自动化管线

搭了一条 AI 短视频流水线发完 8 条后:流程根本不是瓶颈

连续用自建流水线做出并发布 8 条图书竖屏短视频之后,我最大的收获不是攒下一套自动化脚本,而是验证了一件反直觉的事实:到了今天,把视频做出来这件事,人已经基本不用动手了;但管线跑得再漂亮,也救不了一个没人关心的选题。


“动嘴口述 → 40 分钟成片”是怎么跑起来的

在这条本地流水线里,文案排版、分镜配图、语音合成、字幕对齐和最终渲染全部由脚本串联完成。我唯独需要亲手干的只有开头一步:把我想讲的一个真实生活场景和解决办法,对着 AI 口述清楚。

举个具体例子:想聊“孩子总是三分钟热度换兴趣班,家长该不该拦”,我不需要打开时间轴剪辑软件,也不用自己录音,只需把家里的真实经历和核心观点讲出来:

  1. AI 先把口述拆成 30 秒竖屏视频的结构化分镜(script.json),明确每一拍不超过 18 字的旁白和对应画面描述;
  2. 我扫一眼生成的 HTML 分镜预览页,确认逻辑顺畅后下达指令;
  3. 脚本自动调用图像接口按固定角色参考图生成一致插画、调用 MiniMax 语音接口合成自然配音并提取精确音频时长、最后交由 Remotion 按每拍语音真实长度加首尾缓冲渲染出 1080×1920 的 MP4 成片。

全程不碰剪辑软件,单条接口成本仅一两元人民币。


为什么说技术管线反而是最容易的一环

在动手搭之前,很容易产生一种错觉:只要我把自动化管线打磨得足够丝滑,内容产出和转化就稳了。

但真把 8 条片子发出去接受公域流量检验后,结论极其残酷且清晰:工程管线半天就能让 AI 编程工具帮你搭完,它只决定了你的下限和制作成本;而选哪本书、切哪个具体人群的痛点、前三秒能不能让人停下来,才是唯一决定成败的变量。

因此,自动化工具做到“够用、稳定、不乱扣费”就应当立刻封版停止折腾,把省下来的全部注意力留给需求与选题本身。


附:可直接复用的本地短视频管线构建提示词

如果你也想在本地搭一套可控的低成本出片工具,可以把下面这段架构要求直接交给 Claude Code 或 Codex 执行:

帮我搭建一条本地短视频生产流水线,技术栈 Node 20 + TypeScript + Remotion。要求:

1. 单一事实源:以 script.json 作为唯一中间格式,包含标题、核心观点及 beats 数组;
   每个 beat 含旁白(≤18 字)、画面提示词、是否复用上一拍图片。上游只写它,下游只读它。
2. 图像生成脚本:读取 script.json,结合固定角色参考图调用生图接口,保持跨拍人物画风一致;
   支持断点续跑,已存在的图片自动跳过不重复计费。
3. 配音与时长校准:逐拍调用 TTS 接口生成音频,解码读取真实毫秒级时长写入 durations.json。
4. Remotion 合成:竖屏 1080×1920,每拍停留帧数严格等于该拍真实音频时长加首尾 0.4 秒缓冲,
   禁止写死固定秒数;底部单行同步渲染当前拍旁白字幕。
5. 三道人工门禁(从零成本到付费):
   ① 调任何付费 API 前先将 script.json 渲染为本地 HTML 分镜供人工确认;
   ② 图音生成后支持本地预览检查;
   ③ 导出最终 MP4 后由人工审片上传,不自动公开发布。

搭完你就会体会到:当制作成本趋近于零时,创作者真正的功课才刚刚开始。