本地视频制作
偶尔用 · 只修报错,不加新功能约法 L25
现在
偶尔用 · 上次更新 10 月 31 日 14:19
11 月 4 日 12:09 往前 7 天 5 次提交(含合并,不等于 42 项改进)
这次没有出片、没有观看;一条命令出片还没有真片验收记录
截至 11 月 4 日 · 项目仓库和 GitHub 记录

把定好的文案和素材交给 AI,在这台电脑上做成视频,再配好封面、章节和字幕。现在没有“哪种视频走哪条路”:每一期都先想这期的画面和配音怎么做最好,再从四套现成工具里挑,可以单用、混用,也可以为这期现写代码。四套是:docfilm(实拍感纪实画面:生图的空镜做底板,真截图印上纸或贴进屏幕,打码、手划线、计数章)、图文页(图表、卡片、截图在念到对应的词时出现)、网页成片(AI 写一张会动的网页,程序逐帧拍成视频)、分镜配音(每段旁白一个矢量小画面,云端配音,4K 渲染)。docfilm 是 10 月 22 日加的:一份全片镜头单写清每个镜头,默认在显卡上渲;10 月 28—29 日又接上出片前的文字时间表检查和一条命令出片,任何一步不过就停在待验目录,全部通过才成为终版。出片自带的成片检查默认只看画面和声音,识字和语音对稿要另跑。图文页 10 月 21 日起多的几样(配音在 Fish Audio 和 ElevenLabs 之间切换、真实通话录音裁段带“对方 / 我”字幕、深底白字的纪实画面、先打码再上画面)只在自动测试和一次配音接口试跑里跑通过。选题、写旁白、发不发,都由我定;首版粗剪推到我手机上看,不卡流程,最后的成片由我审定。

3840×2160 · 60 帧
分镜路线的成片画面,显卡 AV1 编码;图文页默认出 1080p 可播放副本
39 种动画
打字、描线、数字滚动、3D 翻牌……都能踩着旁白的字出现
1 期
做完并发布的视频:6 月的《游戏王 MD 氪金指南》;本期《电子雪貂饲养员》用图文页做完,10 月 11 日 12:43 通过我审定,发没发这次没能核对
690 个
测试定义(只计数,这次没有运行);每次推送 GitHub 上还会试着用合成声音完整出一条短片(10 月 20 日起这一组卡在检查机装不上浏览器,没出成;最新可查的 10 月 22 日那轮也一样)

测试定义数按北京时间 10 月 31 日 14:19 最后一次提交算(11 月 6 日 14:25 只读清点),已推送到 GitHub;画面和动画数同一时间核对未变;发布期数沿用 10 月 10 日的记录,之后未重新核对;这次网页核对没有出片

本地视频制作
偶尔用 · 只修报错,不加新功能约法 L25
现在
偶尔用 · 上次更新 10 月 31 日 14:19
11 月 4 日 12:09 往前 7 天 5 次提交(含合并,不等于 42 项改进)
这次没有出片、没有观看;一条命令出片还没有真片验收记录
截至 11 月 4 日 · 项目仓库和 GitHub 记录
3840×2160 · 60 帧
分镜路线的成片画面,显卡 AV1 编码;图文页默认出 1080p 可播放副本
39 种动画
打字、描线、数字滚动、3D 翻牌……都能踩着旁白的字出现
1 期
做完并发布的视频:6 月的《游戏王 MD 氪金指南》;本期《电子雪貂饲养员》用图文页做完,10 月 11 日 12:43 通过我审定,发没发这次没能核对
690 个
测试定义(只计数,这次没有运行);每次推送 GitHub 上还会试着用合成声音完整出一条短片(10 月 20 日起这一组卡在检查机装不上浏览器,没出成;最新可查的 10 月 22 日那轮也一样)

把定好的文案和素材交给 AI,在这台电脑上做成视频,再配好封面、章节和字幕。现在没有“哪种视频走哪条路”:每一期都先想这期的画面和配音怎么做最好,再从四套现成工具里挑,可以单用、混用,也可以为这期现写代码。四套是:docfilm(实拍感纪实画面:生图的空镜做底板,真截图印上纸或贴进屏幕,打码、手划线、计数章)、图文页(图表、卡片、截图在念到对应的词时出现)、网页成片(AI 写一张会动的网页,程序逐帧拍成视频)、分镜配音(每段旁白一个矢量小画面,云端配音,4K 渲染)。docfilm 是 10 月 22 日加的:一份全片镜头单写清每个镜头,默认在显卡上渲;10 月 28—29 日又接上出片前的文字时间表检查和一条命令出片,任何一步不过就停在待验目录,全部通过才成为终版。出片自带的成片检查默认只看画面和声音,识字和语音对稿要另跑。图文页 10 月 21 日起多的几样(配音在 Fish Audio 和 ElevenLabs 之间切换、真实通话录音裁段带“对方 / 我”字幕、深底白字的纪实画面、先打码再上画面)只在自动测试和一次配音接口试跑里跑通过。选题、写旁白、发不发,都由我定;首版粗剪推到我手机上看,不卡流程,最后的成片由我审定。

测试定义数按北京时间 10 月 31 日 14:19 最后一次提交算(11 月 6 日 14:25 只读清点),已推送到 GitHub;画面和动画数同一时间核对未变;发布期数沿用 10 月 10 日的记录,之后未重新核对;这次网页核对没有出片

做一期视频,怎么走一遍
1
我
定题、写好旁白(或者给一段真实录音和它的逐字稿),连同图片和截图素材交给 AI;文案定稿时 AI 附两张表:这期必须讲到的要点、每句话说得多肯定,“今天”“目前”这类词改成具体日期。
2
AI
判断这期怎么做:实拍感纪实用 docfilm,图表卡片多用图文页,代码动画用网页成片,也可以混用或为这期现写;配音同样每期判断(docfilm 用 ElevenLabs 合成全片,分镜配音能在 Fish 和 ElevenLabs 之间切换,图文页可以直接用定稿配音)。
3
AI
docfilm:先只读查一遍旁白里的多音字,再合成全片配音和逐字时间线;写一份全片镜头单,每个镜头几行数据:用哪张底板、哪个场景套件、镜头怎么动、每个动作踩在哪几个字上,截图和打码框登记一次;每写一批跑检查,再出每镜三张定格拼成的联系表。图文页:写分镜表,每个元素在念到哪个词时出现;要纪实风格就换深底主题、整图慢推、先标好打码处。
4
程序
出片前先查,一次把错列全,有错就停:docfilm 导出全片文字时间表,查两层字叠在一起、片尾和字幕同屏、结尾淡黑、字停留太短、字跑出卡片或画面;图文页只读排出每页起止,查字有没有抢在念到之前、动画有没有没放完就退场。
5
我
首版全长粗剪推到我手机上看,流程不等我,有意见边做边补;图文页也可以只看每页收尾的关键帧或一张 3×4 的小样表,打了码的截图另出“打码前 / 打码后”对照图给我逐张核。哪里不对,让 AI 改。
6
程序
出片。docfilm 用一条命令 release:查多音字、按镜头单分段、只渲过期的段、合成整片、文字关卡、成片画面和声音检查、实际成片的字幕逐字对稿、片尾、每镜三帧联系表、和上一版比字比画面比声音,任何一步失败就停在待验目录,全部通过才成为终版。图文页默认出 1080p 可播放副本,带原配音和字幕,多段按拼接表拼成整片、自动生成章节。
7
程序+我
自动检查只覆盖它描述过的那几层,识字和语音对稿要另跑;我完整看一遍、听一遍,决定发不发。
分镜配音照旧可用:
旁白按场分好,调云端配音(Fish Audio 或 ElevenLabs,一条命令切换)并记下每个字的时间,每场写一个小画面,4K、60 帧渲染,再合上旁白、做封面、章节和字幕。下面的截图就是这条路线的有声预览。

有声预览的真实截图(分镜路线)。片子是自测用的示例,配的是合成声音,不是哪一期真视频;底部那行“使用真实配音”是预览页的固定提示。左边选场,下面点词跳到那一秒;展开后能改某个动画踩第几次出现的词、提前或推后几秒,另存成新的画面文件,不改原件

讲解视频默认走图文页,是 10 月 11 日到 29 日的做法;现在每一期先想这期的画面和配音怎么做最好,再挑工具。下面按最常用的 docfilm 和图文页写;网页成片和分镜配音照各自的入口走。

