AI Short Film Studio — AI 短片工作室

AI 短片工作室 - 低成本 AI 短剧制作工坊 概述 本 Skill 提供一套完整的低成本 AI 短剧制作流程，从脚本创作到最终成片，总成本仅需 ¥30-50/部（128 秒短片）。核心思路：用 AI API 生成素材 → 本地 FFmpeg 合成 → WorkBuddy 编排调度。

适用场景： 用户说"帮我做一个短片/短剧/预告片" 用户说"把这段文案做成视频" 用户说"生成一个 XX 题材的短视频" 用户需要从零到一完成 AI 视频制作

核心成本优势： 视频生成：Grok Imagine ¥0.05/秒（速创 API） 配音生成：TTS ¥0.0006/字（速创 API） 合成剪辑：本地 FFmpeg 免费 AI 编排：WorkBuddy Lite 版约 ¥0.0022/轮

制作流程总览 Step 1: 脚本创作 ├── 确定主题/时长/风格 ├── 编写分镜脚本（镜头×台词×角色） └── 输出：分镜表 + TTS 文本清单

Step 2: 视频镜头生成 ├── 调用速创 API Grok Imagine ├── 25 个镜头批量异步生成 └── 输出：ep1_shots/.mp4

Step 3: TTS 配音生成 ├── 调用速创 API audio_tts ├── 多角色多音色 └── 输出：ep1_tts/.mp3

Step 4: 音频驱动剪辑 ├── 逐段按 TTS 时长裁剪/循环镜头 ├── 短镜头自动 stream_loop 填充 └── 输出：分段 seg_*.mp4

Step 5: 字幕生成 ├── Python Pillow 生成透明 PNG 字幕 ├── FFmpeg overlay 叠加（因 FFmpeg 8.x 无 drawtext） └── 输出：带字幕的分段视频

Step 6: 最终合成 ├── concat 拼接 25 段视频 ├── concat 拼接 25 段音频 ├── 音视频合并 └── 输出：最终成片.mp4

Step 7: 素材导出 ├── 结构化桌面文件夹 ├── 矩阵表 + JSON └── 成本核算

详细步骤 Step 1: 脚本创作 输入：用户需求（主题、风格、时长、参考素材） 输出：分镜脚本文档 + TTS 台词清单 工作流程： 与用户确认主题方向（科幻/悬疑/科普/剧情等） 编写分镜脚本，包含： 镜头编号、画面描述、时长 配音台词、角色分配、音色选择 音效说明 输出 TTS 台词清单（25 段以内，每段 2-20 字最佳）

角色音色分配表： 角色类型 推荐音色 ID 说明 旁白/叙述者 male-qn-jingying 精英青年男声，通用 男主角 male-qn-jingying 精英青年男声 霸道/硬汉 male-qn-badao 霸道男声 反派/俊朗 junlang_nanyou 俊朗男声 成熟女性 female-chengshu 成熟女声 少女 female-shaonv 少女音 研究员/学生 male-qn-daxuesheng 大学生男声 醇厚长辈 male-chunhou 醇厚男声

Step 2: 视频镜头生成（速创 API Grok Imagine） API 平台：速创 API https://api.wuyinkeji.com 模型：Grok Imagine（xAI Aurora 引擎） 价格：¥0.05/秒（按生成视频时长计费，不足 1 秒按 1 秒） 注册链接：https://api.wuyinkeji.com/user/register?cps=UXPjoCgN API 调用方式： 鉴权：Authorization Header 传 API Key（不带 Bearer 前缀） 接口：POST /api/async/video/grok_imagine 参数格式：扁平 JSON 结果查询：GET /api/async/detail?id=xxx（轮询直到 status=2） 批量生成策略： 25 个镜头同时提交（用 ThreadPoolExecutor） 每个镜头约 10 秒，生成耗时约 30-60 秒 失败自动重试（平均重试 3 次） 注意：Sora2 接口已不可用（持续 400 错误），全部使用 Grok Imagine Prompt 编写要点： 英文 Prompt 效果更稳定 包含：场景描述、光线、构图、镜头运动 示例："Deep space, Milky Way galaxy slowly rotating, cinematic wide shot, photorealistic, 4K quality"

Step 3: TTS 配音生成（速创 API audio_tts） API 接口：POST /api/async/audio_tts 价格：¥0.0006/字 参数格式（重要）： 扁平 JSON，不要嵌套 { "text": "台词内容", "voice_id": "male-qn-jingying", "speed": 1.0 } 注意事项（踩坑经验）： 不要传 format 参数（会报 500"存在未绑定的参数"） 不要嵌套成 {"model":"audio_tts","params":{...}} 状态码判断：status=2 完成，status=0/1 处理中 部分任务会卡住（status 一直=0），重试可换 IP 节点 返回 tar 包，需解压获取 mp3

Step 4: 音频驱动剪辑（核心节奏控制） 核心理念： 画面长度由语音旁白决定，而非固定时长。先录制/生成 TTS 配音，再让每段视频精确匹配对应配音的时长。这样保证音画天然同步，且节奏由配音自然驱动。 4.1 节奏控制逻辑 每段（镜头, TTS）的处理流程：

• 获取 TTS 音频实际时长 tts_dur（用 ffprobe 精确到毫秒）
• 获取源视频时长 src_dur
• 对比决策：

├── src_dur >= tts_dur + 0.5s → 直接裁剪到 tts_dur（视频多出的部分舍弃） ├── src_dur ≈ tts_dur（差<0.5s）→ 直接裁剪，不做额外处理 └── src_dur < tts_dur → stream_loop 循环播放填满 tts_dur

• 输出：seg_NNN.mp4（时长=tts_dur，精确匹配配音）

为什么用"音频驱动"而非"视频驱动"： 传统剪辑：先定视频长度，再往里塞配音 → 配音节奏被画面绑架 音频驱动：先定配音节奏，再裁剪画面适配 → 叙事节奏由台词自然决定 效果：观众听到的每句话都有对应的画面时长，不会出现"话没说完画面就切了" 4.2 短镜头循环填充（stream_loop） 当源视频时长不够时，用 FFmpeg 的 stream_loop 让视频循环播放： # 循环播放直到填满 tts_dur /opt/homebrew/bin/ffmpeg -y -stream_loop -1 -i shot.mp4 -t {tts_dur} -c:v libx264 -preset fast seg.mp4 实战经验（三体 EP1）： 25 个镜头中有 3 个需要循环填充 最大修复：pan_han_02 火鸡演讲（源视频 10s → TTS 需要 19s，循环补 9s） 循环填充的视觉重复感在 1-2 次循环内不明显，超过 3 次建议换镜头 4.3 逐段精确裁剪避免累积漂移 # 关键：每段独立裁剪，不整体缩放 cumulative = 0.0 for i, (tts_file, shot_file) in enumerate(segments): tts_dur = get_duration(tts_file) # ffprobe 获取 # 精确裁剪到 tts_dur，不依赖前一段的结束时间 trim_video(shot_file, tts_dur, f"seg_{i:03d}.mp4") cumulative += tts_dur # 最终验证：所有 seg 时长之和 ≈