夜雨聆风暑假带全家去南疆旅游，拍了很多视频素材，我把喀什的一日游整理成一个大概7分钟的Vlog，然后写具体的文案。
由于已经远离了文艺青年的年纪，文案写得很痛苦。
试了一下剪映的AI文案功能，出来的效果惨不忍睹。
主要问题在于AI无法吞下整个长视频。AI不知道上下文，只能根据片段场景写文案，那当然是不行的。
工作流
短期内，我们应该看不到能低成本吞下长视频的AI，换一种思路，让LLM回归老本行，先把视频变成文字描述，再让LLM根据文字描述写文案。
现在的LLM 上下文都高达1M Tokens，大概是50万汉字，已经是一本小说的容量，足够应付长视频了。
视频转图像
视频截屏不需要调用AI，只需要 opencv-python-headless ，叫AI写个程序抽帧即可。
截取图像的质量建议设置为很低，节省Tokens的消耗和处理时间。
以一个7分钟的视频为例，如果每2秒截一次屏，一共产生约210个图像。
图像转文字
用最便宜的多态LLM。我选的是小米的Mimo V2.5，价格和Deepseek Flash一样便宜，能力足够胜任这个任务。
如果不想手搓一个Agent，那就用python脚本调用Opencode（或其他agent），对每一个图像生成文字描述。比如下面这个截屏：
生成的描述如下：
时间戳
34.0 s（取自文件名）
画面描述
一位戴米色渔夫帽、穿粉色T恤、背黑色双肩包的年轻女子侧身行走在狭窄巷道中，身后墙壁前摆放着多盆绿植，一辆黑色自行车停靠在墙边。画面底部出现白色中文字幕。
字幕
我们仍然连第一个打卡点都找不到
原视频的某些部分可能已经有文案，所以我特别让AI识别出字幕，为AI指明文案框架。AI一般倾向于保留已有的文案。
处理一个图像需要N秒，处理200多个图像岂不要等很久？因此，我的程序支持并发调用，同时调用M个Mimo V2.5处理，速度快M倍。
我用的是Opencode Go套餐，非常便宜，就算使劲蹬，处理完210个图像后，5小时使用进度条还是保持0%不动。
从文字描述生成文案
这是最关键的环节。
还是以上面的210个截屏描述为例，合并后约3.2万个字，这个上下文长度对AI压力不大，但比较考验文采。
我给的Prompt如下：
你是一位视频文案撰写者。请先读取视频的逐帧画面描述文件（output/wishes/combined.md），理解整个视频的内容脉络，然后为它撰写一份完整的视频文案。
视频中频繁出现的小女孩和少年男孩分别是我的女儿和儿子。
视频大概分为几个部分：开场白 -> 寻找昆仑塔拍摄机位 -> 在古丽的家观看表演 -> 网红高抛冲奶茶 -> 女儿喂鸽子 -> 豪华餐厅吃晚餐，女儿和儿子跳舞
特别注意转场的文案。
要求：
主题思想：人不可能同时拥有青春和对青春的感悟 文案风格：情感 文案用途：生活Vlog 文案节奏必须与画面描述的时间顺序呼应，标注大致对应的时间段 输出格式：视频标题（可选多个备选）+ 正文/旁白文案，关键旁白要标注时间戳（MM:SS）
其中主题思想非常重要，这是灵魂，没有这个，AI通常会写出流水账，偶尔会天马行空让你苦笑不得。
另一个需要列明的是人物关系。上述例子中，Mimo V2.5识别出的是：
一位戴米色渔夫帽、穿粉色T恤、背黑色双肩包的年轻女子侧身行走在狭窄巷道中
AI不知道这个女子是我女儿，因此我要告诉它：“视频中频繁出现的小女孩和少年男孩分别是我的女儿和儿子”
模型选择
最后生成文案的关键环节，我尝试了国内3个顶尖模型（Kimi K3，Qwen 3.8 Max，GLM 5.2），外加梁圣的实力强劲、费用约等于无的Deepseek Flash。效果排名从好到坏大致如下：
GLM 5.2
文案非常贴合我给定的主题思想，很多金句可以直接使用：
优秀的转场
旧电视曾经播过别人的青春，老钟表曾走过别人的从前，
而她，正拥有着自己还浑然不觉的、最好的年纪。
喀什的夜，从一壶热茶和一张馕开始。
"爷爷的爷爷的爸爸的馕"——光这个店名，就压了五代人的光阴。
优秀的尾声
我忽然意识到——
他们正在经历的，是我永远回不去的时光。
此刻的每一个笑容、每一次旋转、每一阵大笑，
都是他们将来会怀念，却再也拍不出来的画面。
Kimi K3
Kimi之前的模型文采是最好的，作为国产最贵模型的K3，显然也不错。
K3的转场做得特别好，这也是我着重对AI提的要求，K3做得最好：
有些热闹会散场，但胃里的热气不会。
从古丽的家出来，古城的另一半，是用味道记住的。
古城的每一个转角，都像有人提前替你布置好了惊喜。
然后，我们在这条堆满旧时光的小巷里，停了下来。
结尾也不错，但是不如Deepseek Flash
所以我能做的，只是替他们把这一刻，好好地记下来。
06:42（黑屏字幕）
——等他们长大以后，慢慢看。
Deepseek V4 Flash
完美的结尾
很多年后，他们或许会忘了这一天。
没关系，我记得。
Qwen 3.8 Max
无视了我给的主题，全是流水账，相当于用更精简的语言描述了一次视频。我基本无采纳它的文案。
尽管有多个顶尖AI给的文案，最后还是花费了我一番脑力，把精华提取再糅合在一起，人的参与在现阶段还是少不了。
One More Thing
以上整个工作流我都写成了自动脚本程序，可用git clone: https://github.com/DominicHong/VideoScript.git
我用AI写程序 + 提示词 + 说明 一共只花了不到半小时。
而纯手工的这篇文章花了几个小时。
一方面，AI带来超乎想象的生产力提高；
另一方面，坚持古法写作的我，是否值得读者您的一点鼓励呢？
不敢奢望打赏，只是如果你也要注册Opencode Go的话，不妨用下面的链接：
https://opencode.ai/go?ref=3EJ2HVTNMK
你和我都会获赠Token额度。