做一期视频,怎么走一遍
1
我
定题、写好旁白(或者给一段真实录音和它的逐字稿),连同图片和截图素材交给 AI;文案定稿时 AI 附两张表:这期必须讲到的要点、每句话说得多肯定,“今天”“目前”这类词改成具体日期。
2
AI
判断这期怎么做:实拍感纪实用 docfilm,图表卡片多用图文页,代码动画用网页成片,也可以混用或为这期现写;配音同样每期判断(docfilm 用 ElevenLabs 合成全片,分镜配音能在 Fish 和 ElevenLabs 之间切换,图文页可以直接用定稿配音)。
3
AI
docfilm:先只读查一遍旁白里的多音字,再合成全片配音和逐字时间线;写一份全片镜头单,每个镜头几行数据:用哪张底板、哪个场景套件、镜头怎么动、每个动作踩在哪几个字上,截图和打码框登记一次;每写一批跑检查,再出每镜三张定格拼成的联系表。图文页:写分镜表,每个元素在念到哪个词时出现;要纪实风格就换深底主题、整图慢推、先标好打码处。
4
程序
出片前先查,一次把错列全,有错就停:docfilm 导出全片文字时间表,查两层字叠在一起、片尾和字幕同屏、结尾淡黑、字停留太短、字跑出卡片或画面;图文页只读排出每页起止,查字有没有抢在念到之前、动画有没有没放完就退场。
5
我
首版全长粗剪推到我手机上看,流程不等我,有意见边做边补;图文页也可以只看每页收尾的关键帧或一张 3×4 的小样表,打了码的截图另出“打码前 / 打码后”对照图给我逐张核。哪里不对,让 AI 改。
6
程序
出片。docfilm 用一条命令 release:查多音字、按镜头单分段、只渲过期的段、合成整片、文字关卡、成片画面和声音检查、实际成片的字幕逐字对稿、片尾、每镜三帧联系表、和上一版比字比画面比声音,任何一步失败就停在待验目录,全部通过才成为终版。图文页默认出 1080p 可播放副本,带原配音和字幕,多段按拼接表拼成整片、自动生成章节。
7
程序+我
自动检查只覆盖它描述过的那几层,识字和语音对稿要另跑;我完整看一遍、听一遍,决定发不发。
分镜配音照旧可用:
旁白按场分好,调云端配音(Fish Audio 或 ElevenLabs,一条命令切换)并记下每个字的时间,每场写一个小画面,4K、60 帧渲染,再合上旁白、做封面、章节和字幕。下面的截图就是这条路线的有声预览。

有声预览的真实截图(分镜路线)。片子是自测用的示例,配的是合成声音,不是哪一期真视频;底部那行“使用真实配音”是预览页的固定提示。左边选场,下面点词跳到那一秒;展开后能改某个动画踩第几次出现的词、提前或推后几秒,另存成新的画面文件,不改原件

讲解视频默认走图文页,是 10 月 11 日到 29 日的做法;现在每一期先想这期的画面和配音怎么做最好,再挑工具。下面按最常用的 docfilm 和图文页写;网页成片和分镜配音照各自的入口走。

交出来什么,出了事怎么办
交出来的东西
成片:
docfilm 出 1080p 成片,整片用 CPU 的 x264 编码;release 每次出片先放在检查目录里,全部通过才改成带版本号的正式文件名,已有终版或还在出片就不覆盖。图文页默认是 1080p H.264 可播放副本,带原配音(或裁好的原声录音)和烧进画面的字幕:默认逐字出现,也可选整句出现、带“对方 / 我”说话人;纪实主题的字幕是白字压半透明黑底条。分镜路线是 4K、60 帧、AV1,要背景音乐就放一首进去,它自动垫在旁白下面。截图打了码的,另给“打码前 / 打码后”对照图供逐张核对;对照图里有原图,只能自己看,不能当已打好码的公开素材
封面:
一张 3840×2160 的图,标题、副标题,可选一张主图
章节:
B 站认的“分:秒 标题”格式,从 00:00 开始;图文页拼整片时按段自动生成
字幕:
分镜路线出 SRT 和 WebVTT 两个单独的文件,不烧进画面;也能另出一份烧好字幕的观看副本,不改正式成片
交付清单和回执:
记下每个文件的内容指纹(SHA-256,文件改一个字节就变)和来源,写明“还要人看过”;拼整片时另写一份装配回执。docfilm 的 release 另给一份出片清单(输入指纹、框架版本、每一步结果和耗时、逐条放行的理由)、每镜三帧联系表、和上一版的文字 / 画面 / 声音差异,以及按镜头截的配图
出了事怎么办
没有自动提醒。
它不在后台跑,出问题直接跟 AI 说。
不知道做到哪了。
让 AI 查进度:它列出哪些结果已经过期、为什么、该从哪一步重做。docfilm 的 release 清单会写明停在哪一步。
渲染断了。
接着渲染:核对过的片段直接用,只补缺的和坏的;docfilm 失败的那次出片用同一条命令重试,成功的段留着复用。
清理分两种。
分镜路线的清理要明确说了才跑:把能重新生成的文件移进回收站,移不动的列出来,整次停下,不假装成功。docfilm 出片全部通过后,会自动删掉能按镜头单重渲的段和中间文件,不问我,也不进回收站;删不掉只记一条提醒,不影响已经出好的片。细节见复用与恢复。

示例封面:自测样片自动生成的,标题是测试用的名字,不是哪一期真视频

交出来什么,出了事怎么办
交出来的东西
成片:
docfilm 出 1080p 成片,整片用 CPU 的 x264 编码;release 每次出片先放在检查目录里,全部通过才改成带版本号的正式文件名,已有终版或还在出片就不覆盖。图文页默认是 1080p H.264 可播放副本,带原配音(或裁好的原声录音)和烧进画面的字幕:默认逐字出现,也可选整句出现、带“对方 / 我”说话人;纪实主题的字幕是白字压半透明黑底条。分镜路线是 4K、60 帧、AV1,要背景音乐就放一首进去,它自动垫在旁白下面。截图打了码的,另给“打码前 / 打码后”对照图供逐张核对;对照图里有原图,只能自己看,不能当已打好码的公开素材
封面:
一张 3840×2160 的图,标题、副标题,可选一张主图
章节:
B 站认的“分:秒 标题”格式,从 00:00 开始;图文页拼整片时按段自动生成
字幕:
分镜路线出 SRT 和 WebVTT 两个单独的文件,不烧进画面;也能另出一份烧好字幕的观看副本,不改正式成片
交付清单和回执:
记下每个文件的内容指纹(SHA-256,文件改一个字节就变)和来源,写明“还要人看过”;拼整片时另写一份装配回执。docfilm 的 release 另给一份出片清单(输入指纹、框架版本、每一步结果和耗时、逐条放行的理由)、每镜三帧联系表、和上一版的文字 / 画面 / 声音差异,以及按镜头截的配图

示例封面:自测样片自动生成的,标题是测试用的名字,不是哪一期真视频

出了事怎么办
没有自动提醒。
它不在后台跑,出问题直接跟 AI 说。
不知道做到哪了。
让 AI 查进度:它列出哪些结果已经过期、为什么、该从哪一步重做。docfilm 的 release 清单会写明停在哪一步。
渲染断了。
接着渲染:核对过的片段直接用,只补缺的和坏的;docfilm 失败的那次出片用同一条命令重试,成功的段留着复用。
清理分两种。
分镜路线的清理要明确说了才跑:把能重新生成的文件移进回收站,移不动的列出来,整次停下,不假装成功。docfilm 出片全部通过后,会自动删掉能按镜头单重渲的段和中间文件,不问我,也不进回收站;删不掉只记一条提醒,不影响已经出好的片。细节见复用与恢复。
画面是怎么做出来的

docfilm:底板是生图做的空镜,截图、打码框、录音在镜头单里登记一次;每个镜头选一个场景套件(手机、电脑屏幕、文书台面、原声热敏纸、天数计数、对照卡和台历、地图和时间线、片头片尾,还有流转总图、路线地图、通话卡和通话台账、计分板、层级图、回应表、承诺清单),印纸、镂空、划线、纸滑进来、盖章这些动作踩在全片时间线的某几个字上。画面上还能叠一层跟着旁白走的信息:念到哪句,日期、机关、阶段、进度、事实栏、术语解释和原声角标就换到哪句,写法见场景与动画。画面内部按 3840×2160 合成,带运动模糊、缓入缓出和很轻的呼吸运镜,再缩回 1080p;不动的部分烘进一张“世界图”只算一次,正在动的那一小块才逐帧画。全片在镜头交界处切成约 110 秒一段、前后各多渲 1 秒备接缝,几条线同时在显卡上渲;显卡出错就从那段第一帧改用 CPU 重渲。段视频用显卡 NVENC 高质量编码,整片合成时统一混音、查接缝和坏帧,终编默认仍用 CPU 的 x264。

