不露脸、不买设备、不剪片:4 个 AI 工具组队,20 分钟做出一条口播视频

说实话，做口播视频这事儿，劝退过我很多次 😮‍💨

要么得自己上镜（灯光、背景、还得状态在线）；要么得会剪片（转场、字幕、卡点）； 要么得掏钱买设备（相机、麦克风、补光板，一套下来小几万）。最后的结果通常是—— 设备买了一堆，视频一条没发。

但现在这套流程真的变了。今天不聊虚的，就给你演示一件事： 一条完整口播视频，怎么用 4 个工具组队"拼"出来。 分工明确，谁都不闲着。

一、先认识一下这 4 位"团队成员"

组队之前得先认人。这 4 位各管一段，谁也不抢谁的活 👇

🎬 ① WorkBuddy —— 编剧 + 场务

装在你电脑里的桌面 AI 助手。它不上镜，但它写剧本、出分镜、整理素材、跑全流程调度。 你说一句"帮我做一条 60 秒的 AI 工具科普口播视频"，它就能把选题、口播稿、分镜表、各家工具的提示词全部备齐， 顺手还把素材归好类——这是它的主场。

🧠 ② DeepSeek Harness —— 制片主任

DeepSeek 开源的智能体框架，官方公式很简单：Model + Harness = Agent。 它最大的特点是"一切皆插件"——模型、工具、技能、沙箱、调度全都是可替换的插件。 放到视频流程里，它就是把"读稿 → 调即梦 → 调可灵 → 合成 → 归档"串成一条自动流水线的那个人， 而且每次运行都有完整日志，跑错哪步看得一清二楚，能回放、能分叉重试。

🧑‍💼 ③ 即梦 AI —— 出镜主播

字节跳动家的 AI 创作平台，视频模型是 Seedance。 它有个特别对口的"数字人工作台"：上传一张形象图 + 一段口播音频，自动合成唇动、表情和肢体动作， 再做一次"对口型"，你就有了一条不用本人露脸的口播视频。 更贴心的是它会自动给开头加引导动作（微抬头 + 视线移动），专治前 3 秒划走。

🎥 ④ 可灵 3.0 —— 摄影指导

快手家的视频生成平台，刚发布的 3.0 主打"AI 导演"。 原生 4K 60fps、一次最多 6 个连贯镜头、角色锁定、5 语言口型同步、还能自己画运镜路径。 数字人负责"人"，可灵负责"戏"——空镜、转场、氛围镜头，交给它。

二、实战：从 0 到 1，做一条 60 秒口播视频

假设我要做一期《3 个 AI 工具帮你省下 10 小时》的口播短视频。整个流程走 5 步，每步谁干活我标给你看 👇

Step 1｜定选题、写稿、出分镜 —— WorkBuddy 主场 🎬

我给 WorkBuddy 的指令就一句话： "写一条 60 秒 AI 工具口播稿，口语化、有钩子，再拆成 6 个分镜，每个分镜配好画面描述。" 它直接输出：口播稿 + 分镜表 + 每个镜头的画面提示词。 这一步以前要半天，现在几分钟。

💡 顺手它还干了件"场务"的活：把生成的素材按"口播音频 / 空镜 / 封面"分好文件夹，后面调工具时直接拿。

Step 2｜把这套流程"焊"成流水线 —— DeepSeek Harness 🧠

单次做完不算本事，能重复跑才算生产力。 这里就轮到 Harness 出场：把"读分镜表 → 丢给即梦生成数字人 → 丢给可灵生成空镜 → 下载 → 归档"写成一个 Agent 工作流。

它"一切皆插件"的架构意味着你说的多模型切换、工具替换都是配置层面的事，不用改底层代码。 跑挂了也不慌——仅追加的会话日志把每一步都记下来了，Trajectory 视图里一眼能看出哪步翻车。

Step 3｜生成数字人口播 —— 即梦 AI 🧑‍💼

进即梦的"数字人工作台"：挑一张干净的正脸高清图（自己生成也行），配上刚写好的口播音频， 一键生成。它会自动对口型、加表情、加微动作。

💡 小经验：形象图质量决定成败。正脸、干净背景、高清，这三点做到了，出来的效果最稳。 音频控制在 10–30 秒一段，太长容易翻车。

Step 4｜补空镜、做转场、上电影感 —— 可灵 3.0 🎥

口播有了"人"，但整条片不能一直怼着脸拍，得有画面节奏。把分镜表里剩下的空镜描述丢给可灵：

● 多镜头一次出：一条提示里写清 Shot 1 / Shot 2 / Shot 3，它一次生成最多 6 个连贯镜头，不用你后期拼。

● 角色锁定：上传 4 张参考图，人物在各个镜头里不会突然"换脸"。

● 运镜可控：曲线运镜路径、多元素编舞、手持抖动，想要哪种电影感自己画。

💡 有人会问"即梦和可灵到底选哪个"——不是二选一，是分工。 批量素材、数字人口播找即梦；追求电影级画面和长叙事找可灵。两个都免翻、都有免费额度。

Step 5｜合成、字幕、发布 —— 收尾环节 ✅

即梦生成的素材可以一键跳转剪映做二次剪辑，加字幕、配乐、卡点； 可灵那边的片段直接拖进去。最后 WorkBuddy 再把成片清单、封面图、发布文案整理成一份文件。 一条完整的口播视频，从选题到发布，齐活。

三、分工速查表：存下来，下次照着用

四、三个容易踩的坑，先说在前面

⚠️ 坑一：形象图随便找。 数字人效果对形象图极其敏感。别拿一张糊的、侧脸的、背景乱的图，出来的人会像"没睡醒"。正脸、高清、干净背景，缺一不可。

⚠️ 坑二：想一条提示词出整片。 可灵一次最多 6 个镜头、15 秒左右，长视频得分段生成再拼。别指望一口气出 3 分钟。

⚠️ 坑三：只做一次就完事。 真正的效率来自"能重复"。第一次手动跑通，第二次就该把它交给 Harness 变成流水线。 做一次叫玩具，能重复跑才叫工具。

五、最后聊聊：为什么这波值得你上手

前几年做视频，拼的是设备和手艺：谁的相机好、谁剪得快。 现在这套流程下来你会发现，拼的变成了"你会不会调度工具"。

WorkBuddy 负责想和写，Harness 负责串和跑，即梦负责"演"，可灵负责"拍"—— 你从"什么都自己干"的执行者，变成了"决定要做什么"的导演。 这才是"一人一支队伍"的真正意思。

家人们，与其纠结"我不会剪辑、我不上镜"，不如先跑一遍这 5 步。 第一次可能磕磕绊绊，第二次你就发现——原来做视频这件事，真的不需要等"准备好" 😎

—— 关注「老登带你玩转AI」——

每周拆解一个 AI 工具，用最接地气的话，帮你把 AI 真正用进工作里。