AI视频生成 on 拾光集

AI 视频逐镜头逆向分析与提示词生成器

Wed, 29 Jul 2026 12:07:00 +0800

AI 视频逐镜头拆解与提示词逆向工程模板

想要复刻一条优秀视频，真正需要学习的并不是人物、台词或具体剧情，而是隐藏在画面背后的镜头逻辑、视觉方法与节奏设计。

下面这套提示词，可以让 AI 化身为专业的视频提示词架构师，对参考视频进行逐镜头拆解，并进一步整理成可用于 AI 视频生成模型的结构化提示词。

一、角色设定

请全面化身为以下三种专业角色：

顶级 AI 视频提示词架构师
电影级镜头语言分析师
多模态视频逆向工程师

你的任务不是简单概括视频内容，而是从导演、摄影、灯光、美术、剪辑和声音设计等多个维度，对视频进行系统化逆向分析。

二、核心任务

请按照视频的实际时间顺序，对内容进行逐镜头拆解。

不要只描述“画面里发生了什么”，而要分析这个镜头是如何被设计、拍摄、运动、衔接和呈现的。

每个镜头必须重点拆解以下信息：

1. 主体信息

主体身份与角色类型
年龄、性别及外观特征
发型、妆容与面部特征
服装款式、颜色与材质
配饰、道具及其他视觉锚点
用于维持角色一致性的固定特征

2. 动作与表演

主体的初始姿态
身体动作轨迹
手部及肢体动作
头部转动方向
视线变化
表情变化
动作速度与力度
动作开始、发展和结束状态
人物与道具、环境之间的物理关系

3. 场景与空间

场景类型与空间结构
时间、天气及环境状态
前景、中景、后景的层次关系
主体在场景中的具体位置
环境中的主要建筑、家具、道具或自然元素
空间纵深、遮挡关系与透视关系

4. 镜头语言

景别
机位高度
拍摄角度
镜头朝向
构图方式
主体在画面中的占比
景深范围
焦点位置
焦段特征
画面透视效果
摄影机与主体之间的距离

5. 摄影机运动

固定镜头
推镜
拉镜
横移
升降
环绕
跟拍
摇镜
俯冲
手持运动
稳定器运动
无人机运动
复合运镜

同时标注：

摄影机运动方向
运动速度
运动幅度
加速或减速过程
主体运动与摄影机运动之间的配合关系

6. 光线与色彩

主光方向
辅助光方向
轮廓光位置
光线软硬程度
光比强弱
阴影形态
环境光来源
综合色温
主色调与辅助色
饱和度和对比度
高光、暗部及曝光特征
光线随镜头发生的变化

7. 材质与画面质感

人物皮肤质感
服装面料质感
金属、玻璃、木材、石材等材质表现
空气中的雾气、烟尘或颗粒
画面锐度
胶片颗粒
动态模糊
镜头光晕
高光溢出
反射与折射效果
整体商业广告感或电影感

8. 节奏与剪辑

单个镜头持续时间
动作节奏
运镜节奏
剪辑速度
情绪变化
音画同步关系
镜头之间的视觉呼应
节奏加速或放缓的位置
情绪高潮和视觉重点

9. 转场与特效

硬切
淡入淡出
叠化
遮挡转场
动作匹配转场
形状匹配转场
镜头甩动转场
光线闪白转场
速度变化转场
景深模糊转场
数字故障或粒子特效
实拍特效与后期特效之间的结合方式

10. 声音设计

环境声音
人物动作声音
衣物摩擦声
脚步声
道具声音
风声、水声、交通声等空间声音
背景音乐类型
音乐节拍与剪辑点的对应关系
音效进入和退出的时间
声音远近及空间混响
静音或留白的使用方式

三、输出顺序

请严格按照以下顺序输出分析结果。

第一部分：全片视觉与声音概览

先总结整条视频的统一视觉方法，包括：

整体画面材质
整体节奏变化
主要转场逻辑
主要视觉特效
环境声音设计
音乐与画面节奏的配合方式
综合色温与灯光风格
镜头运动的共同规律

第二部分：完整镜头提示词

根据视频内容，生成一套完整的 AI 视频镜头提示词。

每个镜头必须独立标注以下内容：

[镜头编号]

镜头时长：
起始画面：
主体锚点：
人物外观与服装：
场景空间：
前景：
中景：
后景：
人物动作：
表情与视线变化：
摄影机位置：
景别与构图：
焦段与景深：
摄影机运动：
运动方向与速度：
光线方向：
综合色温：
材质与画面质感：
环境声音：
背景音乐与节奏：
视觉特效：
结束画面：
镜头衔接方式：

