最近刷到一条视频："用 Codex 做视频搞钱，先装这六个 skills，让它接管整条视频制作流程。"
评论区一堆人问"装了然后呢"。装了然后呢——这正是关键。装六个孤立的 Skill 不等于有一条流水线。 我们把这六个逐个拆开看了源码（能开的都开了），搞清楚每个到底干什么、怎么串，最后干脆把它们融合成了一个成品工具。
这篇是深度拆解 + 一条能直接用的流水线。
先泼一盆冷水：装 Skill ≠ 有流水线
六个 Skill 各管一段：生成、剪辑、批量、配图、中文、数字人。但它们是六个独立的"能力说明书"，不是一条跑通的流水线。真到做一条视频，你会发现：
- 素材从哪来？ HyperFrames 和 Jiuma 都能生成，但一个要钱一个不稳
- 生成的怎么剪？ VideoUse 能剪，但它要你先有素材
- 剪完怎么批量？ Remotion 能批量，但它要你会写 React
- 中文口播谁配？ 六个里没有一个把"中文配音"做到位
所以真正的价值不在"装六个"，在"把它们串成一条 SOP"。我们逐个拆。
六个 Skill 逐个拆
1. HyperFrames —— 一句话生成动效视频
干什么：输入一句话/一篇文章/一个推文链接，它生成带动效的视频，能直接渲染成 MP4。文章转视频、产品介绍、推文动效是它的主场。
真相：这是一个闭源产品，不是开源代码库。你要订阅它的服务才能用。它本质是"AI 动效生成 SaaS"。
怎么串：它管"从0到1的动效"。如果你想做"文章→动效视频"，它是一键的。但如果你要批量、要定制、要数据自己的，闭源就卡脖子了。替代思路：用模板化渲染达到 80% 的效果（后面讲）。
2. Video Use —— 素材自动剪辑（含金量最高）
干什么：把拍好的素材丢给它，自动删停顿、加字幕、调色、做动效。这是六个里工艺最硬核的一个，开源（MIT）。
扒到的硬规则（血泪级）：
- 字幕永远最后加——不然会被后面的 overlay/调色盖住
- 分段 extract 再无损 concat——别单遍编码两次，画质会掉
- 每段边界 30ms 音频淡入淡出——防爆音
- 切点贴词边界，留 30-200ms 缓冲——ASR 时间戳会漂 50-100ms
怎么串：它管"素材→成片"的剪辑段。但注意它的"删停顿"靠的是 VAD（静音检测）+ whisper 逐词时间戳——这套我们正好有更优的（火山豆包 ASR，中文词级毫秒）。
3. Remotion —— 代码批量做视频
干什么：用 React 代码做视频。排行榜、数据周报、固定栏目这种"换个数据就出一条"的视频，Remotion 是王者。开源。
真相：强大但重——要装 Node 依赖、要浏览器渲染、要写 React 组件。对不会写代码的创作者，门槛高。
怎么串：它管"批量出片"。核心思想是"数据驱动渲染"——这个思想完全可以用更轻的方式实现（比如 ffmpeg 直接在背景上渲染文字，不用整套 React 渲染管线）。
4. Jiuma AI Video Generation —— 免费 AI 生成
干什么：免费生成 AI 视频，图片/视频/音频全覆盖。韭马出品，调的是各家大模型的免费额度（可灵、即梦等的试用 API）。
真相：免费是有代价的——额度有限、不稳定、随时可能失效。今天能跑，明天 API 改了就废。做正式业务，靠免费额度是走不远的。
怎么串：它管"AI 生成素材"。更稳的做法是直接接官方 API（火山即梦、可灵开放平台），花点钱买稳定。免费额度适合试水，不适合量产。
5. Video Cut Skills —— 中文剪辑专用
干什么：专为中文创作者做的剪辑 Skill，号称"更懂中文剪辑需求"。
中文剪辑的真正痛点（我们判断）：
- 字幕：中文字体渲染（vendor 静态 ffmpeg 常常没编译 drawtext/freetype）、断句贴词边界
- 横竖屏：抖音/视频号要竖屏 1080x1920，B站/YouTube 要横屏——是裁窄带不是旋转
- 花字/弹幕感：综艺式的强调字、底部进度条
怎么串：它管"中文特色剪辑"。这些痛点的解法是具体的 ffmpeg 工艺（libass 字幕渲染、裁窄带转竖屏），我们已落地。
6. jiuma-free-meta-human —— 口播数字人