图文页路线:分镜表交给工具搭成画面,坐标按 4K 排,默认按 1080p 拍下、用 CPU 编码。用真实录音时,程序按逐字稿和录音片段交中文语音转写对出每个字的时刻,录音本身只裁切、不变速不降噪;两段声音之间可以插一段静音,后面的声音、字幕和画面一起往后顺延。纪实画面在同一套工具里换深底主题、整图慢推、打码和标框,不另起一套。下面是分镜路线的六步:

1
配音
Fish Audio 或 ElevenLabs(当前选哪家、什么型号和音色,各自记着,切换不丢)把每场旁白读成一段声音;字幕用的原稿和送去配音的“表演稿”可以分开写,比如表演稿加语气和停顿标记,独立的“GB”默认改成按字母读
2
对时间
记下每个字几点几秒说出:优先用 Fish 或 ElevenLabs 返回的时间戳,映射回原稿里的数字、英文和空格;对不上才交给中文语音转写按已知的文字对齐
3
写画面
每场一个矢量图(SVG)片段,给每个动画标上由旁白里哪个词触发;比如标“核心结论”,旁白说到这四个字时它才出现
4
按时间画
每场的片段装进同一个网页模板,成了这场的场景网页;它只认一个时间:给它第几秒,它就画出那一秒的样子,和电脑快慢无关
5
逐帧拍下
4 个无头浏览器(不开窗口的浏览器)并行,整条视频切成每段 5 秒,逐帧截透明图
6
叠背景、编码
FFmpeg 把透明画面叠到 60 秒循环的 4K 玻璃背景上,显卡 AV1 编码;各段拼好,再合上旁白

示例画面:自测样片里的一帧(用 CPU 编码),字叠在循环的玻璃背景上

画面是怎么做出来的

docfilm:底板是生图做的空镜,截图、打码框、录音在镜头单里登记一次;每个镜头选一个场景套件(手机、电脑屏幕、文书台面、原声热敏纸、天数计数、对照卡和台历、地图和时间线、片头片尾,还有流转总图、路线地图、通话卡和通话台账、计分板、层级图、回应表、承诺清单),印纸、镂空、划线、纸滑进来、盖章这些动作踩在全片时间线的某几个字上。画面上还能叠一层跟着旁白走的信息:念到哪句,日期、机关、阶段、进度、事实栏、术语解释和原声角标就换到哪句,写法见场景与动画。画面内部按 3840×2160 合成,带运动模糊、缓入缓出和很轻的呼吸运镜,再缩回 1080p;不动的部分烘进一张“世界图”只算一次,正在动的那一小块才逐帧画。全片在镜头交界处切成约 110 秒一段、前后各多渲 1 秒备接缝,几条线同时在显卡上渲;显卡出错就从那段第一帧改用 CPU 重渲。段视频用显卡 NVENC 高质量编码,整片合成时统一混音、查接缝和坏帧,终编默认仍用 CPU 的 x264。

图文页路线:分镜表交给工具搭成画面,坐标按 4K 排,默认按 1080p 拍下、用 CPU 编码。用真实录音时,程序按逐字稿和录音片段交中文语音转写对出每个字的时刻,录音本身只裁切、不变速不降噪;两段声音之间可以插一段静音,后面的声音、字幕和画面一起往后顺延。纪实画面在同一套工具里换深底主题、整图慢推、打码和标框,不另起一套。下面是分镜路线的六步:

1
配音
Fish Audio 或 ElevenLabs(当前选哪家、什么型号和音色,各自记着,切换不丢)把每场旁白读成一段声音;字幕用的原稿和送去配音的“表演稿”可以分开写,比如表演稿加语气和停顿标记,独立的“GB”默认改成按字母读
2
对时间
记下每个字几点几秒说出:优先用 Fish 或 ElevenLabs 返回的时间戳,映射回原稿里的数字、英文和空格;对不上才交给中文语音转写按已知的文字对齐
3
写画面
每场一个矢量图(SVG)片段,给每个动画标上由旁白里哪个词触发;比如标“核心结论”,旁白说到这四个字时它才出现
4
按时间画
每场的片段装进同一个网页模板,成了这场的场景网页;它只认一个时间:给它第几秒,它就画出那一秒的样子,和电脑快慢无关
5
逐帧拍下
4 个无头浏览器(不开窗口的浏览器)并行,整条视频切成每段 5 秒,逐帧截透明图
6
叠背景、编码
FFmpeg 把透明画面叠到 60 秒循环的 4K 玻璃背景上,显卡 AV1 编码;各段拼好,再合上旁白

