一篇文章，做成竖版知识视频

01成片长什么样

下面是短版（82 秒），从一篇约 1900 字的文章《我是怎么让 AI 只拼图、不重画，做出一张完整详情图的》剪出来。 完整版 5 分 39 秒，38 个场景。

02一部片要过 10 道闸门

每一道都有明确的产物和「不通过就别往下走」的判据。最容易被跳过的，恰恰是最费时间的那几道。

• 开工体检 + 读音探针英文词、数字、容易读错的字，先用几种写法各试 3 次，读不对的只改朗读文本，字幕保留原文
• 分段配音文章按句切段，用本地开源模型 VoxCPM2 克隆我的声音逐段生成
• 挑种子（两轮）同一句话换个随机种子，音高和读法都会变。先每句试 4 个，再只给有问题的句子加
• 双筛选一路查声音缺陷（闷、静音、尖峰），一路用语音识别回读，读错字的直接淘汰
• 选链 + 下界验证挑出前后衔接最顺的一条组合；剩下的音调跳变要用穷举证明「已经是候选里的最好」
• 重生成 + 字节比对按选定的种子全段重新生成，裁剪前逐段核对，防止有段偷偷没换
• 拼接与响度段落之间留出换气停顿，整体统一到 -14 LUFS（平台常用的响度标准）
• 三项复检段间音高、配音音质、语音识别回读，不全绿就逐条说明原因
• 画面与渲染场景动画、逐字字幕、背景音乐、转场音效、封面写进第一帧
• 交付验收规格、抽帧目检、字幕一致、封面、视频号遮挡区，6 件事缺一不可

03这次实测的数字

• 配音。 68 句，全部用克隆音色；候选种子先后试了 828 个。句与句之间音调明显跳动的地方从 13 处压到 11 处，剩下的每一处都写明了原因：5 处是候选里数学上做不到更好，3 处压下去会在别处冒出更大的跳动，3 处是为了声音更清楚做的取舍。
• 读音。 克隆的声音会继承参考录音里的口音，「重画」被识别成「从化」、「生图」被识别成「深图」。这两句改了朗读写法，字幕不动。
• 画面。 38 个场景，平均 9 秒一个；「只允许 / 不允许」「规则文件改动对比」「漏图自动纠正」这类做成动画演示，画面上只放关键词，整句交给字幕。
• 验收。 响度 -14.0 LUFS 立体声；视频号顶部 231、底部 450、左右 69 像素的遮挡区，抽 7 帧全部没有被压到。

04怎么把时间压下来

做这一条的时候，最大的感受是等得太久。拆开看，慢在两处：机器没用满，和返工。

• 渲染并行：13 分钟 → 200 秒。 原来一帧一帧单线程画，电脑 10 个核只用了 1 个。改成按场景切块、8 个进程同时画再拼起来，抽帧对比画面和原来一致。
• 场景缓存：改一处只重画一处。 只改了一个场景，重新出片 26 秒；什么都没改重新合成 3.7 秒。原来不管改多小都要整片重来 13 分钟。
• 短版不重新配音。 从定稿的配音里按句切出精华段，复用同一套画面，82 秒的短版 57 秒渲完。
• 挑种子分两轮。 第一轮每句 8 个种子跑了约 2 小时；后来只给 15 个有问题的句子各加 16 个，45 分钟就把问题压了下去。所以改成先少试、再对准问题句加。
• 少返工。 读音探针放到开工前；验证那一步不许跳（有一轮跳过了，整版作废返工约 3 小时）；同一个项目只让一个 AI 工具在写，加了项目锁（有一次两个工具同时写一个目录，画面和配音错位了）。

渲染、缓存、短版这几项已经实测；整条流程从头到尾的总耗时，下一篇文章会完整计一次再更新。

05几点体会

1. 慢，多半不是机器慢，是返工多。每一道检查都在省后面的时间。
2. 能交给程序锁死的，就别靠每次记得：读音清单、版式检查、项目锁，都做成了跑一下就知道过没过的脚本。
3. 画面要演示，不要念稿。同一句话字幕已经有了，画面再写一遍，观众等于读两遍。
4. 每跑一篇，把新标准写回 Skill，旧规则删掉。这一条本身就来自被拿来做视频的那篇文章。