先划一条线：画面不用 AI 生成
做这个智能体之前，我先给自己划了一条线：画面一个像素都不许由文生图、文生视频模型生成。
原因不复杂。文生视频模型出的画面，文字基本是糊的、数字经常是错的、风格还会飘。而我做的这类”文章讲解视频”，画面里全是数据、标题、关键句——这些恰恰是模型最不擅长、又最不能错的东西。一条视频里把”47.45%”渲染成”4.745%”，这条就废了。
所以路线反过来：画面用代码画。HTML 加 CSS，交给浏览器排版，再截成图。文字是文本、数字是数字，谁来屏幕上都一模一样，一个字都不会糊。
这样一来，”文章变视频”这件事就被拆成了一条很朴素的流水线：把文章读懂 → 写成文案 → 配音 → 按文案渲染画面 → 拼起来 → 贴人像、烧字幕、对口型 → 出片。每一段都是确定性操作，不是”抽卡”。
整条链子长什么样：九个阶段
我把它固化成九个阶段，每个阶段的输入输出都固定。整条链子跑下来，出一个 output.mp4——带音轨、字幕已烧录，1920×1080、25 帧、H.264 加 AAC。
| 阶段 | 干什么 | 产出 |
|---|---|---|
| 0 | 拿到素材（链接 / 文案 / 文档） | source/original.md |
| 0.5 | 选模板套件（风格 + 头像 + 音色） | 记录模板名 |
| 1 | 写文案脚本：把文章提炼成分镜 | script.json |
| 2 | 配音，逐幕生成音频 | audio/scene_0N.mp3 |
| 3 | 把各幕音频拼成整条 | video/whole.wav |
| 4 | 按文案渲染画面帧 | frames/scene_0N.png |
| 5 | 帧连成段、加转场、拼静默片 | video/silent.mp4 |
| 6 | 贴人像圆窗（静态脸，先占位） | video/withwin.mp4 |
| 7 | 烧字幕 + 混音 | video/stage.mp4 |
| 8 | 整条对口型（Wav2Lip） | video/whole_lip.mp4 |
| 9 | 输出成片 | output.mp4 |
底下用的东西其实都不贵：HTML/CSS + Playwright 渲染画面，ffmpeg 做拼接、转场、烧字幕、混流，Edge-TTS（免费）或 CosyVoice 克隆音配音，本地跑的 Wav2Lip-ONNX 做口型。没有一个环节是”生成式”的，全是确定性工具。
阶段 1：把文章”翻译”成分镜
第一步不是渲染，是理解。我用文本模型把文章读一遍，提炼成一串分镜，写进 script.json。结构固定成三段：开头一镜（切入主题、抛问题）→ 正文若干镜（文章主体）→ 结尾一镜（呼应收尾）。
每一镜有一个类型，决定长得什么样：标题页、大数字页、三卡页、高亮页、分层页……正文几页不写死，内容讲全就行，三页五行都行，不为凑页数硬拆。
这里有个反复踩出来的经验：给视频配的文字，和屏幕上显示的文字要分开写。配音稿（旁白）要”说人话”——短句、不用书面词、别堆术语，想象是跟人当面讲；而画面上的字保持精炼书面风，别口语化。两套文本，一套给人耳朵，一套给人眼睛。
阶段 2~3：配音，然后拿它当”时间基准”
配音我用的是自己声音的克隆音（CosyVoice v3.5 克隆），出来的音色是我自己的。逐幕生成 mp3，再拼成一条完整的 whole.wav。
这里最值钱的一件事，不是”有声音”，而是配音里带着字级时间戳——每个字在音频里的起止毫秒都被记下来了。为什么重要？因为整条视频的节奏基准就是配音时间轴。后面每一幕多长、在哪转场、字幕什么时候冒出来，全部对齐这套时间戳。
顺序上必须”先配音、后画面”，因为配音是”因”，画面是”果”。先把声音定下来，画面跟着它走。
踩过一个坑：每段音频的头尾都有静音，尾巴上的静音有时候能有半秒到一秒。如果按”音频文件总时长”去切幕边界，画面就会被这截静音拖后，变成视觉比听觉慢半拍。正确做法是用”这一段最后一个字的结束时间”当边界，不能看文件时长。
阶段 4：用代码把画面画出来
这一步是整套方案的骨气所在。每一幕对应一个 HTML 模板，把 script.json 里的文字填进去，用 Playwright 截图成 PNG。
好处很直接：字号、行距、配色、对齐全部可控，长标题不会溢出、数字不会糊。画面是”渲染”出来的，不是”生成”出来的，所以稳定、可复现，改了文字重跑一遍就更新。
我把视觉风格做成了可换的模板套件。一套模板就是一个目录，里面装着它的版式、配色、头像、音色。横屏一套、竖屏一套，切换只改一个环境变量，引擎一个字不用动。换风格不碰代码，这是后面才想明白的架构。