示例画面:自测样片里的一帧(用 CPU 编码),字叠在循环的玻璃背景上

用了什么模型和工具
环节用的什么细节
配音两家云端合成可切换:Fish Audio(s2.1-pro-free 模型,云飞声线)或 ElevenLabs(默认 eleven_v4 型号,音色要自己选)每家的型号和音色分开存在本期 voice.json,切过去再切回来不丢;10 月 22 日读这台电脑上的设置,当前选的是 ElevenLabs eleven_v4。需要新配音时才调,送去的那份稿子会发到对应服务;能写语气和停顿标记(Fish 如 [pause]、[excited],ElevenLabs v4 如 [curious]、[Brief pause]),不保证每个标记每次都被听从。ElevenLabs 的密钥可直接用环境变量,也可经密码中心代调。10 月 21 日只用免费账户的 Roger 音色跑通过一次接口,音色未定。图文页默认直接用定稿配音,不调配音服务;docfilm 用自己的配音配置调 ElevenLabs 合成全片
多音字(docfilm)pypinyin + jieba 词典合成前只读检查旁白里的多音字,不取密钥、不调配音;已知读错记在项目的多音字表里自动换说法,拿不准的列出来交 AI 改写;词典只给候选,不能证明合成出来真的读对,成片仍要试听
对时间Fish 或 ElevenLabs 返回的逐字时间戳;备用 Qwen3-ForcedAligner-0.6B原生时间戳映射回原稿,对不上才走备用;真实录音也用备用模型按逐字稿对齐。备用模型在本机显卡上跑,归中文语音转写管,每场最长 300 秒;视频项目里不装语音模型。已知文字对齐只给时刻,不能证明真的读对了
截图处理Pillow:透视贴屏(screen_composite)、裁条成帧(frame_crop)、实心黑块打码把真截图按四个角贴进生成的手机屏幕;从截图里裁一条内容放大成 16:9 画面、背景用自身模糊压暗;打码先画在派生图上再裁切缩放,原图不改;自动找角只出检查图,四角要人确认
画面SVG + 39 种动画 + 组件库;图文页 31 种版式、17 种卡片内图解组件库里有标题、数字爆开、对比表、仪表盘、3D 看板、粒子、路径变形这类现成件;69 页的版式一览能一次看全部版式
画面(docfilm)numpy、Pillow、scipy 合成;镜头单 + 场景套件生图空镜做底板,静态画面一律生图、不用代码画;逐字内容、划线、镜头运动、截图摆放和打码由代码做。上屏的字只用定稿文案,套件不自己编字
转场和质感场景之间 0.5 秒上浮淡入;轻暗角、细颗粒分镜路线渲染时直接做进画面;图文页默认关掉胶片效果;图文页换页写 transition: 0 就是硬切,拼整片时 fade_frames: 0 直接接帧(不写仍是 12 帧叠化)
截帧Playwright 控制的无头 Chromium每个浏览器最多在内存里留 6 个场景页面,防止内存撑爆
编码(分镜路线)FFmpeg,用显卡做 AV1 编码恒定质量 22、10 位色深;哪段失败自动重试 2 次
编码(图文页)FFmpeg,CPU 上的 libx264最后交 1080p H.264、AAC 的可播放副本;出片路数按可用内存自选 1—4 路
渲染和编码(docfilm)显卡常驻合成(CuPy)+ NVENC 出段视频;整片终编 FFmpeg x264一个专用进程把全部显存对象握在手里,画好的帧交给单独的编码线程;段视频是高质量、文件大的 NVENC。整片终编默认 x264:一条命令出片默认质量值 14,直接合成默认 slow、16;也能选显卡终编,但 10 月 29 日恢复默认前,一部约 8 分半的片子实测没有提速,所以默认没换。不设显卡开关就是原来的 CPU 多进程渲染,按可用内存增减进程
声音FFmpeg旁白统一成 48 kHz 拼好;背景音乐音量 0.34,旁白一响就自动压低,片尾 1.2 秒淡出
显卡排队电脑配置与恢复的显卡排队服务渲染前领一张 120 秒的租约(不续就自动还回去),每 40 秒续一次;本地大模型和听写也用这块显卡;docfilm 几条线同时渲时共用一张租约
网页成片编码Chrome 硬件编码(WebCodecs)+ FFmpeg 色彩转换和 NVENC只有整张 Canvas2D/WebGL 画布能证明是完整画面的作品走这条,其余照旧截图、用 x264(CRF18);Chrome 那一步请求 120 Mbps,不能说等于 CRF18;最后用 NVENC 压成 H.264(p7、hq、恒定 QP10、High 5.2、yuv420p);ffprobe 先查源色彩,zscale 按实际范围转成 BT.709 有限范围,认不出就拒绝;转换和编码共用一张显卡租约
网页成片断点输出目录里的 .webfilm-cache完整成功的小段最长 2 秒、在声明的场景边界切开;输入一变就重建;作品可在 work.json 用 render_segments 写明每段依赖哪些文件,漏写跨场景依赖程序证明不了
出片排队图文页出片和关键帧自带;其他命令可用 pipeline.render_queue 包一层默认整台电脑同时最多 2 个出片任务,已有任务在跑时可用内存至少 14 GiB,按先到先放行;没人出片直接放行;它管同时出几条片,和上面的显卡租约不是一回事;这次只读过代码,没试过并发
出片前文字检查(docfilm)从实际排版和动画数据取每行字的位置和起止帧查叠字、片尾和字幕同屏、结尾淡黑、停留时长、安全区、出卡出画、顶栏日期;缺文字层就写“查不了”,不为它启动识字模型。确需保留的问题只能逐条写理由放行,没有批量关掉检查的开关
成片检查(docfilm)filmcheck画面查坏帧、黑帧、卡帧,声音查响度、削波、静音;识字查隐私和画面文字、语音转写对稿是另外的入口。一条命令出片默认只跑画面和声音两项
原件漏码检查(docfilm)本地文字识别+本期敏感字表只在原件写了清水印时,编译阶段把盖完码、清完水印的整页各过一次;没配字表、识别忙或没结果都不出片,“必须改”命中也不出片。它只查这些原件,不等于成片全部画面做过识字
预览本机临时网页服务只在这台电脑上开,外面连不进来;只放预览用得到的文件
自动测试GitHub 自动测试每次推送:Windows、Linux 各跑一遍测试,Linux 上再用 CPU 完整出一条短片
用了什么模型和工具
环节用的什么细节
配音
用的什么:
两家云端合成可切换:Fish Audio(s2.1-pro-free 模型,云飞声线)或 ElevenLabs(默认 eleven_v4 型号,音色要自己选)
细节:
每家的型号和音色分开存在本期 voice.json,切过去再切回来不丢;10 月 22 日读这台电脑上的设置,当前选的是 ElevenLabs eleven_v4。需要新配音时才调,送去的那份稿子会发到对应服务;能写语气和停顿标记(Fish 如 [pause]、[excited],ElevenLabs v4 如 [curious]、[Brief pause]),不保证每个标记每次都被听从。ElevenLabs 的密钥可直接用环境变量,也可经密码中心代调。10 月 21 日只用免费账户的 Roger 音色跑通过一次接口,音色未定。图文页默认直接用定稿配音,不调配音服务;docfilm 用自己的配音配置调 ElevenLabs 合成全片
多音字(docfilm)
用的什么:
pypinyin + jieba 词典
细节:
合成前只读检查旁白里的多音字,不取密钥、不调配音;已知读错记在项目的多音字表里自动换说法,拿不准的列出来交 AI 改写;词典只给候选,不能证明合成出来真的读对,成片仍要试听
对时间
用的什么:
Fish 或 ElevenLabs 返回的逐字时间戳;备用 Qwen3-ForcedAligner-0.6B
细节:
原生时间戳映射回原稿,对不上才走备用;真实录音也用备用模型按逐字稿对齐。备用模型在本机显卡上跑,归中文语音转写管,每场最长 300 秒;视频项目里不装语音模型。已知文字对齐只给时刻,不能证明真的读对了
截图处理
用的什么:
Pillow:透视贴屏(screen_composite)、裁条成帧(frame_crop)、实心黑块打码
细节:
把真截图按四个角贴进生成的手机屏幕;从截图里裁一条内容放大成 16:9 画面、背景用自身模糊压暗;打码先画在派生图上再裁切缩放,原图不改;自动找角只出检查图,四角要人确认
画面
用的什么:
SVG + 39 种动画 + 组件库;图文页 31 种版式、17 种卡片内图解
细节:
组件库里有标题、数字爆开、对比表、仪表盘、3D 看板、粒子、路径变形这类现成件;69 页的版式一览能一次看全部版式
画面(docfilm)
用的什么:
numpy、Pillow、scipy 合成;镜头单 + 场景套件
细节:
生图空镜做底板,静态画面一律生图、不用代码画;逐字内容、划线、镜头运动、截图摆放和打码由代码做。上屏的字只用定稿文案,套件不自己编字
转场和质感
用的什么:
场景之间 0.5 秒上浮淡入;轻暗角、细颗粒
细节:
分镜路线渲染时直接做进画面;图文页默认关掉胶片效果;图文页换页写 transition: 0 就是硬切,拼整片时 fade_frames: 0 直接接帧(不写仍是 12 帧叠化)
截帧
用的什么:
Playwright 控制的无头 Chromium
细节:
每个浏览器最多在内存里留 6 个场景页面,防止内存撑爆
编码(分镜路线)
用的什么:
FFmpeg,用显卡做 AV1 编码
细节:
恒定质量 22、10 位色深;哪段失败自动重试 2 次
编码(图文页)
用的什么:
FFmpeg,CPU 上的 libx264
细节:
最后交 1080p H.264、AAC 的可播放副本;出片路数按可用内存自选 1—4 路
渲染和编码(docfilm)
用的什么:
显卡常驻合成(CuPy)+ NVENC 出段视频;整片终编 FFmpeg x264
细节:
一个专用进程把全部显存对象握在手里,画好的帧交给单独的编码线程;段视频是高质量、文件大的 NVENC。整片终编默认 x264:一条命令出片默认质量值 14,直接合成默认 slow、16;也能选显卡终编,但 10 月 29 日恢复默认前,一部约 8 分半的片子实测没有提速,所以默认没换。不设显卡开关就是原来的 CPU 多进程渲染,按可用内存增减进程
声音
用的什么:
FFmpeg
细节:
旁白统一成 48 kHz 拼好;背景音乐音量 0.34,旁白一响就自动压低,片尾 1.2 秒淡出
显卡排队
用的什么:
电脑配置与恢复的显卡排队服务
细节:
渲染前领一张 120 秒的租约(不续就自动还回去),每 40 秒续一次;本地大模型和听写也用这块显卡;docfilm 几条线同时渲时共用一张租约
网页成片编码
用的什么:
Chrome 硬件编码(WebCodecs)+ FFmpeg 色彩转换和 NVENC
细节:
只有整张 Canvas2D/WebGL 画布能证明是完整画面的作品走这条,其余照旧截图、用 x264(CRF18);Chrome 那一步请求 120 Mbps,不能说等于 CRF18;最后用 NVENC 压成 H.264(p7、hq、恒定 QP10、High 5.2、yuv420p);ffprobe 先查源色彩,zscale 按实际范围转成 BT.709 有限范围,认不出就拒绝;转换和编码共用一张显卡租约
网页成片断点
用的什么:
输出目录里的 .webfilm-cache
细节:
完整成功的小段最长 2 秒、在声明的场景边界切开;输入一变就重建;作品可在 work.json 用 render_segments 写明每段依赖哪些文件,漏写跨场景依赖程序证明不了
出片排队
用的什么:
图文页出片和关键帧自带;其他命令可用 pipeline.render_queue 包一层
细节:
默认整台电脑同时最多 2 个出片任务,已有任务在跑时可用内存至少 14 GiB,按先到先放行;没人出片直接放行;它管同时出几条片,和上面的显卡租约不是一回事;这次只读过代码,没试过并发
出片前文字检查(docfilm)
用的什么:
从实际排版和动画数据取每行字的位置和起止帧
细节:
查叠字、片尾和字幕同屏、结尾淡黑、停留时长、安全区、出卡出画、顶栏日期;缺文字层就写“查不了”,不为它启动识字模型。确需保留的问题只能逐条写理由放行,没有批量关掉检查的开关
成片检查(docfilm)
用的什么:
filmcheck
细节:
画面查坏帧、黑帧、卡帧,声音查响度、削波、静音;识字查隐私和画面文字、语音转写对稿是另外的入口。一条命令出片默认只跑画面和声音两项
原件漏码检查(docfilm)
用的什么:
本地文字识别+本期敏感字表
细节:
只在原件写了清水印时,编译阶段把盖完码、清完水印的整页各过一次;没配字表、识别忙或没结果都不出片,“必须改”命中也不出片。它只查这些原件,不等于成片全部画面做过识字
预览
用的什么:
本机临时网页服务
细节:
只在这台电脑上开,外面连不进来;只放预览用得到的文件
自动测试
用的什么:
GitHub 自动测试
细节:
每次推送:Windows、Linux 各跑一遍测试,Linux 上再用 CPU 完整出一条短片
为什么这样设计
1
每一帧按时间算出来。
动画只看传进来的时间,不用计时器和随机数;电脑快慢不影响节奏,几个浏览器或几条显卡线分段渲,拼起来也严丝合缝。
2
人要看的地方停下来。
画面好不好、踩点准不准,程序判断不了。所以提示出完就停,等人或 AI 写画面;机器能查的(叠字、出画、坏帧、字幕对稿)在出片前后自动拦住,“核验通过”只说明它描述过的那几层没问题、文件齐、来源对,有没有人看过另算。
3
不替我做决定。
不选题、不写旁白、不自动投稿,也不规定哪种视频必须走哪套工具;每期画面和配音怎么做由正在干活的 AI 先想清楚再动手,写画面那一步故意不接大模型接口。
4
配音不悄悄重做。
配音要调云端、会用额度,重配一次整条的节奏都会变。所以认可过的默认复用,图文页直接用定稿配音;旁白、表演稿、供应商、型号、音色或声音参数变了就拒绝沿用旧配音,明确说重配才重配;只换对时间的方法,也不重配。真实录音更是只裁不改:不变速、不降噪、不改音色。
5
不抢显卡,不碰别人的东西。
渲染先排队领显卡,出片任务全机排队,内存紧就少开几个进程、快满了才暂停,不结束别人的任务;清理只碰认得的、能重新生成的文件,原件和不认识的文件一律不动(分镜路线进回收站,docfilm 出片通过后自动直接删,见复用与恢复)。
6
视频项目不装语音模型。
对时间交给中文语音转写,模型只在那边装一份;分镜配音和图文页直接依赖的 Python 包只有 Playwright、requests、Pillow 三个(不是 Windows 的电脑再加一个放回收站用的 Send2Trash);docfilm 另用 numpy、scipy、psutil,多音字检查另装 pypinyin 和 jieba,显卡渲染要另备带 CuPy 的环境;FFmpeg 和 Chrome 另外装,换机好装。
42527 行
Python 正式代码,不算测试(含网页成片、图文页和 docfilm;11 月 4 日 13:29 只读清点)
690 个
测试定义(只计数,这次没有运行)
252 次
提交,含合并(6 月 26 日–10 月 31 日 14:19,最后一次提交 3c1c117;11 月 4 日 13:29 只读清点)
为什么这样设计
1每一帧按时间算出来。
动画只看传进来的时间,不用计时器和随机数;电脑快慢不影响节奏,几个浏览器或几条显卡线分段渲,拼起来也严丝合缝。
2人要看的地方停下来。
画面好不好、踩点准不准,程序判断不了。所以提示出完就停,等人或 AI 写画面;机器能查的(叠字、出画、坏帧、字幕对稿)在出片前后自动拦住,“核验通过”只说明它描述过的那几层没问题、文件齐、来源对,有没有人看过另算。
3不替我做决定。
不选题、不写旁白、不自动投稿,也不规定哪种视频必须走哪套工具;每期画面和配音怎么做由正在干活的 AI 先想清楚再动手,写画面那一步故意不接大模型接口。
4配音不悄悄重做。
配音要调云端、会用额度,重配一次整条的节奏都会变。所以认可过的默认复用,图文页直接用定稿配音;旁白、表演稿、供应商、型号、音色或声音参数变了就拒绝沿用旧配音,明确说重配才重配;只换对时间的方法,也不重配。真实录音更是只裁不改:不变速、不降噪、不改音色。
5不抢显卡,不碰别人的东西。
渲染先排队领显卡,出片任务全机排队,内存紧就少开几个进程、快满了才暂停,不结束别人的任务;清理只碰认得的、能重新生成的文件,原件和不认识的文件一律不动(分镜路线进回收站,docfilm 出片通过后自动直接删,见复用与恢复)。
6视频项目不装语音模型。
对时间交给中文语音转写,模型只在那边装一份;分镜配音和图文页直接依赖的 Python 包只有 Playwright、requests、Pillow 三个(不是 Windows 的电脑再加一个放回收站用的 Send2Trash);docfilm 另用 numpy、scipy、psutil,多音字检查另装 pypinyin 和 jieba,显卡渲染要另备带 CuPy 的环境;FFmpeg 和 Chrome 另外装,换机好装。
42527 行
Python 正式代码,不算测试(含网页成片、图文页和 docfilm;11 月 4 日 13:29 只读清点)
690 个
测试定义(只计数,这次没有运行)
252 次
提交,含合并(6 月 26 日–10 月 31 日 14:19,最后一次提交 3c1c117;11 月 4 日 13:29 只读清点)

