
去年我运营了两个知识类短视频账号。每天的工作节奏基本固定:上午找选题、写文案,下午找素材、录音、打字幕、剪辑。做一条一分钟的短视频,从头到尾要花两个小时。一天最多做三条,人就已经精疲力竭,根本没有精力去测试更多选题。
后来我把整个制作流程拆开,分成文案、配音、分镜、剪辑四个标准环节,写了一套自动化脚本串联起来。现在我只要在表格里填好选题,后台自动运行二十分钟,就能输出十条完整的短视频成品。人工只需要花五分钟做最后的抽检。
搭建这套自动化工作流的核心逻辑并不复杂:把所有重复性的机械操作交给程序,你只保留选题决策和最终的质量把控。
自动化工作流的架构拆解
一套完整的短视频自动生成工作流,主要由五个功能模块构成:
1.选题输入源:使用飞书多维表格、Airtable 或本地 CSV 文件作为数据源,用来存放视频主题、核心关键词与风格设定。
2.大语言模型(LLM)写分镜脚本:调用大模型接口(如 DeepSeek-V3 或 Claude 3.5 Sonnet),让模型输出严格符合要求的 JSON 格式分镜。
3.语音合成与字幕提取(TTS):把分镜文案转换成音频文件,并导出带有毫秒级时间戳的 SRT 字幕。
4.视觉素材匹配:根据分镜提示词调用生图模型(如 FLUX.1 或 Stable Diffusion),或者从免版税图库网站抓取匹配的切片素材。
5.音画合成与字幕压制:使用 FFmpeg 或者剪映草稿协议,将音频、画面、字幕和背景音乐拼合成竖版 MP4 视频。
为了让你少走弯路,我把目前市面上主流的三种搭建方案做了一个横向对比。
| 搭建方案 | 核心技术栈 | 单条视频生成耗时 | 制作成本 | 灵活性与自由度 | 上手门槛 | 适用场景 |
|---|---|---|---|---|---|---|
| 开源一体化工具 | MoneyPrinterTurbo / Pixelle-Video | 1 到 3 分钟 | 极低(仅模型 API 费) | 中等(样式固定) | 低(开箱即用) | 新手尝鲜、标准化解说类视频 |
| 无代码流程编排 | n8n / Make + 剪映草稿工具 | 2 到 4 分钟 | 低(每月编排平台费 + API 费) | 高(容易接入各类 API) | 中(需懂逻辑流程) | 团队协作、多平台自动发布 |
| 纯代码脚本流水线 | Python + FFmpeg + Edge-TTS | 30 秒 到 1 分钟 | 极低(纯本地运行) | 极高(完全自定义代码) | 高(需具备编程基础) | 大规模批量生产、深度定制特效 |
如果你不懂编程,建议从开源工具或者无代码工具开始;如果你懂一些 Python,直接写脚本是运行速度最快、消耗资源最少的方式。
第一步:让大模型输出严格的 JSON 分镜
很多人用大模型写脚本时,直接让它输出一段视频文案。这种做法无法被后续程序解析。程序需要的是结构化数据。
你需要通过 Prompt 约束大模型,只输出 JSON 数组,禁止夹带任何寒暄或 Markdown 标记。
一个合格的分镜 JSON 数据结构如下:
[
{
"scene_id": 1,
"voice_text": "你知道为什么飞机起飞前必须调暗客舱灯光吗?",
"image_prompt": "An airplane cabin interior at night, dim blue ambient lighting, passenger seats, cinematic view, 4k",
"duration": 3.5
},
{
"scene_id": 2,
"voice_text": "这不是为了省电,而是为了让你的眼睛提前适应外界的黑暗。",
"image_prompt": "Close-up of human eyes dilating in dim light, dramatic emergency lights reflection, photorealistic",
"duration": 4.0
}
]
操作避坑提示:调用大模型 API 时,必须把 `temperature`(温度参数)调低到 0.2 至 0.4 之间。温度太高会导致大模型自由发挥,偶尔漏掉关键字段,导致后续的程序在解析 JSON 时崩溃。同时,务必在系统提示词里加上一句约束:“输出内容必须是合法的 JSON 数组,不要在最外层包裹其他文本”。
第二步:生成配音与精准时间戳字幕
配音质量直接决定了短视频的留存率。市面上的语音合成工具很多,你可以参考以下测试数据:
| TTS 工具名称 | 音质自然度 | 单条耗时(100字) | 使用成本 | 时间戳支持 | 优缺点对比 |
|---|---|---|---|---|---|
| Edge-TTS | 良好 | 约 0.8 秒 | 完全免费 | 支持(输出 WordBoundary 词级别信息) | 免费方便,但偶发网络连接中断 |
