前言
制作一个精致的视频，还是需要花时间找素材，做剪辑的。
一个视频，最最重要的是它的文本内容。当然了，视觉部分也很重要。
如果，不要求制作一个精良的视频，而，仅仅希望视频可以作为文字的载体，传播文字的信息，那使用 AI 可以比较轻松的制作视频。
本文的视频制作思路，来自这个视频:
使用 AI 制作视频分为这几步：
- 写文本
- 将文本稿转换音频
- 从音频生成字幕
- 将所有材料总和起来生成视频
使用 AI 制作视频
(注：本节的所有操作，使用豆包就能完成了，不需要任何技术)
文本写作
信息类的视频，背后的文本是灵魂。原创的文本最重要。
我试着使用 AI 制作 “热点新闻列表”。但是，播放量是个位数。
- 抖音
- “新闻合集/素材混剪/新闻搬运式内容”，天然更容易触发低原创、同质化内容质量机制
- 如果没有形成“有信息量、有自己编辑思路、有独创性的新视频作品”，就可能属于原创度低
- B 站
- B站比较适合“垂直新闻合集”，而不是“大杂烩”。
核心: 足够的输入，才能能有好的输出。AI 虽然能加快这一过程，但是人脑的输入带宽还是比较低的。在文本写作方面，AI 是一个提效的工具。如果一个视频背后的文本，一眼扫过去，感觉 AI 能一两分钟就生成，那这个文本是没有什么意义的。当然，每个人的工作和生活环境不同，知识储备方向也必然不同。
生成音频和字幕
文本写完后，使用 AI 生成音频。为什么要先制作音频？因为先制作出来的音频，是后面整个视频的尺度，控制着 AI 生成视频的进度。但是 AI 不方便直接从音频，获取到时间尺度。所以，接着使用 AI , 从音频中提取 SRT 字幕文件。字幕文件中的每句话都有时间。
现在，已经完全可以使用 AI , 克隆自己的声音了。但是，我没有克隆自己的声音，因为我的声音不好听。也不应该，未经授权，克隆别人的声音，有版权问题。所以，我直接使用 AI 软件生成音频。
AI 需要接入 TTS 服务，才能将文本转换成音频。国外的 TTS 免费额度很高，但是需要 visa 卡，有一定的支付门槛。所以，我还是建议，直接用豆包。豆包有自家的 TTS 服务。把提示词给豆包，豆包会直接生成音频，而无需关注到背后的 TTS 服务。
比如，在豆包中，使用以下提示词:
将文本转换成音频。转换成音频的同时，生成SRT字幕。
- 它是新闻类。我希望可以有一个，女性角色的中文声音，来读它。
- 声音要求：声音冷静、咬字清楚、节奏利落。
- 我们先简单的转换一小段试试。
制作视频
可以让 AI 使用 remotion , 直接将上面材料制作视频。
我更喜欢使用 Hyperframes。
先制作一个 html 文件出来。
阅读这个目录里面有 markdown 和 srt 文件。然后，制作一个 html 文件。制作它的目的，是为了我后面制作视频做准备
- 底部横向分段栏，并让每段可点击定位到对应内容
- 不要把字幕/音频加里面。
- 效果类似于漂亮的ppt,左右翻页，而不是上下滚动
- 背景使用偏明亮的颜色
- 每段新闻都是有链接的。你上这些链接去获取图片，并插入在html 的合适位置。你要识别图片，不合适的话，就别插入
然后再将 字幕，音频，html 合并成一个文件。
这个项目下面，有音频，有字幕，有html 展示文件。把它们合并成一个视频。
- 使用 WAV文件作为音频；把完整 SRT 作为唯一时间轴；每条字幕对应的新闻内容在对应时间段展示；
- 页面切换、字幕、配图、进度动画都由 Hyperframes 控制。
- 当前电脑硬件比较好，你可以加速并行运行。但是绝不能为了速度降低质量。质量最重要。
相关链接
- RVC-Boss/GPT-SoVITS : 克隆自己的声音(我试了下，挺有意思的)
- TTS(Text-to-Speech, 文本转语音)-火山引擎: 提供了TTS API。但是现在还没有一款合适的MCP/SKILL 来接入
- chidiwilliams/buzz: : 从音频里面提取 SRT 字幕，我安装了，不知道为啥运行会闪退。(剪映也集成了提取字幕的功能，但是收费) (后来，直接把音频扔个豆包，让豆包自己先办法提取字幕，也能提取，就是时间稍微有一点点偏)
- Gemini Notebook : 文字生音频/视频，可以试试
- remotion-dev/remotion : 每一帧都是一个 React 组件,每一个动画都是一个 JS 函数