数字截至 2026 年 11 月 4 日

亮点
动画踩着旁白的字。

画面里写“说到‘核心结论’时出现”,程序去逐字时间轴里查这个词第几秒说出,换成动画的开始时间;一个词占好几个字时,还按字数往里插,落点更准。不用人手写“第 2.4 秒出现”,旁白重配了,踩点跟着新的时间走。第一期就是这样做的。

两场之间补一口气。

做第一期时听着两段旁白接得太急。于是每段配音末尾补 0.2 秒静音,时长按补过的算,画面也跟着多停这一下,声音和画面不会因此错开。只管接缝,不改语速。

先说结论 核心结论
核心结论
亮点
动画踩着旁白的字。

画面里写“说到‘核心结论’时出现”,程序去逐字时间轴里查这个词第几秒说出,换成动画的开始时间;一个词占好几个字时,还按字数往里插,落点更准。不用人手写“第 2.4 秒出现”,旁白重配了,踩点跟着新的时间走。第一期就是这样做的。

两场之间补一口气。

做第一期时听着两段旁白接得太急。于是每段配音末尾补 0.2 秒静音,时长按补过的算,画面也跟着多停这一下,声音和画面不会因此错开。只管接缝,不改语速。

先说结论 核心结论
核心结论
全部功能(33 项)
● 在用● 待验收○ 待实施● 没用过● 说不准✕ 已停用

怎么判的:发布过一期真视频(6 月,分镜路线),另有本期图文页影片 10 月 11 日通过我审定。真视频用过、现在做法没变的,和在这台电脑上真跑过的检查,标“在用”;新加或换了做法、只在自动测试里跑通、还没用在真视频上的,标“待验收”;用了不一定留下记录、记录里也没找到的,标“说不准”。四套工具现在不分主次,每期按需要挑。共 33 项:下方清单列 32 项,另 1 项是首屏和功能页已说明的 docfilm。docfilm 自 10 月 22 日起加入:它的镜头单和场景套件、按句切换的信息层、清水印原件的漏码检查、合成前多音字检查、显卡常驻渲染、出片前文字时间表检查、成片检查、一条命令出片和成功分段滚动复用,分别写在本项目讲出片、交付、预检和复用的几个功能页里。

