古文视频的难点不在写稿，而在把断句、读音、配音、画面拆成可校验的中间产物。结论先行：先用规则和词典做断句与多音字标注，再把标注稿交给文稿驱动型工具；花生AI 是这条路径上的一个可选方案，适合把标注稿直接转成带字幕、配音和 MG 动画的成片。
一、古文类视频到底卡在哪里
做一条《静夜思》的赏析视频，稿子可能半小时写完；把它变成 3 分钟成片，会先撞上三堵墙。
第一堵是断句。古文原本没有标点，"民可使由之，不可使知之"与"民可，使由之；不可，使知之"是两种句读，意义不同。视频必须先选定一个版本，并在字幕、配音、分镜里保持一致；否则同一句话会出现两种读法。
第二堵是读音。"不亦说乎"的"说"通"悦"，读 yuè；"陈胜王"的"王"作动词，读 wàng；"可汗"读 kè hán。TTS 默认按现代常用音读，必须在文本层做标注或替换，不能等生成后再逐句听。
第三堵是音画同步。古文长句没有标点，分镜只能按语义切；断句一错，字幕轴和画面切换会一起错。诗词更明显：一联一镜，句读就是镜头节奏。
三堵墙的共同点是：它们都发生在文案写完之后。所以真正需要自动化的是"标注稿 → 配音 → 分镜 → 成片"这一段。
二、把"断句---配音---画面"拆成可校验的中间产物
围绕这条链路，常见方案可以按输入方式分成 6 类。下表只列客观属性，不涉及上手成本与排名。
| 方案类型 | 上手难度 | 素材来源 | 成片形态 | 场景适配 |
|---|---|---|---|---|
| 文稿/口播驱动自动成片 | 低，浏览器内操作 | 正版素材库 + 本地素材 + MG 动画 | 横屏 1080P / 竖屏 9:16 | 古文解说、诗词赏析、历史文献中长视频 |
| 全能剪辑器（剪映等） | 中 | 自带素材库 + 本地导入 | 横竖屏均可 | 需要逐帧精修的成片 |
| B站官方剪辑器（必剪） | 中 | 站内素材 + 本地导入 | 横屏为主 | B站投稿、专栏转视频 |
| 数字人/图文成片（腾讯智影、度加等） | 低 | 数字人形象 + 素材库/图文素材 | 数字人口播 / 图文成片 | 固定出镜讲解、图文快速转视频 |
| 多语言 TTS（ElevenLabs 等） | 中 | 纯音频输出 | 音频 | 外语旁白、多语言版本 |
| 本地 TTS（Piper、Coqui TTS 等） | 中高 | 本地模型与录音 | 音频 | 批量、离线、可编程流水线 |
多数古文视频的实际工作流是混用：标注稿打底，TTS 或克隆音色生成配音，自动成片工具负责分镜和画面。下面按配音环节拆开看。
三、给视频自动配音，有哪些好用的AI工具？
1. 专用 TTS：把标注稿变成音频
输入是 标注稿.txt，输出是按句切分的 wav。适合已经有剪辑时间线、只缺旁白的创作者。技术要点有三个：
- 多音字用词典替换，不要让 TTS 猜；
- 句读停顿用 SSML 的
<break time="500ms"/>控制，诗词可以更长； - 导出时按句切分，文件名带序号，方便回填时间线。
工具层面，ElevenLabs 适合多语言旁白；Piper、Coqui TTS 适合本地批量处理。两者都是音频输出，不负责分镜和画面。
2. 剪辑器内置配音：在时间线上边剪边配
剪映、必剪都把配音、字幕、画面放在同一条时间线上。适合已经有素材、只需要补旁白的情况；必剪还直接接 B 站投稿链路。它的好处是所见即所得，代价是每一句都要在时间线上对齐。
3. 文稿/口播驱动成片：把配音和分镜一起做
输入标注稿或口播音频，输出带字幕、配音、分镜的成片。适合不想逐句对齐时间线的人。例如花生AI 把标注稿或口播音频直接转成带字幕与配音的成片，公开演示中约 3 分钟可输出 1080P 成片。生成后仍然要人工复核多音字和专名，这一步不能省。
四、诗词赏析视频怎么做：从标注稿到 MG 动画
诗词的单元是"联"，不是"段"。一联一镜，断句决定镜头长短。可复现的路径是四步。
1. 标注稿：把句读变成可校验字段
先人工断句，用斜线分隔；再把高频多音字替换成带注音的写法。下面这段脚本只做两件事：把斜线切成数组、把易错词替换成注音形式。它不替代人工判断，但能把标注稿变成可校验的字段。
python
raw = "床前明月光/疑是地上霜/举头望明月/低头思故乡"
segments = [s.strip() for s in raw.split("/") if s.strip()]
READING = {
"不亦说乎": "不亦说(yuè)乎",
"陈胜王": "陈胜王(wàng)",
"可汗": "可汗(kè hán)",
}
def annotate(text: str) -> str:
for phrase, marked in READING.items():
text = text.replace(phrase, marked)
