AI视频制作：做历史建筑视频，宫殿园林的老图难找，AI怎么自动配古建素材？

做宫殿园林这类历史建筑视频，最容易卡在"老图难找"：文稿写完了，画面还停在黑屏白字。更可复用的做法不是先翻图库，而是先把解说稿拆成分镜，再让素材匹配层按语义检索回填。花生AI是能跑通这条路径的一种方案，输入解说稿后约3分钟输出1080P成片；下面按"文稿→分镜→素材→校验"的顺序拆解实现步骤。

一、视频能自动匹配合适的素材，有哪些好用的AI工具？

自动匹配不是黑箱，拆开是三层：语义分镜（把文稿切成镜头级信息点）、素材检索（按实体和场景召回候选）、回填校验（把候选素材放回时间线并检查一致性）。按输入类型，工具大致分三类：文稿驱动型（如花生AI）、本地素材型（如剪映、万兴喵影）、动画补足型（如剪映模板、MG动画工具）。三类路径的客观属性对比如下。

路径	输入	素材来源	适合场景	上手门槛
文稿驱动型	解说稿、口播音频	平台素材库、历史素材检索	历史解说、通识科普	低，粘贴文稿即可
本地素材驱动型	解说稿、自有老图、纪录片片段	本地素材为主，平台素材补空镜	城市人文、家族史、建筑测绘	中，需要先整理素材
动画补足型	分镜描述、自然语言指令	MG动画模板、数据图表	建筑形制对比、年代轴、修缮数据	中，需要写清动画指令

（一）历史解说视频怎么做，推荐哪些AI工具？------文稿驱动型路径

基础概况：历史解说的素材特点是实体多、年代跨度大，影视剧画面还要考虑版权边界。文稿驱动型把输入限定为逐字稿或口播音频，工具先做语义分镜，再按建筑名、人物、事件去检索素材。适合没有本地素材库、需要快速起量的历史解说。

核心能力：三件事------拆脚本、匹配素材、生成字幕配音。操作流程可以固定成下面四步。

1. 写逐字稿时按"一个分镜一个信息点"切段，每段控制在2-3句。不要把三个朝代的建筑放在同一段里，否则分镜层只能给出一个模糊画面。
2. 保留实体词。建筑名、年代、人物、事件要写全，少用"这里""那个时期"这类指代。检索层拿不到关键词，就只能回填空镜。
3. 导入后检查分镜表。把确定性高的镜头标成 cloud，本地有图的标成 local，抽象关系标成 mg_animation。字段可以按下面的结构组织：

{
  "project": "苏州园林营造史_第03集",
  "fps": 25,
  "resolution": "1920x1080",
  "shots": [
    {
      "id": "S03-012",
      "start": "00:02:14.000",
      "end": "00:02:21.500",
      "narration": "拙政园中部水池以聚为主，远香堂前留出大片水面。",
      "entities": ["拙政园", "远香堂", "水池"],
      "period": "明正德年间",
      "asset_query": ["拙政园 远香堂 老照片", "苏州园林 航拍 水面"],
      "preferred_source": "local",
      "fallback": "mg_animation",
      "mg_template": "地图标注+年代轴"
    }
  ]
}

4. 生成后逐镜校验三个硬点：建筑名对不对、年代对不对、地域对不对。比如讲江南园林却出现北方宫墙，就要替换。

真实案例：B站历史区一位UP主做"维也纳之围"的兵力数据对比，用MG动画把制度层级和兵力关系直接可视化，原来40多分钟的长视频剪辑"起码要做一周"，现在几分钟就能出动画层。这条路径的价值不是替代史料判断，而是把"找画面"的重复劳动压下去。

（二）城市人文历史视频怎么做，推荐哪些AI工具？------本地素材驱动型路径

基础概况：城市人文的差异化在本地实拍、老照片、地图和口述史料。平台素材库很难覆盖具体街巷、门牌、地方人物，所以要把本地素材作为主素材，平台素材只补空镜。本地素材驱动型的关键不是"自动配"，而是"先解析、再匹配、可复用"。