开工(分镜路线)
1
新项目准备
开一个空白的分镜工程:只复制通用代码、模板和背景,不带上一期的旁白、素材、成片和密钥;目标文件夹不空就不开
2
环境检查
查 Python、FFmpeg、浏览器组件、背景、显卡排队、对时间要用的中文语音转写是否就绪;只看不动,不开浏览器、不占显卡、不读密钥
3
真机和配音试一下
要实证时才跑:真开浏览器和显卡编码试一次;或真向当前选的配音服务(Fish 或 ElevenLabs)配一句测试音,用完就删,可能花额度
4
查进度
列出每一步的结果还算不算数、为什么过期、该从哪一步重做
配音和时间
5
旁白分场
把一整篇旁白按段写成每场一个文本文件;没有单独的命令,要让 AI 调用
6
配音生成
调云端把每场旁白读出来;6 月用过 Fish Audio,9 月改走带时间戳的接口,还加了“旁白改了就拒绝沿用旧配音”。10 月 21 日起能在 Fish 和 ElevenLabs 之间一条命令切换,两家的型号、音色分开保存;字幕用的原稿和送去配音的表演稿可以分开,独立的“GB”默认按字母读;供应商、型号、音色、表演稿一变就拒绝复用旧配音。ElevenLabs 只用免费账户的 Roger 音色跑通过一次接口,音色未定
7
语气和停顿标记
旁白里写 [emphasis]、[pause]、[excited] 这类标记,控制语气、停顿和音效,标记本身不会被读出来(Fish,6 月真片用过);ElevenLabs v4 用自己的标记,如 [curious]、[Brief pause],这部分还没用在真片上
8
逐字时间轴
记下每个字几点几秒说出:优先用 Fish 或 ElevenLabs 返回的时间戳,映射回原稿;对不上才交给中文语音转写对齐;换方法不重配音。真实录音也能按逐字稿对出每个字的时刻,录音只裁不改;两段声音间可插静音,后面整体顺延
画面
9
逐场画面提示
每场生成一份提示:旁白、能踩点的词、素材路径和画面规矩,照着写画面
10
场景制作
每场一个矢量图片段,用 39 种动画和现成组件,动画踩着旁白的字出现
11
布局预检
渲染前在浏览器里停在每个动画的起止时刻,量有没有字跑出画面、素材缺没缺
12
有声预览
边听旁白边看画面,点词跳到那一秒;能改踩点后导出新的画面文件,不改原件;9 月 29 日修好了画面区域被白底挡住、看不到玻璃背景的毛病
全部功能(33 项)
● 在用● 待验收○ 待实施● 没用过● 说不准✕ 已停用

怎么判的:发布过一期真视频(6 月,分镜路线),另有本期图文页影片 10 月 11 日通过我审定。真视频用过、现在做法没变的,和在这台电脑上真跑过的检查,标“在用”;新加或换了做法、只在自动测试里跑通、还没用在真视频上的,标“待验收”;用了不一定留下记录、记录里也没找到的,标“说不准”。四套工具现在不分主次,每期按需要挑。共 33 项:下方清单列 32 项,另 1 项是首屏和功能页已说明的 docfilm。docfilm 自 10 月 22 日起加入:它的镜头单和场景套件、按句切换的信息层、清水印原件的漏码检查、合成前多音字检查、显卡常驻渲染、出片前文字时间表检查、成片检查、一条命令出片和成功分段滚动复用,分别写在本项目讲出片、交付、预检和复用的几个功能页里。

开工(分镜路线)
1
新项目准备
开一个空白的分镜工程:只复制通用代码、模板和背景,不带上一期的旁白、素材、成片和密钥;目标文件夹不空就不开
2
环境检查
查 Python、FFmpeg、浏览器组件、背景、显卡排队、对时间要用的中文语音转写是否就绪;只看不动,不开浏览器、不占显卡、不读密钥
3
真机和配音试一下
要实证时才跑:真开浏览器和显卡编码试一次;或真向当前选的配音服务(Fish 或 ElevenLabs)配一句测试音,用完就删,可能花额度
4
查进度
列出每一步的结果还算不算数、为什么过期、该从哪一步重做
配音和时间
5
旁白分场
把一整篇旁白按段写成每场一个文本文件;没有单独的命令,要让 AI 调用
6
配音生成
调云端把每场旁白读出来;6 月用过 Fish Audio,9 月改走带时间戳的接口,还加了“旁白改了就拒绝沿用旧配音”。10 月 21 日起能在 Fish 和 ElevenLabs 之间一条命令切换,两家的型号、音色分开保存;字幕用的原稿和送去配音的表演稿可以分开,独立的“GB”默认按字母读;供应商、型号、音色、表演稿一变就拒绝复用旧配音。ElevenLabs 只用免费账户的 Roger 音色跑通过一次接口,音色未定
7
语气和停顿标记
旁白里写 [emphasis]、[pause]、[excited] 这类标记,控制语气、停顿和音效,标记本身不会被读出来(Fish,6 月真片用过);ElevenLabs v4 用自己的标记,如 [curious]、[Brief pause],这部分还没用在真片上
8
逐字时间轴
记下每个字几点几秒说出:优先用 Fish 或 ElevenLabs 返回的时间戳,映射回原稿;对不上才交给中文语音转写对齐;换方法不重配音。真实录音也能按逐字稿对出每个字的时刻,录音只裁不改;两段声音间可插静音,后面整体顺延
画面
9
逐场画面提示
每场生成一份提示:旁白、能踩点的词、素材路径和画面规矩,照着写画面
10
场景制作
每场一个矢量图片段,用 39 种动画和现成组件,动画踩着旁白的字出现
11
布局预检
渲染前在浏览器里停在每个动画的起止时刻,量有没有字跑出画面、素材缺没缺
12
有声预览
边听旁白边看画面,点词跳到那一秒;能改踩点后导出新的画面文件,不改原件;9 月 29 日修好了画面区域被白底挡住、看不到玻璃背景的毛病