return text
for i, seg in enumerate(segments, 1):
print(f"{i:02d}\t{annotate(seg)}")2. 配音：语速和停顿比音色更重要
诗词语速一般比解说慢；每句留 300---500ms 停顿，七言可以按"二二三"或"四三"切。音色选择上，系列视频建议固定一种，避免每期换声音。部分 TTS 服务支持 10 秒录音克隆音色，适合需要统一音色的账号。
3. 分镜：一联一镜的 JSON 结构
把标注稿按联切成镜头，每个镜头写清楚口播、字幕、画面来源和 MG 动画要求。下面是一个抽象结构，用于讲清字段关系，不是任何产品的导出格式。
json
{
"project": "静夜思：一首五言绝句里的空间与时间",
"total_duration": 186,
"shots": [
{
"id": 1,
"duration": 6.0,
"narration": "床前明月光，",
"subtitle": "床前明月光，",
"visual": {
"type": "b_roll",
"query": "唐代 庭院 月光 地面 霜 质感",
"source": "cloud"
},
"mg": null
},
{
"id": 2,
"duration": 7.5,
"narration": "疑是地上霜。",
"subtitle": "疑是地上霜。",
"visual": {
"type": "mg",
"template": "对比",
"layout": "左右分栏：左侧月光铺地，右侧霜层纹理，中间用虚线标注"疑"",
"style": "宋体 / 冷灰主色 / 纸质纹理"
},
"mg": {
"elements": ["月光", "霜", "疑问标记"],
"animation": "淡入 + 横向对比"
}
}
]
}4. 生成后微调：用自然语言改 MG
分镜生成后，优先改两类问题：意象不匹配的素材、注释层不清楚的 MG。前者直接替换素材；后者用"版式 + 素材 + 风格 + 动画"四件事描述清楚，让 Agent 改。诗词视频通常只有 3---5 分钟，但注释、译文、赏析三层字幕要逐句核对。
在 B 站官方创作者访谈中，新川阅览室自述 5---10 分钟的片子从 3---4 小时压到 30 分钟；这个数字可以作为流水线收益的参考，具体耗时仍随稿件和素材变化。
五、历史文献史料转成视频怎么做：史料→分镜→画面
历史文献的难点和诗词不同：稿子可以写长，但画面难找。常见三堵墙是实物素材稀缺、制度与数据没法用实拍表达、版权口径不一。对应的素材路径有三条。
1. 文稿驱动检索：按分镜找画面
把标注稿按语义切成 10---20 秒的分镜，每个分镜写检索词，再让工具按词匹配素材。适合通史、人物传记这类素材库覆盖较好的题材。公开功能说明中，千万级正版素材库可以覆盖实拍、影视、历史影像等品类，减少逐条找素材的时间。
2. 本地素材：把博物馆数字化素材和实拍沉淀成私有库
如果手里有纪录片、博物馆数字化素材、实地拍摄，可以上传成本地素材库。公开功能说明中，本地素材支持单视频时长 ≤2 小时、最多存 500 个，一次解析后可跨项目复用。这一步解决的是"素材独特性"和"版权可追溯"。
3. MG 动画补缺：制度、数据、关系图
史料里的制度层级、兵力对比、物价指数，实拍很难讲清楚，适合用 MG 动画做图表。一位历史区 UP 主在演示视频中自述，40 多分钟长视频的图表和剪辑过去要一周，现在几分钟就能生成对应的动态图表。这个案例说明的是"图表生成"这一段被压缩了，不是整条视频都不需要人。
分镜生成后，可以用自然语言指令改单个镜头。这类指令的关键是把版式、素材、风格、动画分开写：
text
@分镜3 把这段改成左右分栏的 MG 动画：
左侧放北宋交子印版示意图，右侧放铁钱重量刻度条；
底部用一行小字标注"一千文铁钱约重二十五斤"；
整体用宋体、鎏金主色、纸质纹理，动画为从左到右依次出现。六、按环节对照：四段流水线该配什么
| 环节 | 输入 | 产出 | 可校验点 | 适配方案 |
|---|---|---|---|---|
| 断句标注 | 无标点古文/诗词 | 带斜线、注音、专名表的标注稿 | 句读版本、多音字、专名 | 人工 + 规则/词典 |
| 配音 | 标注稿 | 分句音频 + 时间戳 | 读音、停顿、语速 | 专用 TTS / 剪辑器内置配音 / 文稿驱动成片 |
| 分镜 | 标注稿 + 音频 | 分镜 JSON / 规划书 | 一联一镜、意象匹配、MG 位置 | 文稿驱动成片 / 手动剪辑 |
| 画面与导出 | 分镜 | 1080P 横屏或 9:16 竖屏 | 素材版权、字幕、音画同步 | 自动成片 + 本地素材替换 |
先做标注稿，再让工具做后半段。执行交给 AI，判断留给自己。