四、单镜头描述要求

每个镜头都必须形成完整的时间连续过程，不能只描述某一个静态画面。

请重点写清楚以下五个阶段：

1. 起始画面

明确镜头开始时：

人物位于什么位置
人物保持什么姿态
摄影机处于什么位置
画面焦点落在哪里
前景、中景和后景分别是什么
光线和环境处于什么状态

2. 人物动作

明确人物在镜头中的连续动作：

动作从哪里开始
身体如何移动
视线如何变化
表情如何变化
手部如何运动
如何接触道具或环境
动作最终停止在哪里

3. 摄影机运动

明确摄影机在动作过程中的变化：

从什么位置开始
朝哪个方向运动
采用什么运镜方式
运动速度如何变化
是否跟随人物
是否改变焦点、景深或拍摄角度
最终停留在什么位置

4. 结束画面

明确镜头结束时：

人物的最终姿势
人物与道具的最终关系
摄影机的最终位置
画面的最终构图
焦点最终落在哪里
为下一个镜头保留了什么视觉线索

5. 镜头衔接

明确当前镜头如何进入下一个镜头：

通过人物动作衔接
通过摄影机运动方向衔接
通过相同构图衔接
通过相同颜色或光线衔接
通过遮挡物衔接
通过声音提前进入衔接
通过速度变化或动态模糊衔接

五、角色与场景一致性要求

在所有镜头中，必须建立统一的角色锚点和场景锚点。

角色一致性

确保以下信息在不同镜头中保持稳定：

五官结构
脸型
肤色
发型
发色
身材比例
服装款式
服装颜色
服装材质
鞋子与配饰
道具外观

场景一致性

确保以下信息不会在镜头切换时发生无理由变化：

建筑结构
家具位置
门窗方向
道具数量
光源位置
天气状态
背景人物
阴影方向
场景综合色温
前后景空间关系

六、负面提示词与禁止项

请在最终提示词末尾补充统一的负面提示词，用于降低 AI 视频生成过程中的错误。

禁止人物面部随机变化，禁止五官漂移，禁止脸型变化，禁止发型和发色改变，禁止人物年龄变化，禁止角色身份切换。

禁止服装款式变化，禁止服装颜色漂移，禁止面料纹理闪烁，禁止配饰突然出现或消失，禁止鞋子和道具发生无理由变化。

禁止多余手指，禁止手指融合，禁止手掌畸形，禁止手臂数量错误，禁止腿部变形，禁止关节反向弯曲，禁止身体穿模，禁止人体比例异常。

禁止人物动作突然跳帧，禁止动作轨迹断裂，禁止姿态瞬间切换，禁止人物无理由位移，禁止物体漂浮，禁止违反重力和惯性的运动。

禁止人物与道具接触关系错误，禁止手部穿过物体，禁止脚部悬空，禁止物体尺寸随机变化，禁止空间透视关系失真。

禁止背景闪烁，禁止建筑结构变化，禁止家具位置漂移，禁止背景人物随机出现，禁止光源方向突变，禁止阴影方向不一致。

禁止摄影机无理由抖动，禁止镜头运动速度突变，禁止焦段随机切换，禁止景深跳变，禁止画面曝光闪烁，禁止综合色温漂移。

禁止低清晰度，禁止严重噪点，禁止过度锐化，禁止压缩伪影，禁止字幕乱码，禁止水印，禁止品牌标志，禁止无关文字。

七、创作边界

本任务只学习参考视频中的：

镜头设计逻辑
构图方法
运镜方式
光影设计
色彩关系
动作节奏
剪辑节奏
转场方法
材质表现
声音设计
视觉叙事结构

不得直接照抄或复刻以下内容：

原视频中的具体人物身份
明确可识别的品牌
商标与产品标志
原始台词
专属文案
具体剧情
角色姓名
受版权保护的独特故事设定

请将原视频中的具体人物、品牌、台词和故事替换为通用、原创且不可识别的新内容，仅保留其镜头语言与视觉设计方法。

八、最终执行指令

请先完整观看并理解视频，再进行分析。

不要跳过镜头，不要合并具有明显构图、机位、动作或场景变化的镜头。即使两个画面持续时间很短，只要摄影机角度、景别、主体动作或场景关系发生明显变化，也应拆分为独立镜头。

最终输出必须具备以下特点：

按时间顺序排列
镜头编号清晰
动作过程连续
摄影机运动明确
场景空间关系完整
光线与材质描述具体
镜头衔接自然
可直接用于 AI 视频生成
可根据不同视频模型进行适配
不照抄原视频的品牌、人物、台词和具体故事

AI 复刻爆款视频提示词模板：逐镜头拆解并生成视频提示词

Tue, 28 Jul 2026 16:02:00 +0800

看到一条节奏、运镜或视觉效果出色的视频，如何让 AI 帮助我们学习它的制作方法？

比较实用的方式，不是让 AI 简单描述“视频里有什么”，而是要求它按照时间顺序进行逐镜头拆解，分析人物动作、摄影机运动、光线、构图、节奏和转场，再将分析结果整理成适用于 AI 视频生成模型的提示词。

这种方法更适合用于：

分析短视频的镜头节奏
学习广告片的视觉表达
提取电影感运镜方法
生成多镜头视频提示词
优化 Seedance、Kling、Veo、Sora、Runway 等模型的输入内容

重点是学习镜头逻辑和视觉方法，而不是直接复制原视频中的人物、品牌、台词或受版权保护的创意内容。

一、这套提示词解决什么问题？

普通的 AI 视频分析通常只会输出：

画面中出现了什么
人物做了什么
视频大概是什么风格

这些信息不足以重新制作一条结构完整的视频。

真正影响生成效果的内容还包括：

每个镜头持续多长时间
人物动作如何开始和结束
摄影机从哪里移动到哪里
前后镜头如何衔接
主体位置和背景关系
光线方向与材质表现
角色、服装和场景如何保持一致
环境音、动作音效和音乐节奏如何配合