| CosyVoice / ChatTTS | 优秀(口语感好) | 约 2.5 秒 | 本地部署免费,云端按量付费 | 支持(需结合本地对齐) | 语气拟真,带笑声停顿,但需要显卡算力 |
| ElevenLabs | 极佳(情绪饱满) | 约 3.0 秒 | 较贵(约 $0.3 / 千字符) | 支持(提供精确字符对齐) | 表现力强,适合出海视频,国内成本偏高 |
如果是起步阶段,优先选择微软的 Edge-TTS。在 Python 环境中直接安装 `edge-tts` 库即可。推荐使用 `zh-CN-YunxiNeural`(云希,沉稳男声,适合科普)或 `zh-CN-XiaoxiaoNeural`(晓晓,亲切女声,适合生活类分享)。
在合成音频的同时,程序必须捕获音频的实际时长。不要使用大模型预估的时长,必须以实际生成的音频文件时长为准。通过 `edge-tts –write-subtitles` 或者调用 Whisper 模型,你可以直接生成带有精确时间轴的 `.srt` 字幕文件。
第三步:视觉素材生成与动态运镜
短视频如果连续三秒都是静止图片,用户的跳出率会增加 40% 以上。
目前直接使用文生视频模型(如 Kling、Minimax 或 Luma)制作整条视频,成本和等待时间都难以承受:生成 5 秒视频通常需要等待 2 到 5 分钟,API 成本也在 0.2 元到 0.5 元一条。批量制作 50 条视频,耗时和开销都会失控。
更实用的做法是:生图模型生成高清竖版图片(9:16),再通过 FFmpeg 添加缓慢推拉的动态运镜(Ken Burns 效果)。
执行步骤如下:
1.取出第一步中分镜的 `image_prompt`,调用生图接口生成分辨率为 1080×1920 的图片。
2.使用 FFmpeg 的 `zoompan` 滤镜,让图片在播放时平滑放大或平移。
这里给出一个经过长期验证的稳定 FFmpeg 命令模板:
ffmpeg -loop 1 -i input.jpg -filter_complex
"zoompan=z='min(zoom+0.0015,1.25)':d=125:x='iw/2-(iw/zoom/2)':y='ih/2-(ih/zoom/2)':s=1080x1920"
-t 5 -c:v libx264 -pix_fmt yuv420p output.mp4
核心参数解析:
•`z=’min(zoom+0.0015,1.25)’`:每一帧将画面轻微放大 0.15%,最大放大到 1.25 倍。这个速度很自然,不会产生眩晕感。
•`d=125`:当前镜头的总帧数。按 25 帧/秒计算,125 帧就是 5 秒。这里的帧数必须与配音音频的真实时长严格对齐。
•`pix_fmt yuv420p`:必须明确指定这个像素格式,否则部分旧款手机在播放时会出现画面黑屏但只有声音的故障。
第四步:音频、画面、字幕与音乐自动合成
有了各个分镜的视频片段、旁白音频和字幕文件,最后一步是用一条命令将它们压制成最终成品。
先将所有的分镜视频片段拼接成一个长视频,然后把旁白音频、背景音乐和字幕轨合并。
背景音乐的避坑要点:
背景音乐的声音必须调低。很多自动化视频做出来听不清人声,原因就在于背景音乐音量太大。旁白音量保持在 1.0(0dB),背景音乐音量必须降低到 0.08 到 0.12 之间。你可以用 FFmpeg 的 `amix` 或 `volume` 滤镜将背景音乐压低,保证观众能听清人声讲解。
字幕样式方面,建议使用 `.ass` 格式替代通用的 `.srt`。在 ASS 文件中可以直接预设字体大小(建议 60-70px)、描边粗细(3-4px 黑色描边)、高亮颜色和对齐位置(底端居中,离底边留出 180 像素,避开平台界面的点赞图标与标题栏)。
规避平台违规的关键细节
搭建好自动化系统后,很多人会直接全天候批量跑视频并自动发布。这样做往往会导致账号被平台判定为“搬运”或“低质内容”。想要长期稳定运营,必须注意以下三点:
1.画面加入随机扰动参数:不要让每条视频使用完全一样的转场模板和滤镜。在代码里设置随机变量,让画面缩放的起点、放大比例和背景音乐有微小的差异。
2.文本重写校验:输入相同的选题,不同大模型的文案相似度可能很高。生成文案后,加入一段本地规则校验,过滤掉陈词滥调,确保逻辑清晰。
3.设置半自动化拦截确认点:完全无人值守是理想状态,但在实际业务中不可行。最稳妥的模式是半自动化(Human-in-the-loop):系统自动生成好视频后,把视频推送到飞书群或企业微信群的审核列表里,人工花二十秒快速预览画面是否有逻辑漏洞。点击“审核通过”按钮后,系统再自动执行定时发布任务。
把上述流程理顺并固化下来,你每天要做的就只剩下寻找优质的选题切入点。繁琐的素材拼接、字幕校对和视频压制,完全可以交给后台静默运行。
原创文章,作者:七点互动,如若转载,请注明出处:https://ai.qidianhudong.com/aiyy/ai-video/4874.html