AI 视频制作
一个已成功制作 40+ 个短视频和长集视频的制作系统。它是有主见的：下面的每一条规则都来自真实的失败或明确的决策者决定。特定于项目的内容（品牌、标志、声音、预算）不在此处——每个新项目都自行设置（请参阅“项目级配置”）。
核心原则
- 花钱前的审批关卡。 脚本和故事板首先交给决策者；在两者都获得批准之前，不得进行付费生成（TTS、图像、视频、唇形同步）。在批准前，可以进行素材研究和来源列表整理。批准后任何实质性的内容更改都需要再次展示。每次公开发布都需要其自身的批准。
- 决策者决定日期。 除非决策者设定了固定的节奏，否则永远不要提出制作或发布的日期/时间表。维护一个内容日历文件，并在每次制作和每次发布后立即更新（状态、实际日期、帖子ID）——任务在完成前不算结束。
- 运动设计优先，AI 其次。 在订购任何 AI 片段之前，先问：“这个能用代码构建吗？” 如果某个内容可以展示（地图、仪表、时间线、清单、数字、对比、规则卡片、比喻），就用 Remotion/SVG 以零成本构建。AI 只用于必须被看到的内容（面部、历史场景、绘画、氛围）。每个视频——包括 30 秒的短视频——都使用代码构建的运动设计。标记每个故事板镜头的图层（代码 / AI / 唇形同步）并说明运动设计的占比。
- 每个 AI 视频都从一个已批准的参考图像开始（图像到视频、参考到视频或首尾帧）。不使用文生视频。
- 音频始终来自专用音频工具（ElevenLabs）：旁白、钩子、音乐、音效。强制关闭视频模型自带的音频（这通常也会使价格翻倍）。
- 预算上限通过工具强制执行，而非记忆。 使用带有上限的
scripts/fal_jobs.py；如果预估超出上限或任何图像成本 ≥ $1，它会拒绝提交。 - 我无法听到音频或可靠地判断面部。 取而代之的是进行测量：用 F0 判断声音性别，用 LUFS 判断响度，用 STT 判断措辞，用静态图/联系表判断视觉效果。请决策者听取名称和歧义词。
- 记录决策。 维护一个
DECISIONS.md（决策者规则 + 经验教训，注明日期）和一个PRODUCTION_WORKFLOW.md（当前规则）。知识/研究放在一个单独的文件中，并注明置信度；只有当决策者批准时，它才会成为规则。
制作顺序
- 检查源文本和目标 → 2. 起草脚本 + 故事板（现在标记短视频及其钩子；限制重用素材约 25%）→ 3. 提取精确的资产列表 → 4. 检查现有资产，仅从授权源下载缺失的部分 → 5. 验证下载（主题、时长、分辨率）→ 6. 根据实际文件最终确定脚本/故事板 → 7. 展示给决策者，在获得批准前停止 → 8. 生成（TTS → 参考图像 → I2V → 唇形同步）→ 9. 在 Remotion 中组装 + 技术性 QC → 10. 审查剪辑以供发布批准 → 11. 批准后上传 → 12. 更新日历 + 分析日志。
脚本化流水线（详情见 references/pipeline.md）：turns.py → tts.py → stt_check.py → build_audio.py (→ timing.ts + 字幕) → Remotion → scripts/master.sh (两次通过 −14 LUFS + QC)。
默认工具拆分（每个项目可覆盖）
| 任务 | 工具 | 备注 |
|---|---|---|
| 图像 | 首先尝试免费 Agent（通过跨 Agent MCP 的 Codex image_gen / Antigravity）；否则使用 fal（nano-banana-2 用于新内容，nano-banana-pro/edit 用于风格一致性和 i2i；当 Nano Banana 拒绝时，使用 Flux 2 Pro 作为后备） | 目标 ≤ $0.30/图像，绝不超过 $1 |
| 视频（I2V） | fal: Veo 3.1（包括 lite/fast、用于过渡的首尾帧）、Gemini Omni Flash 1.1、Wan 3.0、Kling 2.6 Pro | 始终明确设置分辨率——价格取决于此 |
| 唇形同步 | 仅使用 Hedra hedra-character-3 | 通常比 I2V 每秒更便宜 → 尽可能通过角色讲述故事 |
| 语音、音乐、音效 | ElevenLabs，最新的旗舰 TTS 模型（list_models；切勿复制旧的 model_id） | 仅使用库中的声音，永远不要使用设计声音 |
| 录制语音清理 | fal veed/clean-audio → fal-ai/lava-sr（关闭降噪）→ 轻度润色 | 增强，而非生成 |
| 编辑/渲染 | Remotion（+ @remotion/three 用于最多一个 3D 英雄场景） | |
| 母版制作 / QC | ffmpeg | scripts/master.sh，scripts/qc.sh |
模型/价格详情和陷阱：references/ai-generation.md。
来之不易的规则（那些花钱买来的教训）
- 永远不要设计一个新的 TTS 声音（
