这套自动化剪辑工作流的核心是：把剪辑中的重复劳动拆成明确指令，交给 AI agent 按固定流程执行。作者以口播视频为例，拆解了从逐字稿到成片的 8 个步骤，最终实现“只需准备好文字内容，就能自动完成配音、分镜、生图、动效、字幕和封面”。

工作流拆解

1. 先准备好文字内容

• 核心前提：搭建自动化剪辑工作流，首要条件不是 AI 工具，而是预先准备好视频创作的本源——文字内容。
• 音画同步原理：视频中的卡通人物动作、Remotion 动画，都与字幕出现的节奏相匹配，实现音画同步。
• 所有生成内容都基于提前撰写好的逐字稿（口播稿）。
• 内容选题没跑通，就无法自动化制作出高质量视频。

2. 配音：文字是利剑，声音是剑鞘

• 配音的重要性：文字内容是一把利剑，配音就是剑鞘，只有拥有完整配音，才能满足观众最重要的视听感受中的“听感”。
• 两种配音选择：
• 方案A（真人录制）：真实感强，但时间成本更高。
• 方案B（TTS方案）：采用成熟的文本转语音技术，更省时省力，可实现自动化。
• 本片方案：在 Codex 等 agent 中接入豆包 TTS 的 API，在工作流指令中明确指定使用豆包 TTS 方案。只需一段指令，即可将逐字稿内容转成指定人物音色，生成语气和情感表达不输真人的配音。

3. 分镜

• 分镜指令：在 Skill 指令中写清楚，后续生图过程中，将每个不重复的画面帧分别保存为单独的图片（PNG 或 JPG）。
• 分镜沉淀的意义：将不同画面帧沉淀成分镜，后续修改优化时，可以更精准地向 agent 提要求，实现精细到逐帧的修改。

4. 人物生图

• 人物形象生成：聚焦人物形象生成，可通过 Codex 自带的 Image 2 批量生成。
• 操作步骤：
• 将自己的真人照片交给 Codex，以此为基础生成一张卡通人物母图（如大头 Q 版卡通人物）。
• 母图生成并保存后，在 Skill 中写入指令：凡是涉及卡通人物形象场景的画面，都以这张母图为创作基础，继续延伸人物的表情、动作和场景。
• IP 稳定性：通过“母图锚定 + 动作延展 + 视角延展”，让 AI 稳定输出专属于个人 IP 的卡通人物形象（同一张脸、同一套服装）。

5. Remotion 动效演示页生成

• 动效生成方法：将提前准备好的 HTML/CSS 动效提示词写进 Skill，并对 agent 下达指令：在后续自动化剪辑过程中，都使用 Remotion 来生成以上写入 Skill 的动效。
• 动效驱动原理：利用 Remotion 的按帧驱动（useCurrentFrame），生成带有律动感的动效演示页，使视频更具吸引力。

6. 输出带字幕的视频

• 字幕指令：在 Skill 中写入指令，输出视频时必须带有声画同步的字幕效果，并对关键词进行高亮处理；字幕带有背景边框，放置在视频底部。
• 自动化效果：后续创作视频时，只需提前准备好文字内容，即可通过这套 Skill 实现自动化剪辑。

7. 主题封面生图

• 封面生成指令：在工作流最后一步，根据逐字稿内容提炼出五个文字标题（每个不超过 10 个字），在选定其中一个标题后，输出一张以卡通人物母图形象为基础的 16:9 视频封面图。

8. 汇总成一套自动化剪辑工作流 Skill

通过以上七个步骤，将明确的指令汇总成一套自动化剪辑工作流 Skill。

知识小结

配音方案对比