干什么：自定义生成口播数字人。你写文案，数字人替你念。调的是 HeyGen/D-ID 这类数字人服务的免费额度。
真相：同 Jiuma，免费额度不稳。而且数字人涉及合规红线——各大平台要求 AI 生成内容必须显著标识，且必须是本人形象或书面授权。
怎么串：它管"数字人口播"。合规的做法是：本人形象或授权 + 显著标识"AI生成"。这个能力更适合接直播（OBS 方案）而不是离线生成。
串起来：一条能赚钱的视频流水线
六个 Skill 各管一段，串成一条 SOP 是这样的：
选题（数据驱动） → 文案（AI 生成） → 素材（AI 生成/拍摄） → 剪辑（删停顿+字幕） → 配图（B-roll） → 批量（模板） → 发布（多平台） → 复盘（数据观察）
每一环对应的能力：
| 环节 | 对应 Skill | 关键工艺 |
|---|---|---|
| 选题 | —（数据观察） | 采集热点/评论区，找真需求 |
| 文案 | —（文案二创） | AI 生成口播稿，禁绝对化用语 |
| 素材 | HyperFrames / Jiuma | AI 生成；免费额度→官方 API |
| 剪辑 | Video Use / Video Cut | 删停顿、字幕最后加、分段无损拼接 |
| 配图 | Video Use（B-roll） | AI 解说配图层，画中画轮播 |
| 批量 | Remotion | 数据驱动渲染；可用 ffmpeg 轻量替代 |
| 数字人 | free-meta-human | 本人形象+授权+标识 AI 生成 |
| 发布 | —（一键发布） | 多平台免扫码（CDP 复用浏览器） |
| 复盘 | —（数据观察） | 采集播放/评论，反哺选题 |
我们已经把它做成了成品
拆完这六个，我们发现一件事：它们 80% 的能力，用智子现成的底座就能做，而且更稳。
于是我们把这条流水线融进了「智子」客户端，叫【视频流水线】：
- 口播自动剪辑（融合 VideoUse）：丢入口播视频，自动删停顿/语气词（呃/嗯/这个/那个），烧上字幕。中文走火山豆包 ASR（比 whisper 准），词级毫秒时间戳。
- 模板视频（融合 Remotion）：填数据批量出片——数据播报、排行榜。不用写 React，ffmpeg 直接渲染大标题+数据项，1080x1920 竖屏直接发抖音。
- B-roll 配图（融合 VideoUse）：AI 配图覆盖口播，画中画轮播，不再干巴巴。
- 视频剪辑工具箱（融合 Video Cut）：裁切/横竖屏/压缩/去静音/烧字幕，本机 ffmpeg 处理。
- 语音字幕：视频/音频一键转字幕，中文最准。
配套的整条链也都是现成的：数据观察（采集热点做选题）→ 文案二创（AI 写口播稿）→ 视频流水线（剪辑出片）→ 一键发布（多平台免扫码）→ 数据观察（复盘）。
需要本地装的软件，智子都给了一键装按钮（FFmpeg 内置自带；whisper 一键装；火山语音/即梦配个凭证就能用）。
合规红线（必须说）
视频搞钱可以，但这几条踩了就前功尽弃：
- 数字人/AI 生成内容必须显著标识"AI生成"，且形象必须是本人或书面授权——各平台都在严打假冒名人数字人
- 话术禁绝对化用语（"最好/第一"）、医疗承诺、诱导互动（"求关注/求点赞"）
- AI 生成的素材要注意版权，别直接搬运别人的作品
- 录播/无人直播抖音、视频号明确严打，发现即封
我们把合规做进了工具里：ban 级平台直接拦截，warn 级要你确认自担风险。合规不是束缚，是让账号活得久的前提。
最后
"装六个 Skill"是起点，不是终点。真正值钱的是把它们串成一条能跑通的 SOP。
我们把这条 SOP 做成了成品——不是六个孤立的说明书，而是一条从选题到复盘、数据不出本机的完整流水线。你在自己的 Windows 电脑上就能跑：打开智子，【行业工具】→【视频流水线】，从一段口播视频开始，几分钟出一条成片。
这大概就是那 six skills 想给你、但没直接给你的东西。
（本文基于对这六个 Skill 公开资料与源码的独立研究撰写。智子视频流水线为独立实现，仅借鉴工艺思想，未复制其代码。）
💬 评论 0