因此，需要让 AI 同时担任视频提示词架构师、电影镜头分析师和多模态视频逆向工程师。

二、可直接复制的完整提示词

你现在是一名专业的视频提示词架构师、电影级镜头语言分析师和多模态视频逆向工程师。

我会向你提供一段参考视频。你的任务不是简单概括视频内容，也不是照搬其中的人物、品牌、台词或受版权保护的创意，而是分析它使用的镜头逻辑、动作设计、视觉结构和节奏方法，并将其转化为一套可用于 AI 视频生成模型的原创提示词。

请严格按照以下步骤执行。

# 第一阶段：视频基础识别

首先识别并说明：

1. 视频总时长
2. 画面比例
3. 视频类型
4. 核心主体
5. 主要场景
6. 整体视觉风格
7. 色彩倾向
8. 剪辑节奏
9. 可能使用的生成或拍摄方法
10. 视频最值得学习的镜头设计

# 第二阶段：逐镜头拆解

按照时间顺序拆分视频，不要遗漏明显的镜头变化。

每个镜头需要分析以下内容：

- 时间范围
- 镜头时长
- 主体身份与外观
- 人物服装
- 人物动作轨迹
- 表情与视线变化
- 主体与道具的互动
- 场景空间关系
- 前景、中景和背景
- 景别
- 摄影机机位
- 拍摄角度
- 推测焦段
- 景深
- 构图方式
- 摄影机运动
- 运镜方向
- 运镜速度
- 光源方向
- 光线软硬
- 色温
- 材质与表面反射
- 画面色彩
- 特效
- 环境声音
- 动作音效
- 音乐节奏
- 转场方式
- 镜头结束时的画面状态

请使用以下格式输出：

## 镜头 01

- 时间范围：
- 镜头时长：
- 画面内容：
- 主体外观：
- 人物动作：
- 表情与视线：
- 场景与空间：
- 景别与机位：
- 镜头焦段：
- 构图方式：
- 摄影机运动：
- 光线与色彩：
- 材质表现：
- 声音设计：
- 结束画面：
- 镜头衔接：

# 第三阶段：提取可复用的视觉方法

完成逐镜头分析后，总结视频中可以迁移到其他原创内容中的方法，包括：

1. 开场如何吸引注意力
2. 主体如何进入画面
3. 动作高潮如何设计
4. 运镜如何配合人物动作
5. 不同镜头如何保持方向连续
6. 如何利用前景、中景和背景建立空间感
7. 如何通过光线和材质提升质感
8. 如何控制镜头节奏
9. 如何设计结尾画面
10. 哪些元素属于通用方法，哪些元素不应直接复制

# 第四阶段：生成原创视频方案

根据以上分析，设计一套保留相似镜头方法、但主体、场景和内容均为原创的新视频方案。

请先输出：

- 原创视频主题
- 主体设定
- 角色外观设定
- 服装设定
- 场景设定
- 道具设定
- 光线设定
- 色彩设定
- 视频时长
- 镜头数量
- 整体节奏
- 声音设计

# 第五阶段：生成成品视频提示词

将原创视频方案转换为适用于 AI 视频生成模型的分镜提示词。

每个镜头必须使用以下结构：

[镜头编号]

[镜头时长]
明确镜头持续时间。

[人物与主体]
描述人物身份、年龄范围、外观、发型、服装、道具以及需要保持一致的特征。

[人物动作]
按照时间顺序描述人物动作，避免在一个镜头中安排过多复杂动作。

[摄影机运动]
明确景别、机位、拍摄角度、焦段、运动方向、运动速度和稳定方式。

[场景与构图]
描述主体位置、前景、中景、背景、空间关系和构图方式。

[光线与材质]
描述光源方向、光线软硬、色温、阴影、材质、反射和环境氛围。

[结束画面]
明确镜头最后一帧的人物姿态、主体位置、摄影机位置和画面状态。

[镜头衔接]
说明如何连接下一镜头，例如直接切换、动作匹配剪辑、遮挡转场、运动方向匹配或声音提前进入。

[声音]
描述环境音、动作音效、对白、旁白或音乐节奏。

# 第六阶段：一致性限制词

在每个镜头末尾加入与当前镜头相关的稳定性要求，并在整套提示词末尾加入全局限制词。

全局限制词参考：

保持同一人物身份、面部特征、发型、年龄、体型和肤色一致；
保持服装款式、颜色、材质和配饰一致；
保持场景结构、背景物体位置和光线方向一致；
人物动作连续自然，运动轨迹清晰；
保持正确的人体比例和关节结构；
双手结构自然，手指数目正确；
无多余肢体，无肢体融合，无关节扭曲；
无面部变形，无身份切换，无五官漂移；
无服装变色，无服装漂移，无纹理闪烁；
无背景闪烁，无物体随机出现或消失；
无画面跳帧，无动作断裂，无速度突变；
保持真实重力、碰撞、惯性和物体接触关系；
人物与道具之间不存在穿透、漂浮或错误遮挡；
镜头运动平滑稳定，不产生无意义抖动；
保持曝光、白平衡、色彩和景深连续；
避免字幕、文字、水印、品牌标志和界面元素；
避免低清晰度、过度锐化、塑料质感和明显 AI 伪影。

可以同时生成一份适合模型使用的英文限制词：

consistent character identity, stable facial features, same hairstyle, same body proportions, consistent clothing and accessories, no face morphing, no identity change, no outfit change, no clothing flicker, correct anatomy, natural hands, correct fingers, no extra limbs, no fused limbs, no twisted joints, stable background, no background flicker, no object popping, continuous motion, smooth action trajectory, no frame skipping, no sudden speed change, realistic gravity, realistic collision, correct object interaction, no penetration, no floating objects, consistent lighting, consistent exposure, stable camera movement, no watermark, no subtitles, no logo, no visual artifacts

