ai-video-pipeline（AI 视频管道）

AI短视频创作管线 v17

从想法到成片的全流程：用户提出想法 → 脚本设计 → 人工确认 → 自动制作。

用户只需关注内容创作，所有技术细节（分段、帧数、编码、片段铺满）由 agent 自动处理。

🎬 创作工作流（4阶段）

Phase 1: 需求收集

用户提出想法后，agent 自行判断是否需要补充信息：

自动判断需要补充的场景：

• 用户只给了极简描述（"做个关于孤独的视频"）→ 需要补充内容方向、受众、时长偏好
• 用户未指定音色 → 默认使用大因先生（适合旁白/认知类），不用问
• 用户未指定风格 → 默认写实电影质感，不用问
• 用户明确说了完整文稿 → 跳过此阶段，直接进入 Phase 2

不需要问的： 音色（默认大因先生）、分辨率（默认720P）、帧率（默认24fps）、字幕样式（默认底部定位+四向描边）、视频片段（默认自动铺满）、文稿风格（自动匹配，见下文） y_ratio=0.85（底部85%位置，多行向上扩展） 需要确认的： 内容方向、目标受众、总时长预期、是否有特殊风格要求

📝 文稿风格系统

目录： ~/.openclaw/skills/ai-video-pipeline/styles/

每个风格模板包含：人设、叙事结构、句式模板、范例片段、禁止事项。

可用风格：

自动匹配规则： 根据用户话题中的关键词自动选择风格（匹配规则见各模板文件头部）。用户也可手动指定。

使用流程：

1. 用户给话题 → agent 读取匹配的风格模板
2. 按模板规则先整理「角度与痛点」（表面现象/痛点/角度/不敢说的话/突破方向），发用户确认
3. 确认后用模板的句式模板完全重写文稿（不基于旧稿改）
4. 用户标注哪里不像人话 → 针对性修改，通常2-3轮收敛

⚠️ 重要：不要跳过角度整理直接写文稿。先整理后确认再写。

Phase 2: 脚本设计

agent 根据需求完成脚本设计，输出完整的制作方案供用户确认：

方案格式：

📋 制作方案

📹 整体：约 XX 秒，X 个段落
🎵 音色：大因先生（旁白风格）
🎞️ 动画：即梦AI自动铺满（每个段落一个动画片段）

📝 脚本：
---
[段落1]

[段落2]

[段落3]
---

💰 预估成本：约 ¥X（即梦AI ¥0.28/秒 × 预估总秒数）

确认后开始制作。有修改意见请直接说。

脚本设计规则：

• 每段 15-35 字（确保单段 ≤ 10s），段落间空行分隔
• 总时长控制在 30-90 秒（短视频最佳区间）
• 不要为每个段落手动写即梦AI prompt — 自动铺满模式会用段落原文作为 prompt

Phase 3: 人工确认

• 等待用户明确确认（"可以"、"开始"、"确认"等）
• 用户可提出修改：调整脚本内容、换音色、改风格、增减段落
• 修改后重新展示方案，再次等待确认
• 未确认前不执行任何制作操作

Phase 4: 自动制作

确认后，agent 调用 build_video.py 一键生成：

cd /tmp/video-poc && python3 -u ~/.openclaw/skills/ai-video-pipeline/scripts/build_video.py script.txt -o output.mp4

管线自动执行（无需 agent 手动编排）：

1. TTS：播客API 生成语音 + 字幕时间轴（自动缓存 subs.json，重跑跳过）
2. BGM 混音：自动选择 BGM（35% 音量，2s 淡入淡出），ffmpeg 混合
3. 即梦AI视频片段：每个段落自动生成一个动画片段，铺满整个时长（用段落原文作 prompt）
4. 视频合成：预提取帧 + frame_map + 字幕叠加 → MP4
5. 通过飞书发送 MP4 给用户

