Coze实战:一分钟生成10w+独居女孩Vlog动画,零基础也能日更!

大家好,我是小肥肠,专注AI干货知识分享,最近都在分享Coze工作流,今天将给大家分享一个Coze工作流实战案例:一键生成爆款独居女孩日常Vlog动画视频。

1. 前言

独居女孩日常Vlog视频最近在各大平台火得一塌糊涂,简直成了网友们的精神加油站 。温馨的日常、细腻的氛围,谁看了不说一句太治愈了?不少内容创作者也跃跃欲试,想整点爆款Vlog出来。可一想到素材准备、剪辑流程,头都大了,效率这事儿,真是让人抓狂。

我用半天时间搭建了一个Coze工作流,只需要输入独居女孩日常Volg主题就能一键生成成品视频,先来看看实际效果,感受一下成片的氛围:

顺便提一句,煎蛋音效是我后期加的。这个已经和大家说过很多次,Coze做出来的东西不建议直接发平台,最好二次优化剪辑一下。

2. 工作流设计思路

整个流程其实挺简单,核心就是先把独居女孩的Vlog场景定好,剩下的交给AI,图片、视频、字幕全都自动生成。

  1. 先定主题,独居女孩Vlog动画视频想拍啥,直接传递给工作流;

  2. 根据主题生成图片;

  3. 根据主题生成视频;

  4. 根据主题生成字幕;

  5. 拼接素材写入剪映草稿当中,导出成品视频。

3. 工作流实现

本章还是按照管理给大家讲解一下工作流的核心节点,完整工作流如下图所示:

开始节点: 开始节点的输入参数为独居女孩Vlog视频的主题,在下图中我设置的主题为女孩周末在家休息。

场景构建(大模型-DeepSeek R1250528): 这个节点的作用是基于用户提供的主题生成独居女孩日常Vlog场景,场景是后续生成图片和视频的基础。

文案生成(大模型-DeepSeek R1250528): 这个节点的作用是基于场景生成第一人称文案,作为视频的字幕。

图生视频(大模型-豆包·1.5·Pro·视觉推理·128K):这个节点的作用的基于场景生成图生视频提示词。

image2video_task_create(即梦AI插件): 这个节点的作用是基于前面的图片和提生视频提示词创建视频生成任务,这个节点我在前面的文章也讲过很多次,它需要搭配任务查询节点来使用。

任务查询节点我放到了子工作流中,之前已经讲过N遍了,核心逻辑就是设置一个死循环去获取视频链接是否已经生成,如果生成了就取出视频链接地址回传到主工作流中,否则延时30秒继续获取视频链接。

信息组装(代码): 这个节点的作用是将前面生成的视频和字幕素材组装为剪映小助手需要的格式,作为add_videos、add_captions插件的输入参数。

完整代码:

js 复制代码
async function main(args) {
    const params = args.params;

    // 解析 video_list 和 text_list 参数
    let video_list, text_list;
    try {
        video_list = typeof params.video_list === 'string' ? JSON.parse(params.video_list) : params.video_list;
        text_list = typeof params.text_list === 'string' ? JSON.parse(params.text_list) : params.text_list;
    } catch (e) {
        return { error: `解析 video_list 或 text_list 参数时出错: ${e.message}` };
    }

    // 保证 video_list 和 text_list 是数组类型
    if (!Array.isArray(video_list)) video_list = [video_list];
    if (!Array.isArray(text_list)) text_list = [text_list];

    // 检查长度一致
    if (video_list.length !== text_list.length) {
        return { error: "video_list 和 text_list 数组长度不一致" };
    }

    // 获取其他必要参数
    const width = parseInt(params.width);
    const height = parseInt(params.height);

    // 初始化结果数组
    const videos = [];
    const captions = [];
    let current_time = 0;

    // 处理每个视频和字幕
    for (let idx = 0; idx < video_list.length; idx++) {
        try {
            const video_url = String(video_list[idx]);
            const text = String(text_list[idx]);
            const duration = 5000000; // 默认5秒
            const end_time = current_time + duration;

            videos.push({
                video_url: video_url,
                width: width,
                height: height,
                start: current_time,
                end: end_time,
                duration: duration
            });

            captions.push({
                text: text,
                start: current_time,
                end: end_time
            });

            // 更新时间
            current_time = end_time;

        } catch (e) {
            console.error(`处理第${idx}个视频或字幕时出错: ${e.message}`);
            continue;
        }
    }

    // 返回结果
    return {
        videos: JSON.stringify(videos),
        captions: JSON.stringify(captions)
    };
}

最后我们只需要创建草稿,将前面生成是字母和视频放到草稿中就行:

上述就是整个工作流的主要流程,整个工作流涉及到几十个节点,流程相对复杂,动手能力强的读者可以根据以上思路研究一下。如果想直接获取工作流,可以加入社群后我拉你进Coze空间直接学习使用。

4. 资料领取

你觉得大模型不好用,可能是你不会写提示词,小肥肠为你准备了海量提示词模板和DeepSeek相关教程,只需关注gzh后端小肥肠,点击底部【资源】菜单即可领取。

本文的提示词和完整工作流已经上传至coze空间,感兴趣的朋友可以私信小肥肠详细了解~

5. 结语

最近很多群友私下找我反馈基于Coze发出去的内容没有流量,没人看,我的回答还是一样,Coze只是提效的工具,作品流量的高低取决于你作品的质量,你用Coze别人也用,全是同质化低质量的内容,平台为什么要给你流量,我们要做的是打磨提示词,多找优秀的作品改进自己的内容,从别人作品中找到别人爆火的底层逻辑,再来看自己缺少什么,然后补充优化,最后助大家2025都能用智能体猛猛提效,实现各方面能力跃迁。

如果本文对你有帮助不要忘记动动小手点点赞哦 你的支持是我最大更新动力

相关推荐
Yo_Becky14 分钟前
【PyTorch】PyTorch预训练模型缓存位置迁移,也可拓展应用于其他文件的迁移
人工智能·pytorch·经验分享·笔记·python·程序人生·其他
DeepSeek-大模型系统教程16 分钟前
深入金融与多模态场景实战:金融文档分块技术与案例汇总
人工智能·ai·语言模型·程序员·大模型·大模型学习·大模型教程
xinxiangwangzhi_21 分钟前
pytorch底层原理学习--PyTorch 架构梳理
人工智能·pytorch·架构
yzx99101325 分钟前
关于网络协议
网络·人工智能·python·网络协议
AiTEN_Robot27 分钟前
AGV 无人叉车关键技术问题解析:精准定位算法 / 安全避障逻辑 / 系统对接协议全方案
人工智能·机器人·自动化·制造
云天徽上28 分钟前
【PaddleOCR】OCR常见关键信息抽取数据集,包含FUNSD、XFUND、WildReceipt等整理,持续更新中......
人工智能·计算机视觉·信息可视化·paddlepaddle·paddleocr·文本识别
zskj_zhyl28 分钟前
智绅科技:以科技为翼,构建养老安全守护网
人工智能·科技·安全
刘海东刘海东29 分钟前
结构型智能科技的关键可行性——信息型智能向结构型智能的转换(提纲)
人工智能
Jay Kay1 小时前
TensorFlow源码深度阅读指南
人工智能·python·tensorflow
FF-Studio1 小时前
【硬核数学 · LLM篇】3.1 Transformer之心:自注意力机制的线性代数解构《从零构建机器学习、深度学习到LLM的数学认知》
人工智能·pytorch·深度学习·线性代数·机器学习·数学建模·transformer