一分钱没花，我跑通了一条 AI 短视频流水线

整条线的软件分工#

流程一共八步：定稿 → 克隆配音先行锁定 → 按配音时长拍 AI 画面 → 只给片头结尾做对口型 → 字幕从最终音频对齐生成 → 合成质检 → 确认发布 → 数据回收。

各环节的资源分工如下：

画面是额度消耗的大头，交给 Flow——点数是 Google AI Pro 订阅自带的，只用 Veo 3.1 Lite 这一档，从没买过点。算力要求最高的是对口型，这部分给 Kaggle 的免费 GPU，Colab 的免费 T4 做备用。配音、对齐、质检、模板渲染这些批量活，全压在 Instabox 免费档的云主机上，本地机器只负责编排和发布。

零现金成本的意思是：不为这条流水线额外花一分钱。订阅自带的点数够用，模型全是开源的；GPU 和主机都用免费档。

三笔预算各有取舍。算力上，对口型是全流程算力要求最高的环节，砍到只剩片头结尾约 10 秒，每周约 30 小时的免费配额才覆盖得住。额度上，画面是消耗大头，只用 Veo 3.1 Lite 这一档、只用订阅自带的月 1000 点 + 日 50 点，从不买点。时间上，配音整篇一次生成并锁定，全线拿这份音频当时间基准，返工成本最低；语速不满意在剪辑里微调，不重新生成。

软件到环节、职责的映射：

脚本：唯一的纯方法论环节#

脚本没有专用软件，但它决定后面每个软件的用量，是全流程的硬关卡。

每集只讲一个卡点，不做服务清单式罗列。框架是拼装的：定位层用 StoryBrand，客户是主角、我是向导；短版骨架用 PAS/BAB；长版用 PASTOR；再用 Hormozi 的留存审计，逐个 10–15 秒单元自检。悬念配额写死：50 秒短版 = 1 个主悬念 + 0–2 个小悬念，钩子不超过 12 个词，第一句就是痛点结论。篇幅对应：短版约 270 字，长版 900–1100 字。

纪律只有一条：脚本没过审，后面一步都不动——不配音、不拍画面、不烧一点生成额度；脚本批准不等于发布批准。红线：不编造案例和数据，算账一律用「如果……」的测算口径。定稿后顺带产出两篇配套图文，一个卡点喂三个内容。

换题材时才多做一步对标拆解：把对标视频拆成分镜表，镜号、时间码、时长、景别、运镜、台词、转场一格一格填，只学钩子类型、结构、节奏，原台词、原音、原画面不进成片；拆解结果沉淀成镜头语法和钩子结构两类模板。

配音：Qwen3-TTS，跑在一台免费主机上#

配音用自己的声音克隆，Qwen3-TTS 开源模型，拿本人朗读录音做克隆参考。

必须整篇一次生成，绝不逐段合成。起因是一次实测翻车：同一篇稿子分段生成，音高分布查出来两个簇，听着像两个人在念。所以现在生成完必做两道校验，语音识别回转校字、查音高分布，无误才锁定。语速不满意在剪辑里微调，不重新生成。

配音跑在 Instabox 那台免费云主机上，精度必须用 bf16。fp32 跑同一篇稿子，内存峰值约 5G，直接被 OOM 杀掉；换 bf16，114 秒生成完。同一篇稿子在本机 CPU 上跑要 1119 秒。免费主机不但跑得通，还快了近 10 倍。

配音一锁定，全集时长就定了，后面所有环节都拿这份音频当时间基准。

画面：Google Flow，只用 Veo 3.1 Lite#

画面用 Google Flow 里的 Veo 3.1 Lite，本人正面照片做人物锚点，静音生成。

提示词按官方公式组织：[运镜] + [主体] + [动作] + [场景] + [风格]。两条硬规则：每条片段只给一个运镜，必须带速度词，比如 slow dolly push-in 这种具名运镜，不用 cinematic 这类空形容词；镜头本来就该静止的，要明写「镜头完全静止」，不然模型会自己加戏。

出镜人物——含配角和群众——必须是亚洲中国人的面孔，提示词里显式写明，生成后逐条质检。

镜头量从配音时长倒推：50 秒的成片大约 10–17 个镜头，由 8–12 条生成片段剪出来；平均每个镜头 3–5 秒，画面每 2–4 秒要有一次变化。人物少正对镜头说话，多拍做事、走动、看屏幕的镜头，正脸只留给片头和结尾；结尾的正脸段用半身景别带环境，不贴脸特写。画面里不许出现可读文字、logo、水印，出现即重拍。

长版不纯靠 AI 生成：AI 片段只管钩子、转折、高光；实施段用真实录屏；算账段用定版图表动画——浅蓝转暖米的底色、深石板蓝的字、橙色的数字，这套配色每集固定。

对口型：LatentSync 1.5，吃 Kaggle 的免费 GPU#

工具是 LatentSync 1.5，跑在 Kaggle 的免费 GPU 上，双 T4，每周约 30 小时配额，Colab 免费 T4 做备用。

一开始的设想是全片正脸对口型，实测效果只到「中规中矩」四个字。于是砍需求：只保留片头和结尾两段正脸短句，片头是固定署名句，结尾是固定问句，合计约 10 秒；正文全部走画外音，配做事镜头、录屏、图表。正脸段如果还是不过关，宁可整段改成画外音版，也不硬发。

对口型是全流程算力要求最高的环节，砍到只剩 10 秒之后，每周约 30 小时的免费配额覆盖得住这点用量。

字幕与合成：WhisperX 对齐，HyperFrames 出模板#

字幕不做盲转写。稿子本来就是已知的，用 WhisperX 把定稿强制对齐到最终配音，一次拿到词级时间戳；字幕断句、剪辑切点、声音衔接偏移，全部从这一份对齐结果里取。实测一篇 285 字的稿子全对齐，字幕逐字对账精确匹配。

转场有白名单：约 90% 用硬切，落在句界或动作点上；J/L 声音衔接偏移 0.2–1 秒；淡化只用来表时间流逝，整条不超过 1–2 次；星形、翻页、故障特效这类转场包一律禁用。要强调某个词，用 punch-in 放大来替代花哨转场。

标题卡和动画字幕走 HTML 模板渲染，工具是 HyperFrames，做成模板复用，不逐集手拼。质检有两件工具：PySceneDetect 逐条检查生成片段的切点，auto-editor 负责把成片里的死气段落剪掉。

合成规格：720×1280 竖屏，烧录字幕，思源黑体粗体、白字深色描边。最后一个字说完之后，留 0.5–1 秒尾帧再结束；配音尾音如果被截断，先做淡出垫静音，不许话没说完就黑屏。

封面不用人物，每集单独设计主题图形封面，不标第几集。

所有环节对齐到同一份音频的咬合关系：

发布与数据回收#

成片经本人二次确认才发。发布时主动声明 AI 生成内容：AI 形象，加本人克隆音色。

数据记台账：播放、主页访问、私信咨询，每条标注来源选题。长版按 30 天窗口看数据，不因为 7 天数据差就下结论。节奏上，视频约每周 1 条，每月约 4 条；图文每周约 2 篇穿插发布。

现在的状态和欠账#

这条流水线现在单集跑得顺，没为它花过一分钱，每集只换案例、其余固定动作复用。

这条流水线对我来说是 AI 应用工程的一次完整练手：音视频处理、模型选型、额度调度、自动化系统，每一层都还有得抠。如果你也在搭音视频流水线或自动化系统，欢迎来找我聊聊，这条线还能怎么抠，我是技术派罗恩Ron，AI新时代，对于技术充满着无限可能~