ARTICLE · 1154144
AI自动剪口播视频,我只下了4条指令
AI自动剪口播视频,我只下了4条指令你刷到的口播视频里，旁边那种跟着讲解走的动画，过去一般要设计师对着字幕一帧一帧地抠。现在，AI 已经能自己做出来了。 
今天我做了个实验。只给 AI 一份字幕文件，就是我讲“普通人怎么选 AI 工具”的那条口播：80 句话，1 分 55 秒，聊了腾讯的 WorkBuddy、字节的 TRAE 和 OpenAI 的 Codex。然后跟它说：帮我找配图，做成竖屏的 MG 动画，前面我要放主播。 
图 1｜它拿到的全部输入：一份口播字幕（节选） 这里说的 MG 动画，就是口播视频里主播旁边那些会动的图文：截图、标签、红框、大字，跟着讲解一个个蹦出来。 干活的是 Claude Code，一个能自己写代码、运行程序的 AI 编程助手。从拿到字幕到交付，前后一个多小时，我一共说了七八句话。下面按时间顺序，把它是怎么干的、我是怎么说的，都摊开给你看。 第一步：一句话交代任务 我发给它的第一条指令，原话是这样的： 我的提示词 ① 这是一个新的 srt 字幕文件，现在我需要你根据这个字幕先帮我找新闻图，或者适合字幕的图片素材，素材找好后，帮我把整个字幕做成 MG 动画，要包括这些图片。我的目的是最后要做成一个口播素材，前景我会放主播人物，尺寸是 9:16 手机的尺寸，不要做成横屏了。 这句话里其实只有三件事：先找图，再做动画，最后的用途和尺寸。我没告诉它用什么软件、分几个镜头、配什么颜色——这些都留给它自己判断。 它回的第一句也挺有意思：上次的教训是主播位置没先确认、导致返工，所以这次先把竖屏里主播的位置和字幕高度定下来，同时让找素材的工作先在后台跑。也就是说，它会记住上一次踩过的坑。 第二步：两个助手同时找图，顺手把稿子核了一遍 动画还没动，它先拆出两个子助手同时上网：一个查 WorkBuddy，一个查 TRAE 和 Codex。 我事先定过规矩：只用官方来源，不用新闻图片社的照片，AI 生成的图要注明。所以两个助手只翻官网、官方文档和官方公告，分别用了二十多分钟和四十多分钟，一共交回 83 份素材，每一份都登记了来源页面和原图链接。 
图 2｜两个助手带回的部分官方素材 其实更让我意外的是，它顺手把我的稿子也核了一遍。有几处结果，直接改变了画面上写什么： 
图 3｜稿子里的说法和核查结果 第三步：动画是“写”出来的 图还在找，动画已经开工了。它做动画的方式挺特别：不开 AE 这类动画软件，直接写 Python 代码。每个镜头是一段程序，输入一个时间点，算出这一刻的画面；从第 0 秒算到第 115 秒，每秒 30 张，再用 ffmpeg 合成视频。 
图 4｜一个镜头的代码（节选，有简化） 为了让画面跟着我的话走，它会先估算每个词在字幕里出现的时间。我念到“日常办公”，红框就落到首页的“日常办公”标签上；念到“代码开发”，红框移过去，下面换成官网的开发示例。 整条动画 26 个镜头，渲染一遍一分钟左右。改了哪里，马上能重出一版看——这一点比传统剪辑快太多。 
图 5｜红框跟着念到的词走（第三张海报为 WorkBuddy 官网示例中 AI 生成的作品） 第四步：我只问了一句“会不会很死板” 一开始，它用的是常见的竖屏版式：上半屏放动画，主播固定在下半屏。我看了样片，只问了它一句： 我的提示词 ② 人物一直固定在下面会不会感觉很死板？ 它的回答是会：两分钟都是同一个构图，看着像“上面翻 PPT、下面有人在念”。接着它马上给了我四种机位： 大约 5 到 10 秒换一次，都卡在句子和句子之间直接切。它还用两道选择题让我拍板：主播的位置由谁来移动？全屏那几秒主播暂时离开画面行不行？我各点了一下，它就按当时的机位把之后每个镜头重新排版：主播在哪、有多大，画面就让出哪一块。 
AI 给出机位方案后，用两道选择题让我拍板（操作截图） 
图 6｜四种机位（灰色人形是主播的位置） 第五步：发主播视频，它查出了我没发现的问题 动画做得差不多了，我把主播的原视频发给它： 我的提示词 ③ 这是主播视频，然后里面声音和字幕你帮我检查下，和你现在的字幕是不是对的上，如果对不上你帮我改下，然后把这个主播抠像，放进你正在做的这个 MG 动画里面去。 它先看了视频的基本情况：分辨率、时长、背景是不是绿幕、有没有声音轨。然后用两个 Whisper 语音识别模型（在本地显卡上跑）把音频转成带时间的文字，再和字幕逐字对齐，发现了两个问题： 说实话，这两个问题我自己都没发现。成片按 1.2 倍速出，是我定的；它把字幕和动画整体往后挪了 0.2 秒，挪完以后，每句开头和声音的平均偏差在 0.03 秒左右。另外还改了几处字：音频里说的是“以前想用 agent”，字幕写成了“想要”；语音识别把 WorkBuddy 听成了“workbody”，也一并改正。 