# 第七阶段：最终输出格式

请依次输出：

1. 视频整体分析
2. 逐镜头拆解表
3. 可复用的镜头方法
4. 原创视频方案
5. 中文成品提示词
6. 英文成品提示词
7. 全局限制词
8. 生成时可能出现的问题
9. 针对问题的二次优化建议

如果无法确认某项镜头参数，请明确标注“推测”，不要将推测内容写成确定事实。

三、成品镜头提示词格式

实际生成视频时，可以把每个镜头单独整理成下面的结构：

[镜头编号] Shot 01

[镜头时长]
4 秒。

[人物与主体]
一名穿深灰色夹克的年轻男性站在雨后的城市街道上。保持人物面部、短发、身材比例、服装颜色和材质在所有镜头中一致。

[人物动作]
人物先低头看向手中的金属装置，随后缓慢抬头，将视线转向画面右侧。动作连续自然，不出现突然转身。

[摄影机运动]
中近景，略低机位，50mm 镜头。摄影机从人物正前方缓慢向前推进，运动平滑稳定。

[场景与构图]
人物位于画面左侧三分线。前景有轻微虚化的雨滴，中景为人物，背景为带有散景灯光的城市街道。

[光线与材质]
右后方冷色轮廓光，左前方柔和暖色补光。夹克表面呈现轻微湿润反光，金属装置具有真实高光和细小划痕。

[结束画面]
人物抬头看向画面右侧，摄影机停在中近景位置，背景灯光保持稳定。

[镜头衔接]
通过人物视线方向直接切换至下一镜头，下一镜头主体从画面右侧出现。

[声音]
轻微雨声、远处车辆声、衣料摩擦声和低频悬念音乐。

[限制词]
保持人物身份与服装一致，无面部变形，无服装漂移，无背景闪烁，无肢体错误，动作连续，摄影机运动平滑，物理关系真实。

四、使用方法

将参考视频上传给支持视频理解的 AI。
复制完整提示词并发送。
让 AI 先完成逐镜头分析，不要立即生成最终提示词。
检查镜头数量、人物动作和时间轴是否正确。
要求 AI 将参考内容改写为原创主体和原创场景。
根据使用的模型，调整镜头时长和提示词长度。
最好逐镜头生成，再通过剪辑软件完成拼接。
人物一致性要求较高时，应同时使用角色参考图、首帧图或上一镜头结束帧。

五、为什么要逐镜头生成？

一次性要求 AI 生成包含大量动作和多次转场的长视频，容易出现：

人物突然变脸
服装颜色改变
动作前后不连续
背景物体随机变化
摄影机方向混乱
多个人物位置互换
道具穿过人物身体
结尾画面无法衔接下一镜头

将视频拆成多个独立镜头，可以更准确地控制动作、构图、运镜和角色一致性。

生成完成后，再利用剪辑软件按照时间顺序拼接，通常比直接生成一整段长视频更稳定。

六、需要注意的版权问题

这套方法适合分析和学习：

镜头运动
构图方式
光线设计
剪辑节奏
动作组织
视觉叙事方法

不建议直接复制：

原视频中的人物肖像
品牌标志和产品设计
原创角色形象
完整台词和旁白
具有明确识别度的剧情
受版权保护的音乐和画面

更合理的做法是保留镜头方法，重新设计人物、场景、动作和故事内容。

七、相关 GitHub 资源

目前没有找到与本文这套中文模板完全对应的唯一开源项目，但以下项目和资料可用于学习 AI 视频提示词结构：

Video-As-Prompt https://github.com/bytedance/Video-As-Prompt
HunyuanVideo 1.5 Prompt Handbook https://github.com/Tencent-Hunyuan/HunyuanVideo-1.5
Seedance 2 Prompt Library https://github.com/gracech0322-cmd/seedance-2-prompt-library

