用 Qwen4 Max Preview 做 AI 视频，好用爱用

大家好，我是程序员晚枫。

想做视频，不少人的第一反应是数字人，我之前也专门写过一篇：

用 WorkBuddy 积分免费生成数字人：「晚枫数字人 Skill」发布新版本

但聊下来会发现，数字人这条路对大多数人还是太贵：克隆音色、生成画面都按量付费，第一次试一条就得先掏 12 块；走积分那条虽然不花钱，却出不了自己的声音，成片也差点意思。

所以这次，我想找一条几乎不花钱的路。

前阵子我想做一条自我介绍的短视频。打开几个剪辑软件绕了一圈，越用越烦：模板是别人的，节奏是别人的，成品一看就是"套模板"。

于是我换了个思路：不剪视频，让 AI 把视频直接"写"出来。

我在 Qoder 的模型选择器里选了 Qwen4-Max-Preview，把工作目录和一份我自己开源的 Skill 丢给它，只提了三个要求：介绍"程序员晚枫"这个人、控制在 10 秒、要两种风格。

后面它自己建目录、自己写渲染脚本、自己出检查图、自己改 bug。两条片子做完，我这边只看了两次画面、说了一句"内容全挤在上半屏"。

这次真正省下来的不是剪辑时间，而是"把想法讲清楚"的那部分工作量。

我全程只干三件事：提要求、看画面、挑毛病

先把流程说清楚，因为后面所有结论都建立在这上面。

以前想做这种视频，只有两条路：花钱找人剪，或者自己下个软件学三天，最后剪出一条 15 秒的、和模板一模一样的"原创"。

我用的 Skill 叫 ai-free-video，开源在 GitHub 上。它把"做一条宣传视频"拆成四步：先核对事实素材，再选视觉风格，然后做一条无声样片，最后收反馈。

我把这三句话的要求丢给模型之后，它做了四件事：

自己读完 Skill 的说明，建好两个风格的工作目录
自己写了两份 Python 渲染脚本，一份画故障艺术，一份画像素游戏
自己把关键帧拼成一张检查图发我，让我一眼能判断好坏
自己渲染出成片：1080×1920 竖屏、一秒 30 帧、整整 300 帧、没有音轨

值得说的是，这两条片子是两套完全不同的视觉语言。

故障艺术那一版，画面里的汉字是从一堆乱码"解码"成正常字的，配色是青红错位，还带扫描线和信号强度条。

故障艺术版样片动图

故障艺术版 10 秒无声样片，由 Qoder + ai-free-video Skill 生成

像素游戏那一版更极端：它先在 360×640 的低分辨率画布上画，再整体放大 3 倍。所以连中文字都带方块锯齿，是真正的红白机质感，而不是贴了一层像素滤镜。

这个做法我没有指定，是它自己决定的。

两条样片的关键帧对比

图片来源：本人使用 Qoder + ai-free-video Skill 生成的样片关键帧

让我意外的不是它会写代码，是它自己抓出两个 bug

这是这次体验里最值得讲的一段。

Skill 里有一条硬规则：画面里的文字不能互相重叠，也不能压到平台的界面区域——顶部 10%、右侧 15%、底部 22% 会被标题、点赞栏、评论框盖住，字放那里等于没放。