图 7｜字幕和声音的对齐 它还量了主播在原画面里的位置和比例，给每种机位算好了缩放和坐标；又找了一个字幕高度，放在画面高度的 76% 到 81% 之间，四种机位都试过，不会挡住脸。 第六步：它会自己挑毛病 每做完一批镜头，它都会出一张关键帧总览，叠上灰色人形和字幕条，看有没有东西被挡住。后来它又写了个小检查：逐个镜头比较“切走前的那一帧”和“所有元素都出来以后的样子”，看有没有哪句字刚出来就被切走。 这一查又找出 4 处。比如“优先考虑”这个标签，原本出现后不到半秒就切走了，它把出现时间往前挪了。 
图 8｜全片 26 个镜头的关键帧 抠像这一步，交给了 ChatCut 自动完成 主播抠像这一步，Claude Code 没有做。原视频是在普通墙面前拍的，不是绿幕，分辨率也只有 544×960。电脑上没有专门抠视频人像的模型，要么从网上下载一个，要么用现成的通用分割模型凑合，头发边缘会偏硬。 它问我要不要从网上下载一个抠像模型，我想了想，回了一句： 我的提示词 ④ 这样，你先把 MG 动画做出来，抠像我去 ChatCut 里想办法。 它马上调整计划：不下载模型了，集中把动画做完。最后交回来的是这几样： 最后的抠像，是在剪辑软件 ChatCut 里自动完成的：它自动把主播从普通墙面的背景里抠出来，再和这条 MG 动画合成成片。不是绿幕拍的素材，也不用我一帧一帧手动抠。 所以整条视频其实是两个 AI 工具配合完成的：Claude Code 负责找图、核稿、做动画、对字幕，ChatCut 负责抠像和合成。 我的提示词，可以直接抄 回头看，整个过程我真正“下指令”的只有这四句话。我把它们整理成一个可以复用的流程：
如果你也想试，我建议第一条指令里写清楚这三样，其余的交给它： 几点实际的感受 一是时间。从拿到字幕到交付，前后几个小时，找图和核实占了大头，渲染一遍整条动画只要一分钟左右。 二是分工。我做的事情变成了提意见和拍板：四种机位是从那句“会不会很死板”来的；抠像交给 ChatCut 自动处理，也是我定的。 三是规矩。我事先给过它一份发布审核清单：不用极限词、图片要登记来源、AI 生成的图要注明。它做每个镜头都照着执行，画面上把排名判断换成实际名次，就是这么来的。 四是原片的质量。主播原片只有 544×960，放到竖屏画面里要放大 1.8 到 2.3 倍，人会比动画软一些。如果还要这么做，拍摄时分辨率要高一些。 所以我的感受很简单：找图、核对、做动画、对字幕这些活，AI 已经能接过去，而且干得挺细；但做成什么样、哪里要改，还得是人来拿主意。 你觉得这样做出来的动画，能看出是 AI 做的吗？欢迎在留言区聊聊。 文中产品截图来自 WorkBuddy、TRAE、OpenAI 的官网和官方文档，版权归原方所有；动画画面由 AI 编写的程序生成；排行榜数据来自第三方网站 LMArena（2026 年 10 月 8 日），非 OpenAI 官方数据。
排名只写名次。稿子里有一句对 Codex 模型能力的排名判断。助手去查了 LMArena 的网页开发排行榜（10 月 8 日），OpenAI 的模型排在第 2 和第 4。画面上就只写这两个名次，不帮我把话说满。 名称照官方。我说 WorkBuddy 能“直接调用策划、文案、视频等角色”。官方公开材料里找不到这三个角色名，官方的叫法是“专家团”：团长拆解任务，团员并行完成。画面按官方的说法写。 AI 图要标注。WorkBuddy 官网“创意设计”示例里的那张海报，是 AI 生成的作品。动画用到这张图时，图注里注明了。
近景：主播放大，画面上只留一句大字，用在开场和观点句； 中景：主播在下半屏，上半屏放卡片和列表； 小窗：主播缩到右下角，截图几乎占满屏幕； 全屏素材：主播暂时离开画面，声音不断，用来看清截图细节。
原视频 2 分 18 秒，字幕只有 1 分 55 秒，比例是 1.2。也就是说，这份字幕是按 1.2 倍速的版本做的； 就算按 1.2 倍速算，字幕整体还早了 0.2 秒左右。它又用音量检测找出说话的停顿处复核了一遍，结论一样。
无声的 MG 动画成片（1080×1920，30 帧，放最底层）； 加速到 1.2 倍的主播视频； 校正后的字幕； 一张机位表：每段从第几秒到第几秒、主播放多大、放在哪，方便我在剪辑软件里摆； 一条带灰色人形和声音的审片版，只用来检查； 改了能直接重新渲染的工程文件。
规矩：素材从哪来（比如：只用官方来源，AI 生成的图要注明）； 用途：最后拿去干什么（比如：口播素材，前景放主播）； 规格：尺寸和方向（比如：9:16 竖屏，不要横屏）。