AI 视频最容易卡死的地方 不是某个模型不够强 是你一直在「准备开始」 一张流程就够起步： ① 脚本分镜 ② 生图 ③ 图生视频 ④ 配音 ⑤ 剪辑 先交第一支丑作品 再谈质感升级 很多人收藏一百个工具站 却交不出一支 30 秒成片 流程 > 工具清单

AI 视频号最值得做的，是把专业问题翻成普通人听得懂的话。 医生、装修、财务这些行业都有大量重复解释。你帮专家把高频问题做成短内容和回复库。 客户有案例和信任，你有流程和效率。先服务已有专业者，比从零硬造专家人设更稳。

AI 视频剪辑 Skill 分享「video-use」 @browser_use 团队推出的开源 Skill，定位为面向 AI Coding Agents（Codex、Claude Code、Cursor、Hermes Agent 等）的视频剪辑 Skill。它不做传统意义上的 Premiere / CapCut 替代品，它是一套让 LLM 通过 “阅读转写文本 + 按需可视化” 来理解视频、并调用 ffmpeg 等工具完成剪辑的 prompt-engineering + 工具脚本集合。 # 核心思想：LLM 不“看”视频，它“读”视频 第一层：音频转写文本（always loaded） 通过 ElevenLabs Scribe 获得逐词时间戳、说话人分离、音频事件标记（如笑声、叹息、掌声），打包成约 12KB 的 takes_packed.md。这是 LLM 的主要“阅读材料”。 第二层：视觉时间线视图（on demand） 仅在决策点（歧义停顿、重拍对比、切点校验）调用 timeline_view.py 生成胶片帧 + 波形 + 字幕的 PNG 复合图。 对比朴素方案“30000 帧 × 1500 tokens = 4500 万 tokens 噪声”，项目走的是 “12KB 文本 + 少量 PNG” 的轻量化路径。这与 Browser Use 让 LLM 读结构化 DOM 而非直接看截图的思路一致。 # 技术流水线：Transcribe → Pack → Reason → EDL → Render → Self-Eval 1. 转写 - transcribe. py / transcribe_batch.py 提取 16kHz 单声道音频，调用 ElevenLabs Scribe，缓存为 transcripts/.json 2. 打包 - pack_transcripts.py 将逐词 JSON 合并为按 0.5s 静音或说话人切换断句的 takes_packed.md 3. 决策 - LLM 自身 阅读 packed transcript，必要时用 timeline_view.py 可视化 4. 生成 EDL - subagents 输出 JSON 格式 edl.json，包含源文件、切点、节奏标签、引用、原因 5. 渲染 - render. py 分段提取 → 无损 concat → 叠动画 → 压字幕 → 响度标准化 6. 自评估 - timeline_view.py + LLM 在输出文件的每个切点 ±1.5s 检查跳帧、爆音、字幕遮挡，最多 3 轮 # 关键工程细节： ffmpeg 为主的剪辑实现 1. 分段提取 + -c copy 拼接（避免叠 overlay 时二次编码） 2. 每段边界 30ms 音频淡入淡出（消除切点爆音） 3. overlay 使用 setpts=PTS-STARTPTS+T/TB 进行时移，确保动画第 0 帧对齐输出时间线 4. 字幕始终最后叠加（防止被动画遮挡） 5. Master SRT 使用输出时间轴偏移：output_time = word.start - segment_start + segment_offset 6. 切点必须落在词边界，并加 30–200ms 填充以吸收 Scribe 50–100ms 的时间戳漂移 7. HDR 源自动 tone-map（HLG/PQ → Rec.709 SDR） 8. 竖屏源自动按高度缩放 9. 两-pass loudnorm：-14 LUFS / -1 dBTP / LRA 11，符合主流社交平台标准 # 动画与包装：多引擎并行 1. HyperFrames：HTML/CSS/GSAP compositions，适合产品 UI、网页转视频、动态排版 2. Remotion：React 组件化 compositions 3. Manim：数学/技术/3Blue1Brown 风格解释动画 4. PIL + PNG sequence + ffmpeg：简单卡片、计数器、打字效果 # SKILL.md 的 12 条“铁律”：生产正确性优先 1. 必须遵守的 12 条硬规则：字幕最后、分段提取再拼接、30ms 淡入淡出、PTS 时移、SRT 输出时间偏移、不切在词中、切点填充、逐词 ASR、缓存转写、并行动画、先确认策略再执行、输出在 /edit/ 2. 其余全部是可调整的“worked example”：调色风格、字幕分块、动画时长、节奏等都可按材料和用户品牌定制

AI视频训练侧确实极其烧钱，训练侧成本极高，，但推理成本相对传统视频制作已经非常低，而且随着 GPU/专用芯片和推理优化，仍在持续下降。但难点就在变现，寻找可以落地的商业场景。 字节跳动就是其中的佼佼者。字节有上游 IP、中游制作、下游分发与变现，全部可以在体系内完成。 上游方面： 番茄小说提供 IP 供给。平台上有 300 万常驻作者、70 万签约作者和 180 万部授权作品； 中游方面： 短剧创作者、制作公司与 AI 工具共同构成制作网络。 Seedance 2.0 和剪映团队的“小云雀”短剧代理等工具落地：单集制作成本可从此前的 5–10 万人民币压缩至约 5,000 元，制作周期缩短70%。 下游方面： 红果短剧和红果漫剧承接流量与变现。 红果短剧的月活已达 3.04 亿，占独立短剧 App 市场约 90%，用户日均使用时长约 125 分钟；红果漫剧上线四个月即达到 2,400 万月活。 数据来源： @FundaAI

AI 视频要进专业剧组，不能只靠嘴说。 导演需要绝对控制，不能跟 AI 玩盲盒。 一种全新的 AI 电影工作流诞生了。 它能把导演在 3D 软件里的“排练”，直接变成电影大片。 过程非常简单： 1. 用 Midjourney 生成一张高精度的起始帧； 2. 在 Blender 里用最简陋的灰色方块，把运动轨迹排出来； 3. 把这两样一起喂给视频模型 Seedance 2.0。 看看这个对比。 上面是 Blender 里极简的灰色预演，下面是 AI 渲染出的电影级公路飞驰镜头，远山和运动模糊完全严丝合缝。 这就是从“玩具”到“生产力工具”的跨越。 AI 终于开始听懂导演的指挥棒了。

AI视频下一个机会，不是生成美女，也不是生成大片，而是生成一个能持续更新的人设。 很多人还在研究 AI怎么生成大片，已经有人用 AI造了一个脱口秀演员，一个月涨粉18万。 抖音“桥桥子”是一个全流程 AI 生成的虚拟脱口秀演员，一个月涨粉 18 万，单条视频最高获赞 25.6 万，制作一条 15 秒左右 AI 视频成本约 3-10 元。 AI演员开始抢真人饭碗了？