这条规则光写在文档里是没用的。AI 画着画着就忘了。

所以 Skill 里带了一个"重叠守卫"：每渲染一帧，就把这一帧所有文字框拿出来算一遍，看有没有相交、有没有越界，最后写一份检测报告。

像素游戏那一版，第一遍跑出来两条红色告警：

大字 CLEAR 顶部越界，压进了安全区
底部对话框里的正文和角色名牌重叠了 4%

有意思的是，这两处我肉眼基本看不出来。画面看着是"正常"的，只是坐标算出来是错的。

它排查出来的原因很典型：像素版为了省事，把所有画面整体往下挪了一段距离，但文字登记进守卫的时候，用的还是挪之前的坐标。

说白了就是——检查用的是一套坐标系，画面用的是另一套。 两边各说各话，检查等于没检查。

这类问题特别容易被误解成"AI 不会写代码"。恰恰相反，代码是能跑的，画面是好看的，只有验收标准被绕过去了。

它的修法是：干脆取消整体下移，把所有坐标改成屏幕绝对坐标，再把对话框里的正文往下挪，让它和名牌彻底分开。重跑一遍，报告全绿。

AI 编程真正的价值，不在于它能写多少代码，而在于它能把你那句模糊的"感觉不太对"，变成一条可以反复重算的规则。

这一点我想展开讲，因为很多人用 AI 干活就卡在这。

你跟 AI 说"排版好看一点"，它改完问你"现在好看了吗"，你说"还是不对"，来回十轮，两个人都很累。

原因很简单：好看不是一个能执行的东西。 模型每一轮都在重新猜你的口味，猜不到就重画一遍。

但如果这个要求能被写成一段检查代码——文字框不能相交、不能越界、报告必须全绿——那它就不是在猜，而是在算。算一次不对就改到对为止，改完还能再算一遍，确认没改坏别的地方。

这就是把审美变成工程。 我做视频时真正在做的也不是描述画面，而是提前定好"什么算做错了"。

故障艺术版逐帧检查图

图片来源：Skill 自动生成的逐帧检查图，每一格都是成片里的真实一帧

图片来源：Skill 自动生成的逐帧检查图，可以看到金币雨、宝箱、对话框逐帧变化

模型选择器那一排名字，到底该怎么选

有群友问我：凭什么选 Qwen4-Max-Preview？

先纠正一个我自己搞混过的点。

Qoder 的模型选择器里并没有一个叫"Qwen4 Pro"的模型，带 Pro 的是 DeepSeek-V4-Pro。千问这一列现在挂着三个，官方简介和倍率是这样的：

模型	官方简介	Credit 倍率
Qwen4-Max-Preview	Qwen 最新基座模型，世界感知更立体，复杂编程、专业办公与软件操作全面进阶	0.5×
Qwen3.8-Max	Qwen 基座模型，2.4T 参数，软件工程、办公与深度推理	0.5×
Qwen3.8-Flash	开源权重多模态模型，能力、延迟与成本之间平衡	0.1×

表里的倍率是官方给的综合预估值，实际消耗会受参数设置影响，以界面显示为准。

那这次为什么是 Qwen4-Max-Preview？因为做视频这件事看着简单，其实同时踩中三个难点。

第一，文件不小。 两份渲染脚本一份 675 行、一份 686 行，底下还压着一个 782 行的工具库。模型得记住这些接口长什么样，不能改着改着把自己依赖的函数名改了。

第二，要多轮自我修正。 它不是一次写对的。画面位置不对、坐标系混用、报告变红，每一轮都要在上一轮的基础上改，而不是推倒重写。

第三，它得遵守不是我定的规矩。 Skill 里写了一堆"不许"：不许文字重叠、不许把截图缩得太小、不许加音轨。模型要是在这里自由发挥，整个流程就废了。

至于"世界感知更立体"这句官方描述，在我的场景里能感知到的是：它对画面的空间关系确实比较敏感。让它把内容整体下移，它知道下移之后安全区的边界要跟着重算，而不是把画面挪完就交差。

说白了，这类任务的瓶颈从来不是"会不会画"，而是能不能在几十次修改里一直记得你要的是什么。

成本上，0.5× 的倍率跑两条 10 秒样片，我没心疼。但如果你的任务只是改文案、换个配色这种轻活，0.1× 的 Flash 完全够用。

贵的那一档不是更好，只是更适合重活。

两条片子做完，我最大的感受有点反常识。

我以为自己缺的是一个剪辑软件，其实缺的是一套"能验收"的流程。工具可以帮你把画面拼起来，但拼得好不好看，最后还是得有人说了算。

把"什么算错"提前写成规则，剩下的交给模型反复算——这个思路不只适用于做视频。写文档、做 PPT、改代码，其实都是同一件事。