这些项目与本文模板并非同一个项目，主要作为视频提示词、镜头控制和视频生成方法的延伸参考。

AI Video Workflow：把选题、脚本、分镜到剪辑发布串成一条流程

Tue, 28 Jul 2026 14:35:00 +0800

制作一条视频，真正耗时的往往不是某一个步骤，而是在选题、写脚本、设计分镜、生成素材和剪辑软件之间反复切换。

AI Video Workflow 的核心，不是让 AI 按一下按钮就自动生成成片，而是把原本分散的视频制作环节整理成一套可以重复执行的工作流。

AI Video Workflow 能做什么？

一套完整的 AI 视频工作流通常包括以下环节：

1. 选题策划

先确定视频面向什么人、解决什么问题，以及适合发布到哪个平台。

AI 可以帮助完成：

根据账号定位生成选题
分析标题和内容角度
将一个主题拆成系列内容
为短视频、横屏视频生成不同方案

2. 脚本生成

确定选题后，AI 可以按照视频时长和表达方式生成脚本。

例如：

30 秒短视频口播稿
产品介绍脚本
工具使用教程
排行榜或资讯视频
带开头钩子和结尾行动引导的完整文案

脚本生成后仍需人工检查事实、数据和品牌信息，避免直接使用未经核实的内容。

3. 分镜与镜头规划

脚本可以继续拆分成分镜表，每个镜头包含：

画面内容
景别与机位
镜头时长
旁白或字幕
转场方式
所需图片、视频或动画素材

这样可以在生成素材之前，先确认整条视频的节奏和叙事结构。

4. 图片与视频提示词

AI 可以根据每个分镜生成对应的图片或视频提示词，并统一人物、场景和视觉风格。

提示词最好明确写出：

主体与动作
场景环境
镜头语言
光线与色调
视频比例
运镜方式
需要保持一致的角色特征

对于多镜头视频，角色一致性和场景连续性通常仍是最需要人工检查的部分。

5. 配音、字幕与素材生成

确定分镜后，可以继续生成：

AI 配音
背景音乐
音效
字幕文件
插图和封面
文生视频或图生视频素材

建议将脚本、配音、字幕和镜头编号统一保存，后期修改时更容易定位。

6. 剪辑与包装

AI 可以辅助完成粗剪、停顿删除、字幕识别、画面匹配和横竖屏适配。

最后仍需要人工确认：

画面是否与旁白一致
字幕是否准确
节奏是否拖沓
音乐是否盖住人声
是否存在错误素材或版权风险
开头几秒是否足够吸引人

7. 发布与内容复用

完成主视频后，还可以继续让 AI 生成：

视频标题
封面文案
简介和标签
小红书、抖音、YouTube 等平台版本
长视频切片
图文摘要
评论区置顶文案

一条视频因此可以继续拆成多种内容，而不是发布一次就结束。

AI Video Workflow 适合哪些人？

这套流程更适合：

经常制作短视频的个人创作者
需要批量制作固定栏目的团队
制作产品介绍和教程视频的企业
不熟悉专业分镜和剪辑流程的新手
希望减少重复操作的自媒体运营人员

它最大的价值不是完全代替创作者，而是把重复、机械和容易遗漏的环节标准化。

使用时需要注意什么？

AI 可以提高视频制作效率，但不能完全替代人工判断。

正式发布前，至少需要检查：

数据和事实是否准确
图片、音乐和视频素材是否可以商用
人物形象是否保持一致
字幕、配音和画面是否同步
内容是否符合发布平台规则

对于品牌宣传、新闻、医疗、金融等内容，还需要增加更严格的事实核查。

可参考的开源项目

ViMax

ViMax 是一个开源的智能视频生成框架，可以将创意或剧本继续拆分为故事、角色、脚本、分镜和镜头，并连接图片生成、视频生成与最终合成流程。

项目地址：

https://github.com/HKUDS/ViMax

需要注意的是，这类开源项目通常仍需配置大语言模型、图片生成模型和视频生成模型的 API，并不等于安装后完全免费生成视频。

总结

AI Video Workflow 的真正价值，是把视频创作从零散操作变成一条清晰、可修改、可复用的生产流程。

它可以帮助创作者完成选题、脚本、分镜、提示词、素材、剪辑和发布准备，但最终的视频质量，仍取决于内容判断、事实核查和人工精修。

Generative Media Skills：让 AI 编程助手生成图片、视频和音频

Tue, 28 Jul 2026 14:27:00 +0800

做 AI 内容创作时，图片、视频和音频通常需要分别打开不同的平台，不仅操作流程分散，提示词、素材和生成结果也不方便统一管理。

Generative Media Skills 是一套面向 AI Agent 的多模态生成工具集，可接入 Claude Code、Cursor、Gemini CLI 等 AI 编程助手，用自然语言完成图片、视频和音频的生成与编辑。项目采用结构化参数调用生成服务，重点不是再做一个聊天界面，而是把多媒体生成能力直接加入现有的 AI 工作流。

它能做什么？

Generative Media Skills 主要覆盖三类内容：

图片生成与编辑：根据文字描述生成图片，也可用于修改、扩展和处理现有画面。
视频生成：支持文字生成视频、图片生成视频等常见工作流。
音频生成：可生成语音、音乐或其他音频内容。

项目还提供可复用的生成方案、基础调用模块和 MCP Server，适合将多媒体生成能力接入自动化工作流，而不是每次都手动切换网站。

适合哪些人？

它比较适合以下使用场景：

使用 Claude Code、Cursor 或 Gemini CLI 的内容创作者。
需要批量生成封面图、短视频和配音的自媒体用户。
想把图片、视频和音频生成接入自动化流程的开发者。
需要统一管理生成提示词和媒体任务的小型内容团队。

例如，你可以直接告诉 AI：

为这篇文章生成一张科技风封面图，再制作一段 10 秒宣传视频，并生成中文旁白。

AI Agent 可以根据任务调用对应的媒体生成能力，减少在多个工具之间复制提示词和下载素材的步骤。

使用前需要注意

Generative Media Skills 本身更像一套 AI Agent 技能和调用框架，实际生成服务由 muapi.ai 提供，因此它并不等于完全离线、完全免费的本地生成软件。使用前应确认模型费用、生成额度、隐私政策以及不同模型的输出限制。

总结

Generative Media Skills 的价值，不是简单把图片、视频和音频功能放在一起，而是让 AI 编程助手能够直接调用这些生成能力。

对于已经使用 Claude Code、Cursor 或 Gemini CLI 的用户，它可以减少软件切换和重复操作，让多媒体内容生成更接近一套完整的自动化工作流。

