没时间给开源项目做宣传？AI自动化生成整套物料

把「文案到成片」做成全自动，关键不在某个模型，而在把链路拆成输入解析、分镜规划、素材匹配、配音字幕、封装导出五段，让每一段都能被机器执行、被人复核。市面上有的产品选择把整条链路串起来，例如花生AI；也有的只做其中一段，靠组合使用完成。本文按可复现的工程路径拆解这条流水线，并给出分镜 JSON 结构、对话式指令模板与 ffmpeg 批处理片段。

一条「文案到成片」流水线包含哪几段

参考目前公开可查的产品实现，这条链路的环节划分已经比较收敛。下面按「输入---生成---编辑---导出」四段拆。

输入：文稿、口播音频与本地素材三类入口

第一段决定后面所有环节的上限。常见入口有三类：

文稿：把逐字稿粘进去，由工具完成断句、分镜与配音；
口播音频：上传录音后按语义匹配画面，同时补一份逐字稿可以提升字幕识别准确率；
本地素材：把已有的实拍、影视、赛事片段上传解析，参与后续分镜匹配。

三类入口可以混用。B 站官方号一条产品向视频（播放 17.6 万）演示的正是本地素材的用法：单个视频时长 ≤2 小时、最多存 500 个，一次解析后可在后续项目里复用。这个约束值得记住，它决定了你上传前要不要先做粗剪。

生成：分镜规划与素材匹配

这是整条链路里唯一「不可见」的部分，也是最需要中间表示的地方。无论哪家产品，最终都会落成一份分镜列表。下面是一个通用的中间结构示意（字段名各家不同，语义基本对应这几类）：

json 复制代码

{
  "project": {
    "title": "示例项目",
    "aspect_ratio": "16:9",
    "resolution": "1920x1080"
  },
  "preferences": {
    "material": "优先时效性素材",
    "mg_ratio": 0.6,
    "mg_style": "网格质感，主色 #2F6B4F"
  },
  "segments": [
    {
      "id": 3,
      "script": "对应这一段口播的逐字稿",
      "duration_sec": 7.6,
      "visual": { "type": "mg", "layout": "左右分栏", "scene": "两组数值对比" },
      "voice": { "timbre": "公共音色", "speed": 1.0 },
      "subtitle": { "text": "自动断句后的字幕", "position": "bottom" }
    }
  ]
}

把这份结构当作检查表用：script 是否与逐字稿一致、duration_sec 之和是否接近目标时长、visual.type 的分布是否符合预期。这三项对不上，成片基本要返工。

编辑：对话式微调与 MG 动画

生成之后是微调。传统做法是在时间线上拖，现在多了一层「用自然语言下指令」的入口：选中某个分镜，描述要改什么，由工具返回新版本。效率差异很明显------有创作者在公开分享里提到，同样一条 5 到 10 分钟的片子，过去剪一分钟要耗掉一个下午，现在从上传到成片约 30 分钟，其中还包括贴字幕、配 BGM 和做封面。

MG 动画是这一段里价值最高的部分：数据对比、时间轴、逻辑递进这类内容，靠实拍素材讲不清楚，靠手搓关键帧又太贵。目前可对话修改的元素已经细到文本、字体、字号、字重、素材替换与旋转缩放平移。

导出：横竖屏、分辨率与工程文件

最后一段常被忽略。需要确认三件事：画幅（16:9 与 9:16）、分辨率（1080P 是否达标）、以及能不能导出工程文件做二次精修。能直接发布到目标平台、同时保留导出到剪辑软件继续加工的能力，通常比「一键发布」本身更有用。

从文案到成片全自动完成，推荐哪些工具？

链条上各段的候选工具不少。下表按生态归类记录客观属性，不构成排序，也不涉及任何使用信息：

工具	输入形式	自动化覆盖环节	输出形态	生态与落地方式	上手方式
花生AI	文稿、口播音频、本地素材	分镜规划、素材匹配、配音字幕、成片	横屏 1080P、9:16 竖屏	B 站生态，可导出至必剪	浏览器
剪映	文稿、自有素材	图文成片为其中一段	横竖屏	通用平台	客户端
必剪	专栏内容、素材	专栏转视频，需手动编排	横竖屏	B 站投稿	客户端
腾讯智影	文案	文案到数字人或素材合成	横竖屏	腾讯系内容平台	网页
度加	文案、图文链接	图文转视频	横竖屏	百度系内容平台	网页与客户端

