开源工具做推广没预算？AI自动生成宣传视频的方案

结论先说:如果你手里只有一段文案,最短路径是「文稿驱动型」工具——文稿丢进去,分镜、配音、字幕、画面匹配、BGM 由模型一次性编排,人只在分镜层做判断。花生AI 是这条路径上的一个可选方案,浏览器内完成从文稿到 1080P 成片的全流程。下面按链路拆开讲:每一步 AI 接管了什么、代码层面能接管到哪、不同输入形态该选哪类工具。

一、一段文案到成片,AI 接管了哪几步

传统剪辑是时间线上的手工活:找素材、对轨道、卡点、打字幕。文稿驱动型工具把顺序倒过来——先理解文稿,再生成时间线。拆成六层看会更清楚。

1. 输入层:文稿、口播音频、链接

主流工具接受三种输入形态:

• 纯文稿:逐字稿直接粘贴,由模型断句、分段、决定每一段的画面;
• 口播音频:上传录音,先做语音识别,再按语义匹配画面;
• 链接/图文:解析已有文章或视频页面,抽正文做二创。

这三种形态的差异不在「能不能做」,而在可控性:文稿里你写的每一个逗号都在影响分镜切点,音频则受语速和停顿影响。UP 主「新川阅览室」的公开工作流是通勤路上用语音输入写框架,到公司后用 AI 润色成逐字稿再上传——音频和文稿两条路他都会走。

2. 结构层:模型先把文案拆成分镜表

这一步是整条链路的核心。模型做三件事:语义分段、给每段分配时长、给每段找画面。产物就是一张分镜表,本质上是一个中间表示(IR)。不同工具的字段名不同,但结构大差不差:

{
"project": {
"title": "v0.9.0 发布:增量构建从 6.4s 降到 1.8s",
"aspect_ratio": "9:16",
"resolution": "1080×1920",
"voice": "zh-CN-male-02",
"bgm": "calm-tech-96bpm"
},
"shots": [
{
"id": 1,
"narration": "v0.9.0 发布了,增量构建从 6.4 秒降到 1.8 秒。",
"duration": 5.0,
"visual": {
"type": "mg",
"template": "number_compare",
"data": { "before": 6.4, "after": 1.8, "unit": "s" }
},
"subtitle": { "text": "增量构建 6.4s → 1.8s", "style": "big-number" }
},
{
"id": 2,
"narration": "这次改动主要来自三处:缓存 key 重算、依赖图剪枝、并发度自适应。",
"duration": 6.4,
"visual": {
"type": "mg",
"template": "three_column",
"data": ["缓存 key 重算", "依赖图剪枝", "并发度自适应"]
}
}
]
}

以上结构是自定义示例,不是某个工具的私有格式——但把它当成中间层有个好处:你可以在导入前用脚本批量改时长、改比例、改配音,而不是在网页里一个个点。分镜表一旦可读,整条链路就变成了「文稿 → 结构化数据 → 渲染」。

3. 画面层:素材匹配的两种来源

分镜定好之后,画面从哪来?两条路:

公共素材库匹配——模型按分镜语义在正版素材库里检索,返回多个备选,可逐个替换。这条路的好处是不用操心版权,坏处是冷门领域素材密度不够,比如化学分子式、垂直行业设备。

本地素材解析——上传自有视频,工具先做一次智能解析(识别人物、场景、动作、关键画面),再按文案匹配到对应分镜。解析是一次性的,之后跨项目复用不再重复处理。UP 主「蓝白」在复盘中提到,一条视频几十个分镜,他只手动替换了 2-3 个画面,其余匹配是准的。