text_to_voice）。设计的声音会发错非英语的音，而且 STT 无法捕捉到元音错误。从现有库中挑选；如果没有合适的，则询问。 - 在生成唇形同步面部之前，将角色与声音匹配。 测量中位 F0（男性约 85–155 Hz，女性约 165–255 Hz）并阅读转录文本。一个男性头像配上女声浪费了整次渲染。
- 永远不要假设决策者素材中出镜人物的性别或身份——那通常是决策者本人。
- 波斯语/阿拉伯语脚本的 TTS 需要变音符号（特别是 ezafe kasra 和短的歧义词）仅出现在 TTS 文本中；字幕保持纯文本。错误的变音符号比没有更糟。详情见
references/audio.md。 - 音乐必须清晰可闻：在语音下约 10–13 dB 并进行闪避，在停顿/封面/结束卡片处更响。固定增益 0.06 的背景音乐是听不见的。
fal_pricing只返回最低层级（例如 360p）。根据分辨率表进行预算。- 不重建真实人物的照片级面部。 使用剪影/背面/手部，并标注“象征性重建”。对公众人物的明显卡通漫画形象，只能说出有文档记录、有日期、有来源的引述，并以此进行标注。
- 绝不要将可读文本放入图像/视频模型提示中——它会生成乱码；在 Remotion 中添加文本。不要在提示中放入角色名字（模型会将其写在图像上）；对于旗帜/道具，要说“简洁，无符号”。
- 观看每个 AI 片段的结尾——内容通常在最后几秒出问题；缩短
clipLen。
短视频规则（摘要——完整版见 references/short-form.md）
- 钩子在 0–3 秒内同时在三个层面起作用：第 0 帧视觉、第一句口语（从 0.05 秒开始，没有开场白，主要承诺在第四秒前出现）、无需声音即可阅读的屏幕文本。不超过 8 个词。每个短视频写 2–3 个不同类型的钩子。
- 第 0 帧 = 封面（入场渐隐减少到一帧）。
- 短视频硬上限 160 秒，最佳时长约 80–90 秒；Instagram 只向非关注者推荐 ≤ 3 分钟的内容。
- 结尾：语音 = 附带理由的引导关注（最好：命名下一部分的预告）；屏幕 = 内容相关问题；文案 = 评论问题 + 引导关注。仅在对实际有用的帖子上发出分享邀请（“把这发给某个……的人”）。
- 当受众可能处于危险中时，切勿提出可能揭示观众群体、身份、位置或活动的问题。
- ≤ 5 个标签；主要关键词明确出现在文案的第 1–2 行（文案是经过搜索索引的）。
- 轮换视觉风格、钩子类型、叙述者和封面模板——连续看起来相似的短视频会被视为“前一个帖子”而被跳过。
分析规则（摘要——完整版见 references/analytics.md）
- 仅比较相同时期（24 小时 / 48 小时 / 7 天）且处于相同合作状态的帖子；发布时间 < 24 小时的帖子视为“临时的”。
- 异常值（由外部大号分享、新闻事件等驱动）在通过更改你控制的参数重现其模式之前，应从基线中排除。在归因于内容之前，先询问决策者关于外部分享的情况——API 无法看到这些。
- 在没有来自应用的账户状态证据的情况下，不要声称存在影子禁令/限制。
- 合作接受的时间不可预测；没有证据就不要将触及率的跃升归因于合作。
- 通过参与度（每次触及的分享、保存、评论数，每千次触及的关注数）来判断成功，而不仅仅是触及率。
- 两个速度：每次记录数据；仅在每周回顾中并且仅当 ≥ 3 个相同时期的帖子显示该模式时，才提出规则更改。
项目级配置（在新项目开始时询问或阅读）
品牌调色板、字体和标志集 · 旁白声音 + 轮换副声音 · AI 披露措辞 · 每个短视频/视频的预算上限 · 允许/禁止的模型 · API 密钥存放位置（钥匙串服务名称 / 环境变量） · 发布账号和合作者映射 · 内容日历和分析文件位置 · 受众安全约束 · 决策者是否可以在镜头前出现。
参考文件
| 文件 | 何时阅读 |
|---|---|
references/pipeline.md | 构建脚本化的 TTS → 计时 → Remotion 流水线时；文件夹布局；交付物 |
references/remotion.md | 编写或调试 Remotion 合成、字体、RTL 文本、3D、渲染 QC 时 |
references/audio.md | TTS 设置、变音符号、语音链、音乐闪避、响度、音效 |
references/ai-generation.md | 选择/定价 fal 模型、I2V 规则、Hedra Character-3、Omni 视频编辑、抠像、LUT、免费图像 Agent 时 |
references/short-form.md | 钩子目录、CTA、循环短视频、Instagram 排名信号、好奇心缺口、讲解原则、取景 |
references/analytics.md | 运行 Instagram/YouTube 分析、CSV 模式、比较规则时 |
scripts/fal_jobs.py | 有预算上限的 fal 图像/视频作业运行器（估算 / 提交 / 轮询 / 下载） |
scripts/stt_check.py | 使用 ElevenLabs STT 验证 TTS 回合与脚本的一致性 |
scripts/master.sh | 两次通过响度母版制作 + 响度/黑场/冻结帧 QC |
scripts/qc.sh | 交付前的帧网格 + 联系表 + 技术检查 |