数字截至 2026 年 11 月 6 日

出片
13
断点渲染
4 路并行逐帧渲染,每段数帧核对;断了接着做,只补缺的和坏的。6 月用过,9 月加了显卡排队、按指纹判断哪段要重渲
14
视频合成
画面合上旁白;放了背景音乐就自动垫在旁白下面;画面和声音时长对不上就不合
15
封面
按标题、副标题和可选主图出一张 3840×2160 的封面,字出界就报错
16
章节
按场分组生成 B 站章节,从 00:00 开始;章太多、标题太长、两章太近都会提醒
17
字幕
从逐字时间轴出 SRT 和 WebVTT 字幕文件,不烧进画面;也能另出一份烧字幕的观看副本(当前念到的词高亮、念到才浮现,1080p H.264,旁白原文和词轴逐字对上才出),不改正式成片和交付清单。图文页另可选整句字幕:一句话整句出现到下一句替换,长句在逗号处再切,录音能带“对方 / 我”说话人和小标签
验收和收尾
18
成片核验
逐项核对来源、尺寸、帧率、编码、总帧数、时长、音画起点和封面;全过才算“就绪”
19
交付清单
核验通过后记下成片、封面、章节、字幕的内容指纹和来源,注明还要人看
20
清理中间文件
分镜路线:只把认得的、能重新生成的中间文件移进回收站,可以先只列不动;原件和成品不动,移不动就整次停下并列出来。docfilm 出片后的自动清理不走这一项
21
隔离整链自测
在一个新的空项目里用合成声音从头做到交付,再改一场,确认旧成片被拒、片段复用
默认路线:图文页(10 月 29 日起已不分默认)
22
图文页开工
建一个空的影片目录和一张开场样例表,可顺带出约 6 秒试片;另能出 69 页的版式一览;目标目录不空就不开
23
图文页分镜表
一个 JSON 写清每页放什么、每个元素念到哪个词出现;接本期定稿的配音、原文和词级时间,字不早于念到、动画放完才退场。10 月 21 日起还能接真实录音片段、段间静音;纪实主题(深底白字、黄笔红框)、整图铺满慢推、先打码再变换、黄色手绘框和红框、左上角计数条、硬切换页,以及把真截图透视贴进生成的手机屏、从截图裁一条放大成 16:9——这些新写法只在自动测试里跑过,还待验收
24
排起止和关键帧
先只读排出每页起止,同时查逐字和退场;或只出指定秒数、每页收尾的关键帧。加 --all 一次列全所有页的错并返回失败;加 --sheet 另出 3×4 的小样表;打了码的页另出打码前后对照图
25
图文页出片
默认出 1080p H.264 可播放副本,带原配音和字幕(逐字,或可选整句);路数按可用内存自选 1—4 路
26
分段拼整片
按拼接表把多段拼成整片,自动生成章节、写装配回执;可先只看计划,总帧数对不上、来源中途变了或目标已存在都拒绝;段间默认 12 帧叠化,可写 0 直接切
27
全机出片排队
图文页出片和关键帧自动排队:整台电脑同时最多 2 个出片任务,已有任务时可用内存要够 14 GiB,按先来后到放行;和显卡租约是两回事
另一条线:网页成片
28
网页成片
AI 直接写一张会动的网页,程序按时间逐帧拍成 4K 视频;能先看关键几帧、只渲其中一段,不走分场配音那一套。10 月 10 日起:写作品时能开实时有声预览,可带已有旁白、不调用配音服务,改完刷新就看;整张画布画出来的作品走显卡快路(Chrome 硬件编码,再由 FFmpeg 按实际色彩范围真正转成 BT.709、用 NVENC 压成 H.264),认不出色彩就拒绝;渲染断了,从已完成的小段(最长 2 秒,在场景边界切开)接着做。普通网页元素、SVG 这类画面仍逐帧截图
已停用
29
一键全流程
一条命令从写旁白文件跑到成片;8 月 15 日换成分步骤,每步能停下来看
30
投稿文案包
按旁白生成 B 站标题、简介、标签和投稿自检清单;随旧脚本停用,9 月 18 日删掉
31
一键归档
做完一期把素材和成品整体挪进归档文件夹;随旧脚本停用,现在每期开一个新项目
32
本地 Whisper 对时间
视频项目自己装 faster-whisper large-v3 对时间;9 月 18 日停用,改由中文语音转写统一对齐
出片
13
断点渲染
4 路并行逐帧渲染,每段数帧核对;断了接着做,只补缺的和坏的。6 月用过,9 月加了显卡排队、按指纹判断哪段要重渲
14
视频合成
画面合上旁白;放了背景音乐就自动垫在旁白下面;画面和声音时长对不上就不合
15
封面
按标题、副标题和可选主图出一张 3840×2160 的封面,字出界就报错
16
章节
按场分组生成 B 站章节,从 00:00 开始;章太多、标题太长、两章太近都会提醒
17
字幕
从逐字时间轴出 SRT 和 WebVTT 字幕文件,不烧进画面;也能另出一份烧字幕的观看副本(当前念到的词高亮、念到才浮现,1080p H.264,旁白原文和词轴逐字对上才出),不改正式成片和交付清单。图文页另可选整句字幕:一句话整句出现到下一句替换,长句在逗号处再切,录音能带“对方 / 我”说话人和小标签
验收和收尾
18
成片核验
逐项核对来源、尺寸、帧率、编码、总帧数、时长、音画起点和封面;全过才算“就绪”
19
交付清单
核验通过后记下成片、封面、章节、字幕的内容指纹和来源,注明还要人看
20
清理中间文件
分镜路线:只把认得的、能重新生成的中间文件移进回收站,可以先只列不动;原件和成品不动,移不动就整次停下并列出来。docfilm 出片后的自动清理不走这一项
21
隔离整链自测
在一个新的空项目里用合成声音从头做到交付,再改一场,确认旧成片被拒、片段复用
默认路线:图文页(10 月 29 日起已不分默认)
22
图文页开工
建一个空的影片目录和一张开场样例表,可顺带出约 6 秒试片;另能出 69 页的版式一览;目标目录不空就不开
23
图文页分镜表
一个 JSON 写清每页放什么、每个元素念到哪个词出现;接本期定稿的配音、原文和词级时间,字不早于念到、动画放完才退场。10 月 21 日起还能接真实录音片段、段间静音;纪实主题(深底白字、黄笔红框)、整图铺满慢推、先打码再变换、黄色手绘框和红框、左上角计数条、硬切换页,以及把真截图透视贴进生成的手机屏、从截图裁一条放大成 16:9——这些新写法只在自动测试里跑过,还待验收
24
排起止和关键帧
先只读排出每页起止,同时查逐字和退场;或只出指定秒数、每页收尾的关键帧。加 --all 一次列全所有页的错并返回失败;加 --sheet 另出 3×4 的小样表;打了码的页另出打码前后对照图
25
图文页出片
默认出 1080p H.264 可播放副本,带原配音和字幕(逐字,或可选整句);路数按可用内存自选 1—4 路
26
分段拼整片
按拼接表把多段拼成整片,自动生成章节、写装配回执;可先只看计划,总帧数对不上、来源中途变了或目标已存在都拒绝;段间默认 12 帧叠化,可写 0 直接切
27
全机出片排队
图文页出片和关键帧自动排队:整台电脑同时最多 2 个出片任务,已有任务时可用内存要够 14 GiB,按先来后到放行;和显卡租约是两回事
另一条线:网页成片
28
网页成片
AI 直接写一张会动的网页,程序按时间逐帧拍成 4K 视频;能先看关键几帧、只渲其中一段,不走分场配音那一套。10 月 10 日起:写作品时能开实时有声预览,可带已有旁白、不调用配音服务,改完刷新就看;整张画布画出来的作品走显卡快路(Chrome 硬件编码,再由 FFmpeg 按实际色彩范围真正转成 BT.709、用 NVENC 压成 H.264),认不出色彩就拒绝;渲染断了,从已完成的小段(最长 2 秒,在场景边界切开)接着做。普通网页元素、SVG 这类画面仍逐帧截图
已停用
29
一键全流程
一条命令从写旁白文件跑到成片;8 月 15 日换成分步骤,每步能停下来看
30
投稿文案包
按旁白生成 B 站标题、简介、标签和投稿自检清单;随旧脚本停用,9 月 18 日删掉
31
一键归档
做完一期把素材和成品整体挪进归档文件夹;随旧脚本停用,现在每期开一个新项目
32
本地 Whisper 对时间
视频项目自己装 faster-whisper large-v3 对时间;9 月 18 日停用,改由中文语音转写统一对齐
演进
6 月 26 日
建库:4K、60 帧、显卡 AV1 编码;矢量图动画底板;本地 Whisper 逐字对时间;Fish 配音
6 月 27 日
边做第一期边修:截图提速约一倍;渲染断了能接着做;每段配音补 0.2 秒静音。渲染时 8 路显卡编码同时跑,超过了显卡同时能开的路数,几段悄悄少了帧、程序却报成功,从 3 分 47 秒起画面抢在旁白前面;改成每段渲染完先数帧、少一帧就重做,并行降到 4 路——已改好,还没在下一期分镜真片上验过
6 月 28 日
第一期《游戏王 MD 氪金指南》做完发布,素材整体归档;加上章节检查、投稿文案包、一键归档
8 月 15 日
换成分步骤的命令入口,环境检查改写成只读的逐项检查;一键全流程停用
8 月 31 日–9 月 4 日
场景编号可以跳着来(01、04、100);每样中间结果绑定它的输入,换了素材不会沿用旧画面
9 月 18 日
有声预览、字幕、交付清单、查进度、隔离自测和 GitHub 自动测试;对时间改用 Fish 时间戳和中文语音转写,本地 Whisper 停用,旧的一体化脚本删掉
9 月 26 日
说明文档精简到五句话。我定了:以后做不做视频再说,但这个项目要留着,想做的时候随时能做出来
9 月 29 日
修好有声预览:画面区域原来被一层白底挡住,看不到玻璃背景
9 月 30 日
GitHub 自动测试补齐依赖;清理中间文件改成放进回收站,出错就停下
10 月 4 日
按我点名的需求,另开一条独立的“网页成片”线(10 月 4—8 日加的):AI 直接写一张会动的网页,程序按时间逐帧拍成 4K 视频;在草稿文件夹里彩排过,还没用在真视频上
10 月 8 日
网页成片能先看关键几帧、只渲其中一段;补了一份创作指南和一条原创示例短片
10 月 10 日
网页成片加上实时有声预览、显卡快路和断点小段缓存,合进 GitHub 主线
10 月 11 日(截至最后一次提交 c4eec887,15:09)
  • 图文页成了讲解视频的默认开工方式(10 月 29 日起不再按片子类型定默认,见下):照一张分镜表直接出片,图表、时间线、卡片、截图按配音时刻出现;截图直接引用原文件、强调框另放一层,不重画来源上的字;带 69 页版式一览
  • 逐字检查和退场检查:字不早于念到,动画放完才退场;回头重现的原文也得先念过才能出现
  • 分段拼整片、可选的烧字幕观看副本;新旧版画面对比不再只认本期十张表
  • 全机出片排队:默认整台电脑同时最多出 2 条、已有出片时可用内存要够 14 GiB,不够就按先来后到等;和显卡租约是两回事
  • 本期《电子雪貂饲养员》用图文页路线做完,12:43 通过我审定;说明里补上了成片和封面放在哪
  • 10 月 21—22 日 (截至提交 626774f,10 月 22 日 01:25)配音能在 Fish Audio 和 ElevenLabs 之间快速切换,两家的型号、音色分开保存;字幕用原稿、配音用可加语气停顿的表演稿,独立“GB”默认按字母读,两家的原生时间戳都映射回原稿——这是我当天提的要求,音色以后再定,免费账户 Roger 音色跑通一次 10.04 秒接口试跑,Jason 音色走接口被拒(402),没有充值。图文页还能放真实录音(按秒裁段、按逐字稿对齐、整句字幕带“对方 / 我”,段间可插静音,录音只裁不改),做纪实画面(深底主题、整图慢推、先打码再变换并出对照图、黄框红框、计数条、硬切;真截图透视贴进手机屏、裁条成 16:9),检查时一次列全错、出 3×4 小样表。这些只在自动测试里跑过,还没做出用上它们的成片
  • 10 月 22 日 加入 docfilm 实拍感纪实合成:场景套件、按可用内存增减渲染进程、逐帧查坏帧并自动重渲;当天改成一份全片镜头单,分段只用来本机并行渲和出错时只重渲一段。晚上加显卡常驻合成和 NVENC,其他新的提速开关一律要明确打开才生效
  • 10 月 23 日 显卡常驻在一部 docfilm 整片上验收:全部帧在显卡上渲完、没有退回 CPU,抽 6051 帧和 CPU 原实现逐帧对照全部过线;从下一期起整期渲染默认走显卡
  • 10 月 25 日 加独立的成片检查:坏帧黑帧卡帧、响度削波静音、识字查隐私、语音对稿。同一天加了第二期要用的部件:原件上纸并打码(清水印的原件整页过一次本机识字查漏码)、跟着念的句子切换的信息层,以及流转图、通话卡、计分板、层级图这些新套件
  • 10 月 28 日 镜头单能指定字幕在哪断句,段末字幕按锚点收;出片前加文字时间表关卡
  • 10 月 29 日 加一条命令出片和可选的显卡整片终编,随后按实测恢复 x264 默认,并写明识字和语音对稿另跑;一条命令出片定为十步,成功的分段在下一版滚动复用;改成每期先想画面和配音怎么做最好,四套只作现成工具;项目本身的问题按对出片的影响决定修不修,完善主要是找创意、灵感、动效和素材