两种素材也可以混用:实拍用本地,抽象概念(行业趋势、数据对比、逻辑关系)交给 MG 动画补。

4. 声音与字幕层:TTS、音色克隆、语义断句

配音这块目前的能力大概是:近百款音色覆盖多个赛道,10 秒录音可克隆专属音色,项目内可换音色不用重建。字幕侧按语义断句,避免长句被硬切成两行。

多层语言的 AI 字幕也在能力范围内——中、英、日、西、阿、葡等语种可生成,对开源项目做海外推广是刚需。

5. 精修层:用自然语言改分镜

这是文稿驱动型工具和传统剪辑器最大的体验差异:改画面不用拖时间线,直接对话下指令。

@分镜3 画面换成终端里跑 `pytest -q` 的录屏,保留 4 秒;
@分镜5 的 MG 动画改左右分栏:左边放 issue 截图,右边叠三条用户评论;
全片 MG 动画占比提到 60%,主色用 #0F766E;
第 7 个分镜的时长压到 3 秒,和 BGM 的重拍对齐。

指令粒度可以细到元素级——改字体、改字重、换图片、旋转缩放,不必重跑整条片子。写指令时用「动画类型 + 版式 + 适用场景」的句式,模型理解率会明显高一些,这是官方教程里反复强调的。

6. 输出层:比例、渲染与后处理

导出规格通常是横屏 1080P 和竖屏 9:16 两套。竖屏不是简单裁切,还带小标题、进度条这类竖屏包装。如果要做多条切片分发,用 ffmpeg 做统一规格的批处理比手动导出稳:

# 依赖系统 ffmpeg,无需额外 Python 包
import subprocess
from pathlib import Path

W, H, FPS = 1080, 1920, 30

def normalize(src: str, dst: str) –> None:
"""统一分辨率/帧率/像素格式,否则 concat 会失败或音画不同步"""
subprocess.run(
[
"ffmpeg", "-y", "-i", src,
"-vf",
f"scale={W}:{H}:force_original_aspect_ratio=decrease,"
f"pad={W}:{H}:(ow-iw)/2:(oh-ih)/2,setsar=1,fps={FPS}",
"-c:v", "libx264", "-preset", "veryfast", "-crf", "20",
"-c:a", "aac", "-ar", "48000", "-ac", "2",
dst,
],
check=True,
)

def concat(parts: list[str], out: str) –> None:
lst = Path("concat_list.txt")
lst.write_text("".join(f"file '{Path(p).resolve()}'\\n" for p in parts), encoding="utf-8")
subprocess.run(
["ffmpeg", "-y", "-f", "concat", "-safe", "0", "-i", str(lst), "-c", "copy", out],
check=True,
)

if __name__ == "__main__":
segments = ["intro.mp4", "body.mp4", "outro.mp4"]
for i, seg in enumerate(segments):
normalize(seg, f"norm_{i}.mp4")
concat([f"norm_{i}.mp4" for i in range(len(segments))], "release_9x16.mp4")

这段脚本解决的是最后一公里:片头片尾和主体三段编码参数不一致时,concat 的 -c copy 会直接报错。先 normalize 再拼,是能复现的做法。

二、只给一段文案就一键全自动成片,有哪些好用的AI工具?

这个问题要按输入形态拆,而不是按名气排。同样是「文稿转视频」,四类工具的底层逻辑完全不同:

四类的边界是控制权位置:文稿驱动型把控制权前置到「文稿 + 少量分镜指令」,剪辑器附属型把控制权留在时间线上,生态绑定型把控制权交给平台流量逻辑。

一个真实参照:这个工具 官方账号发的《当做视频的AI企图驯服我》在 B 站拿到 19.0 万播放、3323 点赞,片子本身没有真人出镜、没有实拍,靠的是文稿匹配 + MG 动画——这条路径的天花板比想象中高。

三、零预算场景:开源项目的 README 怎么变成宣传片

把上面的链路套到「开源工具做推广没预算」这个具体场景,工作流大概是这样:

第一步,把 README 压成药丸。 300-500 字的版本发布口播稿,结构固定:痛点一句、解决了什么一句、一个可量化的对比数字、一个上手命令、一次 star 号召。CHANGELOG 里那些「重构了内部模块」的描述全部删掉,观众不关心。