GitHub 项目地址

https://github.com/SamurAIGPT/Generative-Media-Skills

HyperFrames：用一句提示词生成网页动画，并渲染为 MP4 视频

Tue, 28 Jul 2026 12:07:00 +0800

做产品演示、工具介绍或数据动画时，传统视频软件往往需要手动调整时间轴、关键帧和字幕，制作过程比较繁琐。

HyperFrames 提供了另一种思路：使用 HTML、CSS 和 JavaScript 编写视频画面，再将网页动画逐帧渲染成 MP4 文件。

它尤其适合配合 Claude Code、Codex 等 AI 编程助手使用。你只需要描述视频主题、画面风格和动画效果，AI 就可以帮助生成对应的网页动画代码，然后通过 HyperFrames 完成预览和视频导出。

HyperFrames 是什么？

HyperFrames 是 HeyGen 开源的 HTML 视频渲染框架。

它可以把 HTML 页面、CSS 样式、图片、视频素材和可控制的网页动画，转换为帧数稳定、结果可复现的 MP4 视频。

简单理解就是：

用写网页的方式制作视频，再把网页动画渲染成 MP4。

HyperFrames 本身并不是 Sora、Veo 这类直接生成真实画面的文生视频模型。所谓“一句话生成视频”，通常是让 AI 编程助手根据提示词生成 HTML、CSS 和 JavaScript，再调用 HyperFrames 完成渲染。

HyperFrames 可以做什么？

1. 制作产品宣传视频

可以用网页布局展示产品界面、功能卖点、价格方案和操作流程，适合制作 SaaS 产品介绍视频。

2. 生成动态数据视频

网页中的图表、数字、进度条和排行榜都可以加入动画，用于制作数据报告、业务汇报和社交媒体内容。

3. 制作文字与字幕动画

通过 CSS 或 GSAP 控制文字进入、缩放、渐变和切换效果，适合知识类短视频、教程和信息卡片。

4. 输出标准 MP4 文件

动画完成后，可以通过命令行直接渲染为 MP4，方便上传到抖音、视频号、YouTube 或其他视频平台。

为什么适合 AI 编程助手？

传统视频编辑依赖时间轴操作，而 HyperFrames 的视频内容本质上是代码。

这意味着 AI 可以直接修改：

视频尺寸和时长
文字内容与页面布局
CSS 动画和转场效果
图片、视频和音频素材
字幕、图表和品牌样式

例如，你可以直接告诉 AI：

使用 HyperFrames 创建一段 10 秒的产品介绍视频。

要求：
1. 画面比例为 16:9
2. 深色科技风格
3. 开头显示产品名称
4. 中间依次展示三个核心功能
5. 结尾显示网站地址
6. 添加平滑的文字进入和页面切换动画
7. 最后渲染为 MP4

AI 会根据要求生成视频页面，再通过 HyperFrames 进行预览和导出。

基本使用流程

第一步：安装 HyperFrames Skill

官方提供了适用于 AI 编程助手的 Skill，可以通过下面的命令安装：

`1`	`npx skills add heygen-com/hyperframes`

第二步：让 AI 生成视频页面

在 Claude Code、Codex 或其他支持 Skill 的 AI 工具中，描述视频主题、时长、比例和动画要求。

第三步：浏览器预览

HyperFrames 使用普通 HTML 作为视频内容，因此可以先在浏览器中查看动画效果，再继续修改。

第四步：渲染 MP4

准备好 HTML 文件后，可以运行：

`1`	`npx hyperframes render index.html`

HyperFrames 会逐帧录制网页动画，并输出 MP4 视频文件。

适合哪些用户？

HyperFrames 比较适合：

想用 AI 批量制作短视频的人
熟悉 HTML、CSS 或 JavaScript 的开发者
需要制作产品演示视频的独立开发者
想自动生成数据动画和信息视频的内容创作者
不想反复拖动传统视频时间轴的用户

不过，它更擅长制作网页动画、产品演示、字幕和动态图表，并不适合直接生成复杂的真人电影画面。

总结

HyperFrames 把网页开发和视频制作连接在了一起。

你可以先用一句提示词让 AI 生成 HTML 动画，再使用 HyperFrames 将动画稳定地渲染为 MP4。对于产品介绍、数据展示、教程动画和批量短视频制作来说，这种工作方式比传统手动剪辑更容易自动化和重复使用。

项目地址

GitHub：https://github.com/heygen-com/hyperframes
官方网站：https://hyperframes.heygen.com/

WorkBuddy + HyperFrames 安装教程：接入本地 Qwen3-TTS，实现自己的声音自动配音

Tue, 28 Jul 2026 11:55:00 +0800

想用 AI 自动生成动画视频，但不熟悉 Node.js、FFmpeg、命令行和环境配置？

一种更省事的方案是：使用 WorkBuddy 协助安装和排查问题，用 HyperFrames 把 HTML 动画渲染成 MP4，再通过桥接脚本接入本地 Qwen3-TTS，实现字幕、画面和个人声音配音的一体化制作。

