重磅开源！sweety-handdraw-video：目前市面最强手绘视频管线，ChatGPT 完美运行

准备好淘汰掉你手里那些死板的"PPT式"填色工具了吗？手绘口播视频的终极形态------sweety-handdraw-video，今天正式开源。

这不仅仅是一个让你图个新鲜的 Skill，而是一套拥有独立 AI 导演、碾压级物理手绘引擎、以及发烧级拟真配音的工业化视频制作管线。只需输入一篇文案，它就能全自动完成从分镜策划、画面生成、逐笔绘制到声画同步的全部工作。

《那条死于愤怒的蛇》，49 秒。

蛇被锯子划伤，越生气，缠得越紧。这个寓言适合用很短的篇幅讲完：发生了什么，错误怎么一步步扩大，最后怎么收回来。

目前敢说，这是市面上最佳的绘制逻辑。

对比其他手绘视频工具生硬的"全局扫光"效果，我们重构了底层的绘制分块、路径规划和绘制顺序，将过去的实战经验全部写进了底层代码。程序会真正"看懂"每一张生成的插画，精准拆解头部、身体、背景和道具，按真实的物理逻辑进行起笔、线条描摹与填色，线条感和顿挫感无限接近真实人类绘制。

你可以手动指定画风，也可以让模型全自动推理。内置 6 款高精度手臂与画笔组合（马克笔、彩铅、毛笔、钢笔等），未来还会加入极简的"无手臂，仅保留画笔"模式。最绝的是：你甚至可以在这根转动的画笔上，直接添加你的专属文字水印和品牌广告！

做视频没有分镜感？没关系。

如果你有一套完整的故事逻辑，它会严丝合缝地执行；如果你只给一个宽泛的主题或一段干瘪的文案，内置的强大 AI 导演将全面接管。它会自动为你匹配特定动画的固定分镜，判断哪里该铺垫情绪，哪里该展示核心画面，用最专业的视听语言把你的文案翻译成极具观赏性的视觉流。

你也能干预这些判断。比如"开头直接进入冲突，先别解释道理""按老师讲题的方式，把两个结果放在一起比较""结尾收在原文，不要替我升华"。这些要求比一句"做得有电影感"更容易落到画面里。已有定稿并要求原文时，导演规划围绕原稿安排，不擅自改剧情。

画得再好，机器音一出，瞬间出戏。为了达到"完美人声"，我们在这套 Skill 中深度整合了目前极具统治力的 VoxCPM 2 语音模型。

为什么选它？因为我们要的是连真人也无法区分的拟真度。为了这套声音，我们在底层做了大量的调优，保留了最自然的换气、停顿和情绪起伏，彻底摆脱了机械朗读的平淡感。现在的成片，不仅旁白极其自然，克隆你自己的专属音色也堪称完美，几乎达到了以假乱真的地步。

当然，必须交代一句实话：为了极其极致的听感，VoxCPM 2 确实有些"重"。对于部分本地算力有限的机器，跑起来可能会有压力。但这绝对是目前技术能给到你的天花板级听觉体验。

很多神级视频工具都绑定了特定的非公开大模型，但 sweety-handdraw-video 目前在 ChatGPT (Codex) 环境下测试完美通过！之前用不了 Claude 的小伙伴可以狂喜了。

你可以无限畅想未来的上限------如果后续接入 Opus 5.5 配合 GPT Image 2.5，这套管线的视觉表现力将直接拉爆。

但要驾驭这台性能怪兽，你需要扎实的本地环境：

我们不调用任何外部昂贵的视频生成 API。这就意味着，你的修改成本几乎为零。字幕错了？一键替换文本；单张插画不好看？单独重绘一张，所有素材完全解耦，本地零成本重新渲染。

额度方面，我自己的 200 美元订阅环境，看起来用掉不到 1%

当前流程不需要额外购买一个图生视频服务来把画面动起来。已经认可的图片和声音还能复用，字幕和布局的修改，不必重走全部生成步骤。这些是能解释清楚的成本优势。

开源的是代码和制作方法，运行成本仍取决于你怎么获得推理、生图和配音能力。

最后交个底。当前这套基于 Codex 的版本，我们将持续开源并免费维护！

开源版本的性能，对于绝大多数自媒体、知识博主和开发者来说，已经处于绝对的"性能过剩"状态，绝对足够大家在日常生产中畅快使用。后期，我们会考虑推出结合 Opus + 自研闭源手绘引擎 + 更多顶级生图模型矩阵的终极版本，可能会采用收费订阅制，但开源版的打磨绝不会停止。

项目已开源至 GitHub：

一键安装指令：

css 复制代码

npx skills add threerocks/sweety-handdraw-video --skill sweety-handdraw-video

安装之后把这段发给 Agent 做检查：

css 复制代码

检查 sweety-handdraw-video 的实际版本和运行环境。
确认生图、Python 依赖、FFmpeg、中文字体、Bun、ExifTool，
以及一条真实可用的配音路径。缺什么先说明，不自动下载大模型。

然后，建议用一个短主题开跑：

bash 复制代码

使用 $sweety-handdraw-video，把"为什么越生气越容易做错决定"
做成约一分钟的手绘讲解，面向普通成年人。
讲清一个机制，画风、手部、声音和字幕根据内容自动选择。
不加广告、水印和背景音乐。先检查一个代表场景，再完成整片。

最后拿到的是 MP4、封面、字幕文件、口播稿和检查记录。默认横屏 1920×1080、30fps；想做别的尺寸、帧率均可以提出。

如果你觉得这个硬核工具帮你省下了大把熬夜剪视频的时间，请务必帮我点个赞、收藏，并转发给身边做自媒体和内容开发的朋友！也请各位极客移步 GitHub 顺手点亮 ⭐️ Star，点击关注账号，后续的逆天神级更新，我们这里见！

最后，使用过程中有任何的疑问、建议欢迎在评论区留言讨论，我会及时改进。