审定不等于发布,也不等于每项新功能都验收过:这次网页核对没有出片、没有观看,也没有逐项实测;这些提交都已推到 GitHub 主线(最后一次 北京时间 10 月 31 日 14:19 的 3c1c117),10 月 11 日那次和 10 月 22 日的两轮自动检查都没有全部通过,11 月 4 日查没有更新的运行,当前主分支没有通过记录。

演进
6 月 26 日
建库:4K、60 帧、显卡 AV1 编码;矢量图动画底板;本地 Whisper 逐字对时间;Fish 配音
6 月 27 日
边做第一期边修:截图提速约一倍;渲染断了能接着做;每段配音补 0.2 秒静音。渲染时 8 路显卡编码同时跑,超过了显卡同时能开的路数,几段悄悄少了帧、程序却报成功,从 3 分 47 秒起画面抢在旁白前面;改成每段渲染完先数帧、少一帧就重做,并行降到 4 路——已改好,还没在下一期分镜真片上验过
6 月 28 日
第一期《游戏王 MD 氪金指南》做完发布,素材整体归档;加上章节检查、投稿文案包、一键归档
8 月 15 日
换成分步骤的命令入口,环境检查改写成只读的逐项检查;一键全流程停用
8 月 31 日–9 月 4 日
场景编号可以跳着来(01、04、100);每样中间结果绑定它的输入,换了素材不会沿用旧画面
9 月 18 日
有声预览、字幕、交付清单、查进度、隔离自测和 GitHub 自动测试;对时间改用 Fish 时间戳和中文语音转写,本地 Whisper 停用,旧的一体化脚本删掉
9 月 26 日
说明文档精简到五句话。我定了:以后做不做视频再说,但这个项目要留着,想做的时候随时能做出来
9 月 29 日
修好有声预览:画面区域原来被一层白底挡住,看不到玻璃背景
9 月 30 日
GitHub 自动测试补齐依赖;清理中间文件改成放进回收站,出错就停下
10 月 4 日
按我点名的需求,另开一条独立的“网页成片”线(10 月 4—8 日加的):AI 直接写一张会动的网页,程序按时间逐帧拍成 4K 视频;在草稿文件夹里彩排过,还没用在真视频上
10 月 8 日
网页成片能先看关键几帧、只渲其中一段;补了一份创作指南和一条原创示例短片
10 月 10 日
网页成片加上实时有声预览、显卡快路和断点小段缓存,合进 GitHub 主线
10 月 11 日(截至最后一次提交 c4eec887,15:09)
  • 图文页成了讲解视频的默认开工方式(10 月 29 日起不再按片子类型定默认,见下):照一张分镜表直接出片,图表、时间线、卡片、截图按配音时刻出现;截图直接引用原文件、强调框另放一层,不重画来源上的字;带 69 页版式一览
  • 逐字检查和退场检查:字不早于念到,动画放完才退场;回头重现的原文也得先念过才能出现
  • 分段拼整片、可选的烧字幕观看副本;新旧版画面对比不再只认本期十张表
  • 全机出片排队:默认整台电脑同时最多出 2 条、已有出片时可用内存要够 14 GiB,不够就按先来后到等;和显卡租约是两回事
  • 本期《电子雪貂饲养员》用图文页路线做完,12:43 通过我审定;说明里补上了成片和封面放在哪
  • 10 月 21—22 日 (截至提交 626774f,10 月 22 日 01:25)配音能在 Fish Audio 和 ElevenLabs 之间快速切换,两家的型号、音色分开保存;字幕用原稿、配音用可加语气停顿的表演稿,独立“GB”默认按字母读,两家的原生时间戳都映射回原稿——这是我当天提的要求,音色以后再定,免费账户 Roger 音色跑通一次 10.04 秒接口试跑,Jason 音色走接口被拒(402),没有充值。图文页还能放真实录音(按秒裁段、按逐字稿对齐、整句字幕带“对方 / 我”,段间可插静音,录音只裁不改),做纪实画面(深底主题、整图慢推、先打码再变换并出对照图、黄框红框、计数条、硬切;真截图透视贴进手机屏、裁条成 16:9),检查时一次列全错、出 3×4 小样表。这些只在自动测试里跑过,还没做出用上它们的成片
  • 10 月 22 日 加入 docfilm 实拍感纪实合成:场景套件、按可用内存增减渲染进程、逐帧查坏帧并自动重渲;当天改成一份全片镜头单,分段只用来本机并行渲和出错时只重渲一段。晚上加显卡常驻合成和 NVENC,其他新的提速开关一律要明确打开才生效
  • 10 月 23 日 显卡常驻在一部 docfilm 整片上验收:全部帧在显卡上渲完、没有退回 CPU,抽 6051 帧和 CPU 原实现逐帧对照全部过线;从下一期起整期渲染默认走显卡
  • 10 月 25 日 加独立的成片检查:坏帧黑帧卡帧、响度削波静音、识字查隐私、语音对稿。同一天加了第二期要用的部件:原件上纸并打码(清水印的原件整页过一次本机识字查漏码)、跟着念的句子切换的信息层,以及流转图、通话卡、计分板、层级图这些新套件
  • 10 月 28 日 镜头单能指定字幕在哪断句,段末字幕按锚点收;出片前加文字时间表关卡
  • 10 月 29 日 加一条命令出片和可选的显卡整片终编,随后按实测恢复 x264 默认,并写明识字和语音对稿另跑;一条命令出片定为十步,成功的分段在下一版滚动复用;改成每期先想画面和配音怎么做最好,四套只作现成工具;项目本身的问题按对出片的影响决定修不修,完善主要是找创意、灵感、动效和素材

审定不等于发布,也不等于每项新功能都验收过:这次网页核对没有出片、没有观看,也没有逐项实测;这些提交都已推到 GitHub 主线(最后一次 北京时间 10 月 31 日 14:19 的 3c1c117),10 月 11 日那次和 10 月 22 日的两轮自动检查都没有全部通过,11 月 4 日查没有更新的运行,当前主分支没有通过记录。

复制 AI 续作说明

项目:本地视频制作;仓库:wlyaaaaa/video-scaffold;范围:整个项目;目标:(这里写这次要做的事)。先读项目的 AGENTS.md 和说明,按现行规则做。

把“目标”换成这次要做的事,整段复制给 AI。

完整尺寸