AutoCut 容器化部署与回滚：三步落地

AutoCut 容器化部署与回滚三步落地【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刚录完一小时的回放丢进监控目录AutoCut 自动转出字幕在 Markdown 里勾掉废话成品视频就切出来了。这套流程的部署可以做得很稳本机 pip 装一份跑通流程容器化镜像承载日常批处理版本用镜像 tag 固化出问题按 tag 回滚。能力速写编辑 Markdown 即完成剪辑AutoCut 把剪视频变成改文本Whisper 转语音为带时间轴的字幕你在 Markdown 里勾选保留的句子ffmpeg 按标记切出片段。核心模块transcribe.py — 调 Whisper 生成 .srt 与 .mdcut.py — 按标记剪切、合并cut.pydaemon.py — 监听文件夹自动转录并剪切main.py — 命令行入口-t 转录 / -c 剪切 / -d 监听按场景选部署方案部署方案取决于「谁在用、机器长什么样」个人图快、团队图一致、生产图吞吐环境差异直接决定走哪条路。场景推荐方案取舍理由个人开发 / 尝鲜venv pip install .10 分钟跑通代价是每台机器自己解决 torch 版本GPU 要手动对齐 PyTorch小团队协作CPU 容器镜像Dockerfile成员免装 torch 与 ffmpeg环境完全一致CPU 转录偏慢日常用 small 模型够用生产 / 大批量GPU 容器镜像Dockerfile.cuda大模型吞吐高一个量级前提是 Nvidia 卡 驱动 nvidia-docker 全就位三种方案的公共依赖只有 Python 3.9 与 ffmpeg容器镜像内已装好 torch 与 ffmpeg主机无需再装。判断标准很简单装环境超过 10 分钟的事就值得丢进镜像。 容器化部署实操从构建到挂载以下按容器路径走 3 步GPU 与 pip 分支在最后给条件说明。第 1 步 克隆仓库锁定版本锚点目的回退前得先知道上一版是哪个 commit。git clone https://gitcode.com/GitHub_Trending/au/autocut cd autocut git log -1 --format%h验证记下输出例如0046fc7后面与镜像 tag 一一对应。第 2 步 构建镜像用版本号做 tag目的只打 latest 的镜像无法回滚tag 是回退的抓手。docker build -t autocut:1.0.2 . # 1.0.2 对应仓库 __version__发版时手动递增 docker images | grep autocut验证镜像列表出现autocut 1.0.2记录即构建成功。第 3 步 运行容器挂载视频目录目的源片与产物同目录剪完即得不用来回拷贝。docker run -it --rm -v /path/to/videos:/autocut/video autocut:1.0.2 /bin/bash这里用--rm是因为容器退出即清理不积攒僵尸容器-v左边换成你存放视频的路径。验证容器内跑autocut -t demo.mp4视频目录出现demo.srt与demo.md。日常批处理不必手动跑命令容器内改用autocut -d /autocut/video它会持续监听目录新视频落盘自动转录md 标记完成后自动剪切一条命令可以跑一整天。有 Nvidia 卡换 GPU 镜像目的medium/large 模型只在 GPU 上跑才划算其余场景保持 CPU 镜像即可。docker build -f Dockerfile.cuda -t autocut-gpu:1.0.2 . docker run --gpus all -it --rm -v /path/to/videos:/autocut/video autocut-gpu:1.0.2验证容器内python -c import torch; print(torch.cuda.is_available())输出 True。没有 Dockerpip 路径目的个人机器快速尝鲜流程与容器完全一致。python3 -m venv autocut-venv source autocut-venv/bin/activate pip install . # 系统需先装 ffmpeg验证autocut -t demo.mp4生成 srt/md 即通。⏪ Docker 镜像回退操作触发条件升级基础镜像或 torch 后容器起不来、转录报 CUDA 库缺失、旧视频回归测试失败命中任意一条就走回退别在现场修。回退操作docker stop autocut docker rm autocut docker run -d --name autocut -v /path/to/videos:/autocut/video autocut:1.0.1本地至少保留两代镜像1.0.2 与 1.0.1这是回退的前提。回退后验证容器内重跑一条短视频转录确认 srt/md 正常生成、中文不乱码再放新视频进去。红线警告git reset --hard加push -f推到共享 main 分支会让他人提交永久丢失回退只换镜像不动远端分支历史。何时不该回退乱码若是编码不一致导致转录用 gbk 生成、编辑器按 utf-8 打开回退版本解决不了问题先用--encoding把两端统一再验证。 排障速查autocut: command not found→ 构建时pip install .步骤未成功 →docker build --no-cache -t autocut:1.0.2 .重跑 → 若仍未解决看构建日志最后 20 行定位失败步骤10 分钟视频转录超过 30 分钟 → Whisper 落在 CPU 上跑 → 换 GPU 镜像加--gpus all或--whisper-model small→ 若仍未解决宿主机nvidia-smi检查驱动是否可用字幕输出乱码 → 生成与剪辑时编码不一致 → 转录与-c剪切统一加--encodinggbk→ 若仍未解决用file命令确认 md 文件的实际编码转录崩溃、日志出现 CUDA out of memory → 模型超出显存 →--whisper-model small或--device cpu降级 → 若仍未解决nvidia-smi查看当前显存占用部署跑通之后两个进阶方向CI/CD 接入流水线监听 tag自动构建镜像并推入 registry部署失败自动切回上一 tag人只在告警时介入版本切换从此不需要人肉记 tag。健康检查autocut -d常驻监听见 daemon.py适合注册为系统服务用「新视频入目录后是否按时出现 md」做存活探测超阈值即告警。版本锚点与健康信号都在位这套部署就可以放心交给日常批处理去跑了。【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