一句话总结:写稿、配音、做动画、渲染、导出发布包——这一整套以前要折腾两天的活,现在是一条命令。而且它强制输出动画视频,不是把图片拼一拼。

大家好,我是程序员晚枫。

短视频这事,我算是踩得比较狠的。

做一条 60 秒的知识类短视频,你要处理的东西有:写稿、拆段、配音、做动画、渲染、导出、配封面、写文案。七件事,任何一件没对齐,最后那条片子就是废的。

我做过最痛的一次:稿子写好了,配音也合成好了,动画渲染完一看——前三秒是黑的。

原因很蠢:动画的第一帧用了「从透明渐入」,而渲染工具从第一帧就开始录,于是开头就是一片黑,配音已经在说话了。画面和声音对不上,整个片子废了,重做。

那次之后我明白了一件事:做视频最贵的不是生成,是返工。

所以我把这套流程整个写成了一个 Skill:knowledge-short-video(知识短视频)。

SkillHub 发布页:知识短视频:https://skillhub.cn/skills/user_bf8c5b73/wanfeng-knowledge-short-video

一、它适合做哪类视频

先划清楚范围,这很重要:

适合不适合
60–90 秒长讲解视频
9:16 竖版横版
单人口播讲解型真人出镜
无人出镜、以排版为主纯图片拼接(它强制输出动画视频)
中文 TTS 配音—

主题不限:AI 工具、美食、职场、育儿、历史、健身、财经、心理……只要是「C 端知识科普」,都行。

二、先说三个工程决定,比功能更重要

功能谁都能写,这三个决定才是这套流程能复用的原因。

决定一:模板和口播稿解耦

一个任务 = 一份视觉模板 + 一份口播稿 → 多个配音变体

意思就是:稿子和视觉模板分开存。 要换 TTS 引擎、换声音、换语速,走「变体」流程,模板一个字都不用改。

我一条稿子经常要出 2–3 版:标准版、快节奏版、换个声音版。以前每一版都要重做一遍动画,现在只需要跑一条命令。

决定二:时间由实测配音时长驱动

不是拍脑袋估算。

流程是:先把稿子合成配音 → 量出每一段实际有多长 → 把这些真实时间反向注入到动画模板里 → 渲染。

所以画面是跟着声音走的,卡点是准的。

决定三:一条命令产出变体

1
./tools/run-variant.sh <任务> <变体>

这一条命令串起了:TTS → 拼接 → 注入时间 → QA → 渲染 → 抽帧。

任一步失败即停,并保留中间物。 这一点很重要——半路失败时你能看到它停在哪一步、当时的中间文件是什么,而不是对着一个空白报错发呆。

三、开工前只问你 4 个问题

它有个 Step 0,一次性把 4 个开关问完,问完就干活,不来回追问:

#开关默认值你要改成别的时
①封面风格A · swiss-grid4 选 1:swiss-grid / warm-grain / nyt-graph / embedded-captions
②放不放 IP 信息(头像、slogan)不放放的话你自己提供 IP 名和 slogan
③结尾要不要引导关注不引导要的话你给话术
④用什么配音系统默认 TTS你也可以给 4 参数 / API 文档链接 / 客户端代码路径

你沉默就全走默认,但必须问过。

那两个默认「不放」是有道理的:商业感越弱,平台越推荐。 我自己号的封面到现在都没放 Logo。

四、7 步流程

1
2
3
4
5
6
7
8
Step 0  4 开关一次性确认
Step 1 写口播稿(≥20 句)+ 拆段 + 你确认
Step 2 落地视觉规范
Step 3 生成 3:4 封面
Step 4 写动画 composition(GSAP fromTo)
Step 5 TTS 合成配音 + 生成时间轴
Step 6 注入时间 + 渲染成片
Step 7 拼发布包(视频 + 封面 + 文案)

顺序不可乱。 特别是 Step 1 和 Step 5——文本没确认就合成配音,等于 100% 返工。

Step 1 写稿:≥20 句是硬下限

少于 20 句就意味着内容没展开。视频的节奏也需要句子撑着,20 句是最低配。

另外两条要求:

  • 第一句话必须把人留住。 前 3 秒留不住人,后面写得再好也没用——他已经划走了。
  • 要绑具体的东西。 「AI 工具很好用」❌ → 「Cursor 进了我日常写作流,每周省 10 小时」✅。做美食就写「做了 20 次才稳定」;做职场就写「5 年 HR 看过的 1000 份简历」。