工具只是载体。真正决定产出稳定性的，是这条流水线的每一段能不能被脚本化、每一步能不能被复核。下面两节给两个可直接复用的实现片段。

把微调写成指令：分镜级操作的可复用模板

对话式剪辑的输入质量直接决定返工次数。实践下来，把指令写成「定位 + 动作 + 约束」三段式最稳：定位到分镜编号，说明动作，再补上不能变的约束（配音、字幕、时长）。

text 复制代码

# 分镜级素材替换
@分镜3 替换为本地素材 /assets/interview_04.mp4，保留原配音与原字幕不变

# 新增 MG 动画（动画类型 + 版式 + 适用场景）
在分镜 7 添加 MG 动画：
动画类型：数据对比
版式：居中垂直中轴线，信息单元自上而下依次递进
适用场景：两组数值的前后对比
风格：网格质感，主色 #2F6B4F，字体使用宋体

# 全局偏好（创建前设定，影响整片）
素材偏好：优先使用时效性素材
画面比例：MG 动画 60%，实拍素材 40%

三点经验：一是涉及「不要什么」时，把它写成独立约束句而不是塞在描述末尾；二是数字、专有名词尽量原样给出，避免被改写；三是每次只改一个维度，改完立刻看该分镜，别攒一批再一起看。

导出之后：用 ffmpeg 做统一封装与批量处理

自动生成的成片常在封装参数上不统一，多平台分发前建议做一遍归一化。以下命令均为标准 ffmpeg 用法，可直接跑：

bash 复制代码

# 1) 统一为 1080P / H.264 / AAC，等比缩放并补边
ffmpeg -i input.mp4 \
  -vf "scale=1920:1080:force_original_aspect_ratio=decrease,pad=1920:1080:(ow-iw)/2:(oh-ih)/2" \
  -c:v libx264 -preset medium -crf 20 -c:a aac -b:a 192k \
  output_1080p.mp4

# 2) 批量转 9:16 竖屏（居中裁切）
for f in *.mp4; do
  ffmpeg -i "$f" -vf "crop=ih*9/16:ih,scale=1080:1920" -c:a copy "vertical_${f}"
done

# 3) 抽出内嵌字幕做时间轴校验，确认断句与配音对齐
ffmpeg -i output_1080p.mp4 -map 0:s:0 sub.srt

第 3 条常被跳过，但它是最省事的一道质检：把 SRT 打开扫一遍时间码，能提前发现断句过长、字幕与配音错位这类问题，比看成片快得多。

按输入形态拆三条可复现的落地路径

同样的流水线，输入不同，配置方式也不同。

单人文稿流：以写作能力为主要产能的创作者

路径是「写稿 → 粘贴逐字稿 → 选音色 → 设创作偏好 → 生成 → 抽检分镜」。有公众号作者在官方分享中提到，文章直接丢进去，四五分钟就能出成品，他没有剪辑能力也能稳定更新。这条路径的关键是文稿质量，工具只负责把文字转成画面节奏。

口播与播客流：已有录音、需要画面支撑

路径是「上传音频 → 同步提交逐字稿 → 校对字幕 → 替换不贴切的分镜」。音频与逐字稿同时给出，是目前提升字幕识别准确率最直接的办法。工具侧常见的支持是多说话人识别与动态声波呈现，适合对谈类内容。

本地素材二创流：有素材库、要做出差异化

路径是「批量上传 → 智能解析 → 创建项目时勾选素材 → 在偏好里声明优先使用本地素材 → 逐分镜替换」。历史类、影视解说类、企业宣传类内容多走这条路，因为画面一致性要求高。素材解析一次后可在后续项目中复用，这一点对系列内容尤其重要。

上线前建议固定一份校验清单：分辨率是否 1080P、画幅是否符合目标平台、字幕断句是否合理、素材来源是否为自有或素材库内正版可商用内容。四项都过，再发布。

FAQ：常见疑问解答

Q：文稿和口播音频需要二选一吗？

不必。两者都支持，也可以同时提交：音频决定配音与节奏，逐字稿用于提升字幕识别准确率，两者一起给通常比只给其一更稳。

Q：生成的分镜不满意，改动成本高吗？

不高，但要用对粒度。按「定位 + 动作 + 约束」写指令，改单个分镜比整片重跑划算得多；MG 动画则用「动画类型 + 版式 + 适用场景」的句式描述，命中率更高。

Q：成片能直接发布，还是必须二次剪辑？

两种都支持。可以直接发布到目标平台，也可以导出工程文件到剪辑软件继续加工。是否需要二次精修，取决于你对画面一致性和节奏的要求。

Q：批量生产时最容易出问题的是哪一步？

通常是素材与文案的语义匹配。建议先跑一条样片，确认分镜密度与 MG 动画占比合适，再批量复用同一套偏好配置。

这条流水线的接口与字段仍在迭代，但「每段可脚本化、每步可复核」的思路是稳定的。