一、三个工具分别做什么？

WorkBuddy

WorkBuddy 是腾讯推出的桌面 AI Agent。它不仅能回答问题，还可以协助执行命令、安装依赖、修改文件和分析报错。

在这套流程中，它主要负责：

检查电脑环境
安装 HyperFrames
执行终端命令
分析安装报错
编写 Qwen3-TTS 桥接脚本
调整视频项目文件

需要注意的是，WorkBuddy 本身不是 HyperFrames 的必要依赖。熟悉命令行的用户，也可以手动完成全部操作。

HyperFrames

HyperFrames 是 HeyGen 开源的 HTML 转视频框架。

它允许开发者使用 HTML、CSS、JavaScript 和动画时间轴制作画面，再按照固定帧逐帧渲染为 MP4 视频。

适合制作：

产品介绍动画
数据可视化视频
知识讲解视频
字幕配音视频
网页演示视频
社交媒体短视频

与传统录屏不同，HyperFrames 使用确定性的逐帧渲染方式。同一个项目重复渲染时，画面和动画时间通常能够保持一致。

Qwen3-TTS

Qwen3-TTS 是通义千问团队开源的语音生成模型，支持文本转语音、音色设计和声音克隆。

将它部署在本地后，可以用参考音频生成接近目标音色的配音，不必每次调用第三方在线语音接口。

请只克隆自己拥有授权的声音，不要冒用他人身份或未经允许复制他人音色。

二、安装前需要准备什么？

本文以 Windows 环境为例。

建议提前准备：

Node.js
FFmpeg
WorkBuddy
已部署的 Qwen3-TTS，可选
足够的磁盘空间

如果暂时没有 Qwen3-TTS，也可以先完成 HyperFrames 的安装和视频渲染，后续再接入本地配音。

三、安装 Node.js

前往 Node.js 官网下载长期支持版，也就是 LTS 版本。

安装完成后，打开 PowerShell 或 Windows Terminal，执行：

1
2

node -v
npm -v

如果能够正常显示版本号，说明 Node.js 和 npm 已安装成功。

例如：

1
2

v22.x.x
10.x.x

如果系统提示找不到 node 命令，可以尝试：

关闭并重新打开终端。
重启电脑。
检查 Node.js 是否已加入系统环境变量。

四、安装 FFmpeg

以管理员身份打开 PowerShell，然后执行：

`1`	`winget install --id Gyan.FFmpeg`

安装完成后，重新打开终端并检查：

`1`	`ffmpeg -version`

能够看到 FFmpeg 的版本和编译信息，即表示安装成功。

如果 winget 无法使用，也可以从 FFmpeg 官方网站下载 Windows 构建版本，再手动配置环境变量。

五、安装 WorkBuddy

前往 WorkBuddy 官方网站，下载适合 Windows 或 macOS 的客户端。

安装并登录后，可以先让 WorkBuddy检查当前环境：

`1`	`请检查这台电脑是否已经安装 Node.js、npm 和 FFmpeg，并分别输出版本号。缺少的依赖请告诉我具体安装方法。`

这样做的好处是，可以先发现环境问题，再开始安装 HyperFrames，避免安装到一半才发现依赖缺失。

六、使用 WorkBuddy 安装 HyperFrames

打开 WorkBuddy，新建一个空文件夹作为视频项目目录，然后输入：

`1`	`请在当前目录安装 HyperFrames，并创建一个可以预览和渲染的最小示例项目。完成后检查 Node.js、FFmpeg 和浏览器渲染依赖是否正常。`

也可以手动安装 HyperFrames Skill：

`1`	`npx skills add heygen-com/hyperframes --yes`

安装完成后，可以让 WorkBuddy 创建一个简单测试视频：

请使用 HyperFrames 创建一个 8 秒的 16:9 测试视频。

要求：
1. 深色背景。
2. 中间显示“Hello HyperFrames”。
3. 文字淡入并轻微向上移动。
4. 最后导出为 MP4。

七、运行环境体检

在项目目录中执行：

`1`	`npx hyperframes doctor`

部分安装方式可能也支持：

`1`	`hyperframes doctor`

建议优先使用 npx hyperframes，因为它会调用当前项目使用的版本，能够减少全局版本和项目版本不一致的问题。

环境体检通常会检查：

Node.js
FFmpeg
浏览器或 Chromium
HyperFrames 项目配置
视频渲染相关依赖

如果出现报错，不要只发送最后一行错误。建议把完整终端输出复制给 WorkBuddy：

1
2
3

下面是执行 npx hyperframes doctor 后的完整报错。

请先判断是哪项依赖失败，再给出修复步骤。不要删除现有项目文件，也不要升级无关依赖。

八、预览和渲染视频

创建好 HTML 动画项目后，可以先预览：

`1`	`npx hyperframes preview`

确认画面、动画和字幕没有问题后，再执行渲染：

`1`	`npx hyperframes render index.html`

也可以指定输出文件：

`1`	`npx hyperframes render index.html --output output.mp4`

不同版本的命令参数可能有所变化。如果命令报错，应先运行：

`1`	`npx hyperframes --help`

以当前安装版本显示的命令为准。

九、接入本地 Qwen3-TTS

HyperFrames 负责画面渲染，Qwen3-TTS 负责生成配音。两者之间通常需要增加一个桥接层。

整体流程如下：

视频文案
   ↓
桥接脚本
   ↓
本地 Qwen3-TTS 接口
   ↓
生成 WAV 或 MP3
   ↓
HyperFrames 读取音频
   ↓
根据音频时长生成字幕和动画
   ↓
导出 MP4

