我照着B站教程,用AI手搓了个书单视频skill

先给你看一段话。

「明明累得不想说话，还答应替同事做事。拒绝的话打了几遍，最后发出去的还是没问题。等忙到深夜，心里又有些委屈，自己的疲惫就往后放。」

这段话不是我抄的，是我前天晚上用 AI 生成的一条书单视频的旁白。

从建项目到导出成片，我花了三个多小时，没写过一行代码，也没学过剪辑。

晚上十点，我在卧室书桌前开始照着教程做

我为什么会去做这个东西

我一直想做点内容，但卡在最前面那一关：我不会剪视频。

打开剪映，光是轨道我就看了十分钟，然后关掉了。

前两天我刷到一条B站教程，说的是零基础手搓一个书单讲解视频的 skill，做完一天能批量出很多条。

标题我不太信。但开头那段旁白的演示片段，我听完就停住了。

不是因为它多高级，是因为它写得太准。

所以我决定自己走一遍。

开篇那三句话，看懂了就不慌

博主一上来没讲工具，先讲了个挺重要的道理。

他说，任何一条视频，根上就三个东西。

第一是画面素材，图片、原片、字幕、特效，都算。

第二是音频素材，台词、背景音乐、甚至一个齿轮音效，都算。

第三是时间轴。

第三个最容易被忽略。它不显眼，但决定前两样东西什么时候出现。

我们要做的就是让 AI 生出画面和音频，自己排好时间轴，最后拼起来。

做视频这件事，拆开就三块

第一步：让 AI 把一本书拆开

我选的书是《被讨厌的勇气》，没什么特别理由，就是这两年一直有人说，我也没读完。

博主给了个我很喜欢的思路：你没时间读，但有人读过。

微信读书里，大量读者已经把笔记、划线、最打动人的段落标出来了。这些可以做成 Skill，让 AI 去读、去汇总。

我照着要了一份清单，一共九项。

准确的书名、作者、出版信息；这本书主要解决什么问题；目标受众是谁；观众最容易共鸣的处境是什么。

还有：最适合做成视频的那一条观点；可以引用的观点和案例；不能夸大表述的内容；适合画面的视觉方向。

返回结果里，「最适合讲的那一条观点」是课题分离——你负责把话说清楚，对方怎么回应，不由你决定。

那一刻我有点意外。

我以为拆书是提炼知识点。真正提取出来的，是网友反复提到的那种处境。

这才是能打动人的东西。

第二步：写一段愿意听完的文案

接下来是写旁白的文案，提示词里带了五条要求。

第一，第一句直接制造共鸣。第二，用短句和具体的生活场景。第三，中间自然带出书名和作者。

第四，结尾留余味。第五，不要写成书评或者剧情梗概。

还有一条硬规矩，我一开始觉得挺苛刻：正文最多 21 行，大约 220 个汉字，推荐 18 到 20 行，每一行是一个完整的朗读单元。

另一个细节也很有意思——不许用「不是……而是……」这种排比。

这种句式读出来太像 AI 写的，听两句就想划走。

生成出来是 18 行。它不是读完让人兴奋的文案，是读完让人安静一会儿的那种。

第三步：四张图决定好不好看

书单视频的核心素材就是图片，我让它一次性生成四张。

第一张是片头图，后面三张分别对应正文的前段、中段、后段。

统一要求一共六条，我原封不动抄下来了。

3:4 竖版、电影感纪实摄影、以情绪和氛围为主。

顶部和底部留出书名和字幕的空间、画面里不要出现任何文字、不要有书封、不要有卡片界面、不要有水印。

四张图的色调、人物和摄影风格必须统一。

最后一条最考验人：四张图色调对不上，整条视频就废了。

生成完我干了一件事：把它们分别命名为「片头」「前段」「中段」「后段」。

博主特意强调，后面所有提示词都按这个命名去写，改了名字就找不到图。

教程演示里生成的正文图，就是这种感觉

第四步：配音和字幕，最笨的办法

配音有两种做法，我选了最笨的那种。

打开剪映，新建一个文本，把文案整段粘进去，然后在「朗读」里挑了个港风男声。

这个声音有种被生活磨过的感觉，配我那段文案刚好。

导出时只勾音频，别勾视频。

另外单独做了一句：「今天要分享的是」，留作片头用。

第二种方式是用火山引擎的语音合成，音色选磁性解说男声，可以直接无水印下载。两条路都通。

字幕这一环我觉得是整个流程里最聪明的设计。

用两个工具配合：一个负责测出旁白里每一句的真实停顿，另一个只用来核对音频念的是什么，不能拿识别出来的文字当字幕。

还有一条规矩我记了很久：书名只用在片头口播，不生成底部字幕。

因为书名一旦做成字幕，画面上部的排版就全乱了。

第五步：素材怎么拼成一条视频

到这一步，我手里是：一份文案、一条正片配音、一条片头音频、四张图、还有每句台词的时间戳。

拼成片子用的是 HyperFrames。博主说它相当于你 agent 里的剪映。

我第一反应是「完了，我不会用」。

他接着说了句让我放松的话：你不用会用它，只要把这段指令复制过去就行。

画幅我设的是 720×960，也就是 3:4。

动画顺序也定死了：先片头，然后淡入前段，再切中段，最后是后段。书名作者放在固定位置，字幕在下方。

片头要提前准备七张素材：六张图片，一张背景音乐，一个齿轮音效，再加一张碎片图。

六张图对应六本书的书名和作者，轮换切换，这就是很多书单视频开头的滚动效果。

博主说了句我立刻记住的话：片头做一次就够了，以后每次直接调用。

我做到这里卡了两次。一次是背景音乐没被找到，重新拖了一次才认；一次是图的名字和提示词对不上，AI 找不到素材。

这两个坑都不难，但没人提前说，你会怀疑是自己哪步做错了。

做完那一刻，我把手机扣在桌上

最后一步，才是那个「焚诀」

到这里，一条片子已经能播了。

但真正让我坐直的是最后一句话。

博主说，你现在跟 AI 说一句：把我们刚才生成视频的整个过程做成 skill。

以后你只需要输入书名，打开窗口输进去，剩下的它自己跑。

他还补了一句：有了这个 skill，你可以同时开多个窗口，无限地生成视频。

我一开始以为这一步有多神。真做完才明白，它能成立，是因为前面每件小事都做得足够具体。

「片头、前段、中段、后段」这个命名具体到不会歧义。「书名不做底部字幕」这种细节具体到不会出错。

AI 不是靠一句「帮我做视频」学会的。它是靠你把流程切得足够细，才能学会。

所以博主最后那句话我觉得最值钱：

整个过程学的不是一条书单视频，而是学会用 AI 做视频的生产逻辑——先生产内容，再生产素材，最后根据时间轴去组装。

学会这个逻辑，换任何一个赛道都能用。

卡住的时候别急着放弃，天亮之前总能做完

说三句实话。

第一句：这件事我做了三个多小时，中间卡了两次。第一次做不可能十分钟搞定。

第二句：它不是「点一下就有钱」的东西。它只是把做视频这件事，从「我不会」变成了「我照着走能走完」。

第三句：价值不在视频本身，在于你走完一遍之后，手里多了一个可以复用的流程。

我把这次从建项目到导出成片的完整流程，每一步该复制哪句话、卡住怎么办，整理成了一份能直接照着走的文档。

想要的在评论区留 「书单」 两个字我看到就发给你。