阶段 5：转场，以及被它坑得最惨的一次
画面帧有了，用 ffmpeg 把每帧拉成一段，段与段之间用 xfade 加转场，拼成一条安静的片子。
这里我吃过一个很隐蔽的 bug，值得单独说：镜头一处偏移，后面整条都跟着错位。
xfade 的 offset 参数是绝对时间，不是”从上一段结尾再走多少”。而每段画面为了给转场留尾巴，实际长度比音频长半个转场。如果按”音频时长前缀和”去算每一段的长度，每一幕就会错开半个转场，然后逐幕累积——跑到最后，画面整体滞后了一整幕。
修法是把每段的长度公式重推一遍：第一段长度 = 第一个转场偏移 + 转场时长；中间每段 = 两个转场偏移之差 + 转场时长；最后一段补上剩余。改完之后，拼出来的静默片总长死死等于音频总长，误差为零。验证的方法也定死了：不能只看总时长，要在每一幕的边界抽帧，肉眼核对”画面上的大字”和”那一刻的配音内容”对得上。
阶段 6 / 8：先贴脸，再对口型，别搞反
人像分两步，这是被坑过才理清的顺序。
阶段 6 只贴一张静态的脸，放进左上角的圆窗，从头到尾一动不动。这一步很快，因为它只需要渲染一帧带透明通道的圆窗图，然后循环铺到整条片上就行——秒级完成。它不依赖任何对口型工具，只是先确认”脸在不在、位置对不对”。
阶段 8 才是唯一做口型的地方，用本地跑的 Wav2Lip 整条一次性处理。这里的关键是：脸从阶段 7 的成片里直接抠出来用（那时圆环、分割线都已经画好了），不用外面再喂一张头像。抠出来 → 整条对口型 → 再贴回原来的位置。
贴回这步我也优化过一轮。早期的做法是逐帧重新画圆环、重新加模糊，整条要跑九分钟；后来发现成片里圆环本来就是现成的，我只需要换掉圆里的那张脸——于是改成”一张静态的圆形遮罩 + 叠加”，只替换圆内的画面，63 秒搞定，快了差不多八倍，还不会出现”两个圆环叠在一起”的鬼影。
不过这里有个必须记住的坑：用一张静态图当遮罩做叠加时，ffmpeg 会把它当成只有一帧，结果整条视频都不动了，全冻在第一帧。必须给它加 -loop 1，并且把帧率对齐，它才会正确地”一直铺下去”。
还有一条验收铁律，也是被上面这个坑逼出来的：判断成片”有没有在动”，必须拿最终产物在不同时间点各抽一串连续帧，算像素差。只看时长、只看中间文件，是发现不了”冻帧”的。顺便说一句，口型的运动幅度本来就小，抽帧算出来变化像素只有百分之一到一点五，这是正常的，别以为没生效。
把”一次只做一个阶段”写成了规矩
技术上跑通之后，我发现真正决定这个智能体好不好用的，不是某个算法，而是流程怎么卡。
我给它立了条死规矩：九个阶段，就是九次确认。每做完一个阶段，立刻停下，把能看能听的产物交出来，等人说”继续”再往下。不许一口气跑完再交，也不许”顺手把下一步也做了”。
听起来像是给自己找麻烦，但这条规矩救过很多次。文章→视频这条链子又长又贵，配音一改，后面全得重跑。如果闷头跑到底再给人看，一旦方向错了，浪费的是整条链子的时间和成本。分段确认，等于把”返工”的颗粒度压到了最小：每一步都能当场叫停、当场纠正。
还有一条相关的纪律：交付给别人的文件，尤其是成片和截图，文件名一律带时间戳。因为中间产物和最终成片经常同名，浏览器和聊天软件按文件名缓存——你明明改了，对方打开还是旧的，然后你以为没生效，来回折腾。带时间戳，一次到位。
跑出来什么样
拿一篇五千多字的商业分析文章实跑，出来的成片：1920×1080、25 帧、时长 156 秒、大小约 8.8MB，带配音、带烧录字幕、带口型人像。另一篇新闻稿跑出来是 200 秒、12MB。
配音不再是找现成音色，是我自己的声音；画面里每一个数字、每一句标题，都是代码画出来的，不会糊、不会错；口型在本地跑，一毛钱不花（这台机器是没有显卡的，纯 CPU）。竖屏那套也跑通了，1080×1920，适合发抖音和视频号。
这套东西真正的价值在哪
回头看，这个智能体最值钱的地方，不是”能出视频”，而是它把一件没法标准化的事情，拆成了九步能标准化的事情。
每一步都有确定的输入、确定的输出、确定的验收标准。画面的部分是代码渲染，所以稳定；声音的部分有字级时间戳，所以对齐；流程的部分有确认闸门，所以可纠错。整条链子不依赖任何一次”生成模型心情好”，跑一百遍，结果都一样。
对做内容的人来说，这解决的是产能和一致性：一篇文章进来，一条风格统一、数据准确的讲解视频出去，中间不用人盯着调每一帧。剩下要动脑的，只有”文案怎么写”——而那恰恰是最该由人来做的一步。