桥接脚本主要负责：

接收需要配音的文字。
调用本地 Qwen3-TTS。
指定参考音频和参考文本。
保存生成的音频。
把音频文件路径返回给 HyperFrames。

十、让 WorkBuddy 编写桥接脚本

假设本地 Qwen3-TTS 已经提供 HTTP API，可以向 WorkBuddy 输入：

我的本地 Qwen3-TTS 服务已经启动，请为当前 HyperFrames 项目编写一个 TTS 桥接脚本。

要求：
1. 接收中文文本。
2. 调用本地 Qwen3-TTS HTTP API。
3. 支持配置 API 地址、参考音频和参考文本。
4. 将生成结果保存到 public/audio 目录。
5. 返回音频文件路径和音频时长。
6. 请求失败时输出明确的错误信息。
7. 不要把本地路径和接口地址写死，统一放到 .env 文件中。
8. 同时生成 .env.example 和使用说明。

建议在 .env 中保存类似配置：

1
2
3

QWEN_TTS_API_URL=http://127.0.0.1:8000
QWEN_TTS_REF_AUDIO=D:/voice/reference.wav
QWEN_TTS_REF_TEXT=这里填写参考音频对应的准确文字

不要把真实的本地路径、密钥或个人声音样本提交到公开 GitHub 仓库。

可以在 .gitignore 中加入：

.env
public/audio/
private/
*.wav

十一、一个容易忽略的问题：接口格式不一定相同

“已经部署 Qwen3-TTS”并不代表所有项目都使用相同接口。

不同的本地部署项目可能使用：

Python 函数调用
FastAPI 接口
Gradio 接口
OpenAI 兼容接口
自定义 WebSocket 接口

因此，桥接脚本不能直接照搬。至少要先确认：

接口地址：
请求方法：
请求参数：
返回格式：
音频格式：
是否需要参考音频：
是否需要参考文本：

可以让 WorkBuddy读取本地 Qwen3-TTS 项目的 README 或接口代码，然后根据真实接口编写适配脚本。

推荐提示词：

`1`	`请读取这个 Qwen3-TTS 项目的 README 和服务端接口代码，确认真实的请求地址、参数和返回格式，再修改 HyperFrames 桥接脚本。不要猜测接口字段。`

十二、生成自己的声音配音

Qwen3-TTS 的声音克隆通常需要准备：

一段清晰的参考音频
参考音频对应的准确文字
需要生成的新文案

参考音频建议：

环境安静
没有背景音乐
没有明显混响
只有一个人说话
发音清楚
参考文本与录音内容一致

完成配置后，可以让 WorkBuddy执行测试：

请使用本地 Qwen3-TTS 生成一段中文测试配音，文案为：

“这是通过 HyperFrames 和本地语音模型生成的一段测试视频。”

生成后检查音频是否可以正常播放，再把它加入 HyperFrames 时间轴，并生成同步字幕。

确认试听结果正常后，再开始生成正式视频。

十三、常见问题

1. 找不到 `hyperframes` 命令

优先尝试：

`1`	`npx hyperframes --help`

如果可以运行，说明 HyperFrames 安装在当前项目，而不是全局环境。

2. FFmpeg 已安装，但终端仍然找不到

关闭所有终端窗口后重新打开。

仍然无效时，检查 FFmpeg 的 bin 目录是否已经加入系统 Path。

3. 浏览器下载失败

可能与网络、代理、防火墙或缓存有关。

可以把完整错误日志交给 WorkBuddy，重点检查：

下载地址是否可以访问
系统代理是否生效
防火墙是否拦截
磁盘空间是否充足
浏览器缓存目录是否损坏

4. 视频有画面但没有声音

检查：

音频文件是否真实存在
HTML 中的文件路径是否正确
音频格式是否受支持
音频是否加入时间轴
渲染时 FFmpeg 是否检测到音轨

5. 字幕和配音不同步

不要只按照文字长度估算时间。

更可靠的方式是先生成音频，再读取真实音频时长，根据句子或时间戳安排字幕和动画。

6. 自己的声音不像

重点检查：

参考音频是否清晰
参考文本是否准确
是否选择了支持声音克隆的 Base 模型
音频中是否包含噪声、音乐或多人说话
桥接脚本是否正确传递参考音频

十四、这套方案适合谁？

这套工作流适合：

不熟悉命令行的内容创作者
想批量制作知识类视频的人
需要自动生成字幕和配音的人
希望减少在线视频工具费用的人
已经部署本地语音模型的用户
想用 HTML、CSS 和 JavaScript 制作动画的人

它的核心价值不是“完全不用配置”，而是让 AI Agent 帮助完成重复安装、脚本适配和错误排查，把视频生产流程从多个工具之间的手动切换，变成相对统一的自动化工作流。

总结

WorkBuddy、HyperFrames 和 Qwen3-TTS 分别解决了三个问题：

WorkBuddy：负责安装、执行和排错。
HyperFrames：负责把 HTML 动画渲染成 MP4。
Qwen3-TTS：负责本地语音生成和个人音色配音。

真正关键的环节，是根据本地 Qwen3-TTS 的真实接口编写桥接脚本，而不是简单复制一段固定代码。

完成桥接后，就可以形成一条相对完整的自动化流程：

输入视频主题
→ AI 生成脚本和 HTML 动画
→ Qwen3-TTS 生成配音
→ 自动生成字幕
→ HyperFrames 渲染 MP4

项目与官方地址

WorkBuddy 官方介绍：https://docs.cloudbase.net/ai/ai-tools/workbuddy
HyperFrames GitHub：https://github.com/heygen-com/hyperframes
HyperFrames 文档：https://hyperframes.heygen.com/
Qwen3-TTS GitHub：https://github.com/QwenLM/Qwen3-TTS