⚠️ 耗时较长：即梦AI 串行生成 ~30s/clip，总耗时 = 30s × 段落数 + ~2min合成

agent 在制作期间的职责：

• 执行 build_video.py 命令（后台运行）
• 定期 poll 进度，给用户反馈
• 完成后自动发送视频

发送格式：

🎬 视频制作完成！

时长：XX秒 | 段落：X个 | 大小：XXMB
视觉：即梦AI动画 × N（自动铺满）
成本：约 ¥X

技术参考

环境变量（~/.config/openclaw/gateway.env）

模块结构

~/.openclaw/skills/ai-video-pipeline/
├── scripts/
│   ├── build_video.py      # 入口，一键构建（v17）
│   ├── tts.py              # 火山播客API TTS
│   ├── bgm.py              # BGM 选择 + ffmpeg 混音
│   ├── subtitle.py         # 字幕渲染（PIL 底部定位+四向描边）
│   ├── compose.py          # 视频合成（预提取帧 + frame_map）
│   ├── clips.py            # 即梦AI 片段生成编排（调用 jimeng_video）
│   ├── jimeng_video.py     # 即梦AI 文生视频 API 封装
│   └── asr.py              # FunASR 字幕时间轴对齐（原文标点分句）
├── styles/                 # 文稿风格模板（自动匹配）
│   ├── cognitive.md        # 认知拆解（职场/社会现象/潜规则）
│   ├── emotional.md        # 情感共鸣（人生感悟/关系/成长）
│   └── deepread.md         # 深度解读（行业分析/趋势/商业逻辑）
└── bgm/                    # BGM 背景音乐

Python API

from scripts.build_video import build

# ⭐ 推荐：自动铺满模式（每个段落一个动画片段）
output, subs = build(script_text, "output.mp4", work_dir="/tmp/video-poc")
# video_clip_configs 默认 "auto"，自动为每个段落生成即梦AI片段

# 手动指定片段配置（可选，一般不需要）
output, subs = build(
    script_text, "output.mp4",
    video_clip_configs=[
        {"prompt": "描述文字", "mode": "t2v_720p"},
    ]
)

# 仅 TTS + BGM + 字幕（不要动画片段）
output, subs = build(script_text, "output.mp4", video_clip_configs=[])

CLI

# 自动铺满（默认）
python3 build_video.py script.txt -o output.mp4

# 不生成动画片段
python3 build_video.py script.txt -o output.mp4 --no-clips

# 仅生成音频
python3 build_video.py script.txt --tts-only

可用音色

BGM 背景音乐

策略：本地优先 → MiniMax 动态生成 → 自动复用

1. 优先本地：检查 bgm/ 目录，按风格关键词匹配已有 MP3
2. 无匹配则生成：调用 MiniMax music-2.5+ 生成纯音乐（is_instrumental: true）
3. 自动复用：生成的 BGM 自动存入 bgm/，下次同风格直接复用

支持的风格标签：

使用方式：

# 指定风格（本地优先，无匹配则 MiniMax 生成）
output, subs = build(script_text, "output.mp4", bgm_style="lofi")
# 指定 BGM 风格标签（本地优先，无匹配则 MiniMax 生成）

# 自定义 prompt 生成
from bgm import generate_bgm
path = generate_bgm("暗调电子, 中等节奏, 紧张感", style_tag="dark")

# 手动添加本地 BGM
# 下载 MP3 → 放入 bgm/ 目录（文件名包含风格关键词即可自动匹配）

混音参数（已锁定）：

• 音量：35%（衬托旁白但不抢戏）
• 淡入/淡出：各 2 秒
• 循环播放至音频结束

MiniMax API 说明：

• 超时：500 秒（API 请求 + ffmpeg 混音）
• 模型：music-2.5+（纯音乐模式）
• API Key：MINIMAX_API_KEY（配置在 gateway.env）
• 生成耗时：约 30-60 秒
• 无水印记号：aigc_watermark: false

成本估算

即梦AI 720P：¥0.28/秒（5秒=¥1.4/clip），串行生成。

限制

• 即梦AI帧数范围 121~241（单段 5~10 秒）
• 播客API每轮≤300字
• 即梦AI免费并发限制1（串行生成，~30s/clip）
• BGM 目前 2 首本地 + MiniMax 动态生成（本地优先）