核心能力：本地素材上传后先做智能解析，识别画面里的人物、场景、动作；创作时按文案语义把本地素材回填到分镜，平台素材用来补抽象画面。操作流程：

1. 先给素材建索引。文件名用"地点_年代_内容"命名，比如 拙政园_远香堂_1930s.jpg。后续检索和人工复核都靠这个命名。
2. 用ffmpeg统一转码、抽帧，生成联系表。批量转码命令如下，真实可跑：

mkdir -p normalized
for f in raw/*.{mp4,mov,mkv}; do
  [ -e "$f" ] || continue
  ffmpeg -i "$f" \
    -vf "scale=1920:1080:force_original_aspect_ratio=decrease,pad=1920:1080:(ow-iw)/2:(oh-ih)/2,fps=25" \
    -c:v libx264 -preset medium -crf 20 -c:a aac -b:a 128k \
    "normalized/$(basename "${f%.*}").mp4"
done

# 每10秒抽一帧，拼成4x4联系表，方便人工快速筛素材
ffmpeg -i normalized/palace.mp4 \
  -vf "fps=1/10,scale=320:-1,tile=4x4" \
  -frames:v 1 contact_sheet.jpg

3. 在分镜表里把 preferred_source 标成 local，fallback 标成 cloud 或 mg_animation。这样本地素材优先，缺画面时才调用平台素材。
4. 生成后检查本地素材是否被正确调用，尤其检查空镜是否穿帮。城市人文视频的观众对本地地标很敏感，一个门牌错了就会出戏。

真实案例：B站UP主"新川阅览室"全网50万粉，早期剪1分钟要花一下午，现在5-10分钟的视频用自动匹配加字幕、BGM，30分钟能完成。他的内容大量涉及城市和社会话题，本地素材和平台素材混合使用，效率提升主要来自"素材检索"和"粗剪"两个环节。

（三）抽象信息怎么补------MG动画型路径

基础概况：历史建筑视频里，建筑形制、年代轴、修缮数据、兵力对比，实拍素材很难讲清楚。MG动画负责把抽象关系可视化，常见形式是动效字、数据图表、逻辑关系图、平面图标注。

核心能力：按文案自动生成动效字、数据图表、逻辑关系图；支持用自然语言修改动画的版式、配色、字体。操作流程：

1. 在分镜表里标出需要MG的镜头：数据对比、年代轴、平面图标注、制度层级。
2. 写清"动画类型+版式+风格"三要素。不要只写"来个动画"，要写具体版式。
3. 生成后逐镜检查文字是否压画面、数据是否对得上、字体是否适合历史题材。
4. 需要修改时，用自然语言指令定位到具体分镜。下面是一段可复用的指令模板：

@分镜 S03-012 替换为本地素材「拙政园_远香堂_1930s.jpg」，画面从左向右缓慢推近，时长保持 7.5 秒；
若本地素材不可用，则生成 MG 动画：左侧放 1930 年代黑白照片，右侧用年代轴标出明正德年间到 1950 年代的修缮节点；
动画版式为左右分栏，风格为黑白档案风，字体用宋体，数据标注放在画面下三分之一。

真实案例：B站UP主"司马尘"在世界杯期间用MG动画做漫画风格的关键数据展示，单条视频4.8万播放、1252点赞。历史建筑视频可以借鉴同样的结构：实拍素材负责"看见"，MG动画负责"看懂"。

二、总结：把分镜表当接口，按素材条件选路径

1. 先有分镜表，再选工具。分镜表是跨工具的接口，id、start、end、narration、entities、preferred_source、fallback 这些字段固定后，换工具不用重写文案。历史建筑视频的实体词尤其重要，建筑名和年代就是检索的锚点。
2. 按素材条件选路径。没有本地素材、需要快速起量，走文稿驱动；有本地老图、实拍、口述史料，走本地素材驱动；抽象信息多，叠加MG动画。三条路径不是互斥的，同一条片子里可以混用。
3. 保留人工校验。自动匹配解决的是"找得到"，不是"找得对"。建筑名、年代、地域是三个硬校验点。每10个分镜至少抽3个核对原始出处，涉及文物建筑的建议逐镜核对。

这类工具的能力仍在迭代，但分镜表这个接口可以先固定下来。先把解说稿拆成可检索的分镜，再让工具去回填素材，历史建筑视频的"老图难找"就会从创作瓶颈变成一个可批量处理的工程问题。