稿子还要拆成 segments.txt(段号|类型|文本),一段一行,这个段数和动画模板里的占位符数量必须严格一致。

Step 4:必须是动画,不是图片拼接

这是它和一堆「一键生成视频」工具最不一样的地方。

它用 GSAP 的 fromTo 驱动元素动效——文字飞进来、卡片弹开、数字滚动。

明确规定:不允许用 ffmpeg 把静态图 concat 起来。 图片拼接出来的东西,平台一眼就能看出来是糊弄的。

五、5 条硬错误,工具会直接拦住你

这 5 条不是警告,是lint / resync / render 工具会自动检测并中止的硬错误:

#硬错误为什么致命
H1段数与模板占位符对不上对不上直接拒绝渲染
H2残留 __XXX__ 占位符画面上出现 __S03__ 这种鬼东西
H3配音片段时间重叠全黑视频的根因(就是我踩过的那次)
H4动画元素缺 data-track-index时间轴对不上
H5背景音乐音量 > 0.25旁白被 BGM 盖住

任何一条为真 → 修完再继续,不会产出一个残缺的视频。

这 5 条全是从真实踩坑里长出来的。H3 就是开头黑屏那次的病根。

六、还有一条「最容易踩」的约定

所有音频文件必须在同一个目录。

scene_NN.wav(每段单独配音)、narration.wav(拼接后的完整配音)、timeline.json(实测时长)——三者必须在同一个目录里。

TTS 写进去、拼接读同一个目录、注入时间也读它。

把它们拆到不同目录,是历史返工的根因。 我见过太多「文件明明在,为什么读不到」的怪事,根因都是这个。

七、目录长什么样

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
20260629_203000_什么是Token/
├── task-config.json ← Step 0 的 4 个开关
├── 01-Script/
│ ├── script.md ← 完整口播稿
│ ├── segments.txt ← 拆好的段(≥20 段)
│ └── reverse-check.md ← 段↔句 映射
├── 02-VisualSpec/
│ └── visual-spec.md ← 视觉规范
├── 03-Cover/
│ └── cover.png
├── 04-Composition/
│ └── composition.html ← GSAP 动画模板
├── 05-Audio/
│ ├── segments/ ← 每段独立 wav(中间产物,验证后删)
│ ├── narration.wav ← 完整配音
│ └── timeline.json ← 实测时长 + 映射
├── 06-Render/
│ └── video_full.mp4 ← 成片
└── 07-Publish/
├── video_full.mp4
├── cover.png
└── publish.md ← 标题 + 简介 + hashtag

任务目录必须带时间戳:YYYYMMDD_HHMMSS_<任务名>。为什么?因为你一定会连续做多个任务。 用 Process/ 这种名字,第二个任务就把第一个覆盖了。

每做完一步,立刻清理中间产物

阶段删掉什么
Step 1早期草稿(script-v0.md、script-v1.md)
Step 3验证用的 cover-v1.png
Step 4预览截图
Step 5每段独立 wav(留 narration.wav 就够)
Step 6几千张原始帧

保留:成品 + 配置。删除:截图、预览图、测试 HTML、中间 wav、原始帧。

一个任务做完,目录里躺着几千张 PNG,下次你都不知道哪个是能用的。

八、交付给你的是 3 个文件

1
video_full.mp4 + cover.png + publish.md

就这 3 个。 不是全套。

短视频的最小发布包就是「视频 + 一张封面 + 一份文案」,你打开就能发。多给一堆中间文件,你反而不知道哪个该发。

publish.md 里是标题、简介和 hashtag。

九、怎么装

方式一:从 GitHub 拉源码(本地用)

1
2
git clone https://github.com/CoderWanFeng/wanfeng-skills.git
cd wanfeng-skills/skills/knowledge-short-video

用的是 GSAP 动画、CDP 单 Chrome 长连接渲染,不调用任何付费生成接口(TTS 除外,可以用你自己的)。

方式二:从 SkillHub 一键安装(其他支持 Skill 的 AI 工具)

打开发布页:

知识短视频:https://skillhub.cn/skills/user_bf8c5b73/wanfeng-knowledge-short-video

在支持 Skill 安装的 AI 工具里,可以直接发送下面这句话:

1
请根据 https://skillhub.cn/install/skillhub.md,安装 @user_bf8c5b73/knowledge-short-video。

也可以在发布页下载 Zip 包手动安装。

源码在这:

GitHub:knowledge-short-video:https://github.com/CoderWanFeng/wanfeng-skills/tree/main/skills/knowledge-short-video

整个仓库:wanfeng-skills 仓库首页:https://github.com/CoderWanFeng/wanfeng-skills

如果你也在做知识类短视频,我最想说的是那条最反直觉的:别把稿子和动画模板写在一起。 解耦之后,换声音、换语速、出版本,都不用重做动画。

用的时候有问题,欢迎到 GitHub 提 Issue,也可以在文章下面留言。

科技不高冷,AI 很好用。我是晚枫,关注我,一起把 AI 真正用起来。


参考链接

相关阅读