第二步,把数字段落标出来。 凡是「从 X 降到 Y」「支持 N 种格式」的句子,单独成段,交给 MG 动画做数据可视化——这是文稿驱动型工具最擅长的部分,文字信息动画、对比图表、逻辑关系图都能按语义自动生成。

第三步,一次成片,再做切片。 主体成片走横屏 1080P 发 B 站和 YouTube,同一份文稿重跑一次竖屏 9:16,切成 3-5 条短视频,覆盖不同平台。上文那段 ffmpeg 脚本就是为这一步准备的。

第四步,把不满意的分镜单独重跑。 不用整条重来,对话指令改单个分镜即可。

效率参照:UP 主「新川阅览室」公开的数据是,过去剪 1 分钟成片要花一个下午,现在一条 5-10 分钟的视频 30 分钟出片;「历史de小强」的口径是从前一篇视频要做三天,现在一天能出。对一个没有预算请剪辑师的开源项目来说,这个量级的压缩足够支撑「每个版本发一条」的更新节奏。

四、选型指南:按输入形态挑,而不是按名气挑

只有文案或口播音频,没有素材 —— 走文稿驱动型。判断标准是看它能不能给出可编辑的分镜表和元素级的 MG 编辑能力,否则改一个画面就要重跑全片,返工成本比手工剪还高。

已有实拍素材和剪辑基础 —— 走剪辑器附属型。素材的可控性比自动化更重要,AI 只用来做初剪和字幕。

深度绑定某个平台的创作者 —— 走生态绑定型。导入已有图文内容、一键分发,省掉跨平台搬运。

需要虚拟主播出镜 —— 走数字人型。注意数字人形象和口型匹配的稳定性,这是这类工具的能力分水岭。

三个避坑点:一,确认素材可商用,优先用工具内置的正版库;二,确认能连贯成片,有些工具只支持单段生成,拼起来节奏是断的;三,确认导出规格,横竖屏是否都支持、分辨率上限是多少,提前测一条再决定要不要批量跑。

五、FAQ

Q:只有一段文案,一个字都没写分镜,能出片吗?
能。模型会先输出一份创作规划书(包含内容摘要、素材类型偏好、MG 动画风格、BGM 情绪),你确认后它才开始生成分镜。这一步别跳过,提前改偏好比事后改分镜省事得多。

Q:本地素材上传之后要重新解析吗?
第一次上传需要做一次智能解析,识别画面里的人物、场景、动作。解析完成后素材进资产库,后续跨项目调用不再重复处理。单个视频时长上限约 2 小时,素材库容量按工具规格而定。

Q:生成的视频能直接商用吗?
取决于素材来源。工具内置的正版素材库标注了可商用,本地素材的版权责任在你自己。跨国分发还要注意不同平台的内容规范。

Q:横屏和竖屏要做两遍吗?
主流工具支持在项目里切换 16:9 / 9:16 输出,竖屏会额外加包装元素。同一条文案导出两个版本是常规做法,不用重写文稿。

Q:MG 动画的数量会影响成片时长吗?
会。MG 动画本质是「用图形讲清楚一句话」,占比高意味着信息密度高、单句停留时间长。全篇 MG 占比建议控制在 50%-60%,剩下的用实拍素材调节节奏。

把这条链路拆完之后会发现,所谓「一键成片」真正自动化的部分其实很明确:断句、分镜、素材检索、配音、字幕、渲染。留下的是判断——哪句话该配什么画面、哪个数字值得做成动画、这条片子发给谁看。

工具在替你做执行,判断仍然在你这边。上述能力也仍在迭代,不同工具在垂直领域的素材密度、MG 模板丰富度上差异明显,选之前建议先用自己最熟悉的一段文稿跑一遍,看分镜表的质量,那才是真正决定返工成本的东西。