Kann Descript weg?

Bau mir ein Kommandozeilen-Tool für textbasierten Audio- und Videoschnitt.
Arbeitsablauf:
1. "cut transcribe aufnahme.mp4": transkribiert lokal mit whisper.cpp
   (Modellpfad in .env) und erzeugt zwei Dateien: transcript.txt (reiner
   Text, ein Satz pro Zeile) und words.json (jedes Wort mit Start- und
   Endzeit).
2. Ich lösche im transcript.txt die Zeilen oder Passagen, die rausfliegen
   sollen, und speichere die Datei.
3. "cut apply aufnahme.mp4 transcript.txt": vergleicht den bearbeiteten
   Text mit words.json, ermittelt die zu behaltenden Zeitbereiche und
   schneidet mit ffmpeg ein neues Video oder Audio zusammen; harte
   Schnitte mit 50 ms Crossfade im Ton, damit es nicht knackt.
4. "cut clean aufnahme.mp4 --fuellwoerter --pausen 1.5": automatischer
   Modus, der Füllwörter (ähm, äh, quasi, sozusagen; Liste erweiterbar
   in ~/.cut/fuellwoerter.txt) und Pausen über 1,5 Sekunden entfernt,
   ohne dass ich das Transkript anfassen muss. Vorher eine Übersicht
   ausgeben (Anzahl Schnitte, gesparte Zeit) und bestätigen lassen.
Stack: Python, ffmpeg per subprocess, alles lokal und offline, keine
Accounts. Originaldateien nie überschreiben.
Schreib eine README mit dem Drei-Schritte-Workflow und Grenzen des
Ansatzes (Schnitte mitten im Satz klingen hart).