速查表现象原因处理pip install 报依赖冲突本地 torch 或 whisper 版本不匹配用 pip check 定位干净 venv 中重装docker run 提示 permission denied当前用户不在 docker 组sudo usermod -aG docker $USER重新登录--gpus all 报找不到 GPU驱动或 nvidia-container-toolkit 缺失宿主机 nvidia-smi 验证补装 toolkit字幕乱码、剪辑报编码错误转录与剪辑两步编码不一致两步统一 --encoding例如都用 gbk排查顺序建议GPU 不可用先查驱动再查镜像编码类问题先确认编辑器的文件编码再看命令行参数。先给镜像打上日期标签再部署这是回滚时唯一的保险。脚本稳定后把构建与验证挪进 CI更新就只是一次点击。【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 部署指南：3 条命令跑起来，1 条命令回滚
AutoCut 部署指南3 条命令跑起来1 条命令回滚【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上周有同事升级了视频转录服务的版本重启后容器起不来翻找旧镜像回滚花了近 40 分钟才把视频救回来。这类工具最怕的就是部署链路长、回滚没有抓手。这篇文章按最短路径走一遍 AutoCut 部署从首次环境搭建到多方式部署的选择再到更新与版本回滚的具体命令。先跑起来最短路径部署结论首次跑通走本地源码安装。Docker 环境更稳定但构建慢本地安装 3 分钟就能拿到命令正反馈最快。前置条件是 Python 3.9 以上setup.cfg 中有声明和已安装 ffmpeg。下面 3 步完成克隆、安装与验证# 克隆源码并进入项目目录 git clone https://gitcode.com/GitHub_Trending/au/autocut cd autocut # 安装 AutoCut自动拉取 whisper 与 PyTorch 依赖 pip install . # 验证命令可用 autocut --help确认功能正常转录一个测试视频# 对单个视频生成 .srt 与 .md 字幕 autocut -t test001.mp4后续流程就是在生成的 .md 里删掉不要的句子再用 autocut -c 剪出成片全程不碰时间轴和剪辑软件。环境与依赖结论先装 ffmpeg再建虚拟环境。ffmpeg 是转录和剪辑的底层编解码都经 cut.py 调用虚拟环境则避免 PyTorch 这类重量级依赖污染系统 Python。系统ffmpeg 安装Python 版本虚拟环境建议Ubuntu / Debiansudo apt update sudo apt install -y ffmpeg3.9python3 -m venv .venvCentOSsudo yum install -y ffmpeg缺包先加源3.9python3 -m venv .venvmacOSbrew install ffmpeg python3.9python3 -m venv .venv激活环境后统一用可编辑模式安装# 激活虚拟环境 source .venv/bin/activate # 可编辑模式安装改代码后重装即可生效 pip install -e .两个提醒PyTorch 默认装 CPU 版需要 GPU 加速就先装对应 CUDA 版本的 PyTorch 再装 AutoCut代码更新后需重新执行 pip install -e .否则 CLI 入口还是旧代码。三种部署方式怎么选结论生产环境建议用 Docker开发调试用本地。原因是环境一致性仓库里的 CPU 版镜像已预装 ffmpeg 和 CPU 版 PyTorch机器之间没有差异。方式适用场景核心命令注意点本地安装开发、少量一次性任务pip install .受宿主机环境影响速度取决于 CPUDocker CPU 版稳定运行、多机复用docker build -t autocut .首次构建拉取 CPU 版 torch耗时数分钟Docker GPU 版长视频、medium/large 模型docker build -f Dockerfile.cuda -t autocut-gpu .需 Nvidia 驱动与 nvidia-container-toolkit这就是常说的 AutoCut Docker 部署实际就是构建加运行两条命令# 构建 CPU 版镜像 docker build -t autocut . # 挂载宿主机视频目录到容器内 /autocut/video docker run -d --name autocut -v /path/to/videos:/autocut/video autocutGPU 版运行命令相同只是追加 --gpus all 参数镜像改用 autocut-gpu。仓库中的 Dockerfile 与 Dockerfile.cuda 分别对应两个版本GPU 基础镜像为 pytorch 1.13 加 CUDA 11.6。自动化更新与版本回滚结论更新流程收敛成一个脚本回滚分 Git 和镜像两条线。脚本做的事可以归纳为 4 点环境检查git、docker 任一缺失就立即退出拉代码git pull origin main 更新到最新提交换镜像构建时打日期标签保留旧镜像的回滚空间启容器停掉并移除旧容器用新标签启动。关键片段# 新镜像同时打日期标签与 latest旧标签不被覆盖 docker build -t autocut:$(date %Y%m%d) -t autocut:latest . # 停旧容器起新容器 docker stop autocut docker rm autocut docker run -d --name autocut -v /path/to/videos:/autocut/video autocut:latestAutoCut 版本回滚的两条核心命令# Git 回滚重置到最后一次可用提交会丢弃本地未提交改动 git reset --hard 提交哈希 # 镜像回滚直接启动旧的日期标签镜像 docker run -d --name autocut -v /path/to/videos:/autocut/video autocut:20260801风险各有一个reset --hard 不可逆回滚后要先拉代码验证再合入镜像回滚前先确认容器内版本防止 latest 标签被误覆盖导致下次更新又回到坏版本。故障速查表现象原因处理pip install 报依赖冲突本地 torch 或 whisper 版本不匹配用 pip check 定位干净 venv 中重装docker run 提示 permission denied当前用户不在 docker 组sudo usermod -aG docker $USER重新登录--gpus all 报找不到 GPU驱动或 nvidia-container-toolkit 缺失宿主机 nvidia-smi 验证补装 toolkit字幕乱码、剪辑报编码错误转录与剪辑两步编码不一致两步统一 --encoding例如都用 gbk排查顺序建议GPU 不可用先查驱动再查镜像编码类问题先确认编辑器的文件编码再看命令行参数。先给镜像打上日期标签再部署这是回滚时唯一的保险。脚本稳定后把构建与验证挪进 CI更新就只是一次点击。【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
