不少人以为"自动抓取高光时刻"就是找音量突然变大的地方——主播喊了一嗓子，那肯定是高潮。
这个理解基本是错的。我见过太多直播，最值钱的片段反而是主播安安静静做演示的那几十秒。
所以这篇把切片逻辑拆开讲讲，你看完就知道机器到底在干什么、哪些环节它靠得住、哪些必须你来。
一、切片逻辑的四层结构
WorkBuddy 处理一场直播，实际是四层：
第一层：语音转文字。
把整场音频转成带时间轴的文字稿。这是后面所有判断的地基——没有文字稿，机器对内容的理解只能停留在波形层面。
第二层：找语义边界。
在文字稿上找"一句话说完了"的位置。不是按固定时长硬切，是按语义断句。所以你会看到有的片段 35 秒，有的 58 秒——这是内容本身决定的，不是随手切的。
第三层：给候选段打分。
每个候选段会被打一个综合分，判断它值不值得留。
第四层：输出候选。
按分数排序输出，你在这个池子里做选择题。
二、哪些信号真的有用
打分这一步用到了好几类信号，我先说靠谱的：
信号一：信息密度。
这段里出现了多少个具体信息点——数字、材质、尺寸、使用场景、对比。密度高的段落通常更有价值，因为观众看完能记住点什么。
信号二：问答结构。
主播回答观众提问的段落，转化价值通常很高。因为提问本身就代表了真实的购买障碍，回答它等于消除障碍。这类片段在电商直播里的表现一直很稳。
信号三：重复强调。
同一件事被讲两遍以上，基本可以确认是主推卖点。直播里的重复不是啰嗦，是节奏设计——观众是流动的，主播必须反复讲。
信号四：演示动作。
讲到"我扯给你看""我直接倒水测试"这类地方，通常伴随实际演示。演示段落的说服力远超口头描述。
三、哪些信号靠不住
音量峰值是最靠不住的。 主播喊"三二一上链接"确实音量高，但这类片段的信息价值很低——它只对当时在场的人有意义，切片发出去，新观众不知道你在倒数什么。
单纯的情绪激烈也不够。 情绪高但没有信息量的段落，发出去就是一段热闹，留不下东西。
时长也不是判断依据。 有些最有价值的片段只有二十几秒。
所以我的建议是：把机器给的分数当作排序参考，不要当作筛选标准。 排序能帮你看得快，但最终留不留，得你自己判断。
四、机器判断不了的部分
有三件事，机器目前做不了，也别指望它做：
第一，这段的内容是否和你要挂的商品对得上。 机器不知道你这场要主推什么品，它只能按通用标准打分。你得自己把"讲 A 产品的段落"挑出来。
第二，前 3 秒的钩子够不够狠。 机器能找出信息密度高的段落，但"从哪一帧开始切进去最有冲击力"这件事，还得人来判断。同一个段落，从演示动作开始切和从铺垫开始切，数据能差一倍。
第三，这段在你的账号内容里重不重复。 如果你上周已经发过类似的，这周再发就是自我重复。机器没有你的发布历史。
五、参数怎么调
几个我实际在用的设置：
片段长度：35 到 60 秒，硬上限 90 秒。 超过 90 秒在 2026 年基本没戏，完播率权重太重。
候选池大小：一场两小时出 80 到 100 条。 多了挑不过来，少了选择空间不够。
可用率预期：三到五成。 一百条候选里真正值得发的在三十到五十条之间。低于三成说明这场直播内容密度不够，高于五成说明你的标准松了。
这三个数跑两三场就能校准到你自己的情况。
FAQ
Q：机器打高分的一定数据好吗？ 不一定。机器分高说明信息密度高，但能不能爆取决于钩子。我见过机器分低的段落后手工改了前 3 秒，跑成了爆款。
Q：能不能只发机器选出来的前 10 条？ 不建议。机器的排序是针对"通用内容价值"的，不是针对你的账号定位和主推品的。还是得自己过一遍。
Q：不同品类的切片逻辑要调吗？ 要。服饰类演示段落价值高，3C 类参数对比段落价值高，食品类试吃反应价值高。跑几场之后你会知道自己品类里哪类信号最准。
Q：一场直播跑两次结果会一样吗？ 会。切片是确定性的，不像生成式 AI 有随机性。这点其实挺重要——你要改参数重跑，结果是可复现的。
Q：切片逻辑会不会误判割裂语义？ 偶尔会，尤其是主播话说到一半被弹幕打断的情况。所以导出前扫一眼首尾帧，发现切在句子中间就手动调一下边界。