用 Opus 5.5 全自动制作吃瓜视频：找素材、配音一站搞定
作者尝试用 Opus 5.5 全程自动制作吃瓜（八卦）短视频，包括自动搜集素材、生成文案、用 Gemini 3.8 Flash TTS 配音，中英文两个版本，整个流程仅耗时半小时。文中分享了完整 Prompt 设计：内容要求八卦有冲突但事实准确、开头3秒抓眼球、素材以视频片段为主、9:16竖版4-6分钟、自动压低BGM、添加水印、封面设计等细节，还支持生成去敏版本。评论区讨论了此类方法对影视解说自动化的启发。
全部文档 / 标签: TTS
93 篇
ElevenLabs v4 上手评测：最有感情的一代语音模型
作者第一时间实测了 ElevenLabs v4 语音模型。该模型被官方称为“最有感情”的一代，能读懂语气、节奏和情绪，无需 SSML 即可通过文案直接指挥表演；即时语音克隆仅需10秒音频，专业克隆保真度更高。v4 支持90+种语言（上代70种），中日文提升最大，长篇创作中说话者身份保留更可靠。Turbo 版延迟压至100ms，适合实时语音智能体。API 定价千字 $0.08，10月12日前有促销。作者认为质感起飞，适合短剧、播客、AI配音场景，但中文音色仍偏少，评论区对中文效果评价不一。
Claude Opus 5.5 是怎么做出视频的
文章解析了 Claude Opus 5.5 制作视频的原理：它并非视频模型，而是通过编写程序逐帧绘制画面，再用浏览器截图、FFmpeg 合成 MP4。全流程分为五步：规划（脚本与分镜）、画面（HTML/SVG/three.js 等代码绘制）、动作（GSAP 或 Remotion 时间轴）、声音（TTS 配音作为全片时钟）、拍摄与合成（无头浏览器逐帧截图加 FFmpeg 拼接）。文章还介绍了 HyperFrames 和 Remotion 等现成工具，对比了代码视频与 Seedance、可灵等视频生成模型的优劣，并指出其局限与成本。
Manus Alchemy 视频 Prompt 合集
本文整理了 Manus 2.0 发布的 12 个视频生成示例及其完整 Prompt，涵盖动效作品集、游戏预告片、AI 新闻 meme 解说、代码生成的解压视频、材质动画、大模型历史科普、虚构产品发布片、创意混剪、字体动画、新闻解说、p5.js 程序化故事预告等多种类型。作者逐条说明了每个示例所需的工具与环境（如代码执行、渲染导出、TTS、视频模型等），并指出这些 Prompt 也可在支持代码执行和工具调用的 Agent 环境（如 Opus 5.5 或 Sonnet 5.5）中使用，为 AI 视频创作提供了实用的 Prompt 参考。
用 MiniMax H3 打造 AI 影片創作工作流：分鏡、動作與聲音一體化設計
作者分享了以 MiniMax H3 為核心的本地 AI 影片製作工作流，強調人物不僅要長得對，還要具備空間、道具與互動邏輯。流程包括：確立參考素材、撰寫結構化分鏡 Prompt（含 subject_definitions、retention_analysis、detailed_description 等模組）、加入 T8 ActionLogic 語義橋強化動作因果理解，並依題材搭配加速、寫實、格鬥、電影質感等 LoRA。生成後經放大銳化第二階段精修，遵循「寫分鏡→生成→檢查→修改→重拍」的創作循環。文末附完整模型、語義橋與 LoRA 資源清單。
如何利用 Muse 制作一部 3 分钟一集的漫剧
作者介绍了 Meta 旗下 Muse 模型家族（含视频生成模型 Muse Video），并分享用其制作 3 分钟漫剧的完整方法论。Muse 每次仅生成约 10 秒视频，长剧需拆分 18 个分镜逐段生成再拼接。作者结合漫剧创作六步工作流（剧本→分镜→资产→锁定→逐镜生成→拼接），并从 Seedance 2.5 官方文档和 Higgsfield 开源长片方法论中提炼关键技巧：资产先行、英文描述+中文台词、肯定式画面约束、一镜一种运镜等。文中还记录了中文配音、口型转头等踩坑教训，最终形成'一镜一确认'、平均 50-70 次生成完成一集的可控流程，并给出三层进阶学习路径。
218粉接500元商单：Codex视频剪辑制作全流程
作者分享用Codex自动剪辑AI视频并接到品牌商单的完整教程。流程使用三个工具：Codex负责整理文案、安排画面并调用剪辑工具；火山引擎豆包语音将文案转为配音；ChatCut桌面端承接素材、字幕、音轨并导出视频。文章详细讲解了从工具连接、文案撰写、配音生成、素材交付、先做小样确认效果、具体化修改要求，到字幕断句与标点处理、导出前检查等八个步骤，并附上可直接复制的提示词。最后提醒保留原始素材、提前确认商单交付要求、先跑通流程再增加复杂效果，并分享接商单时的报价谈判技巧。
终于搞完了整合到了edulab中开源
作者宣布将数学解题视频生成器skill整合到edulab项目并开源。该skill让其他模型也能拥有类似Opus的视频生成能力，作者已测试Codex的sol模型和workbuddy的Hy4 preview模型，均可正常生成视频。与Opus相比，差异主要在解题思路的清晰度上，Opus的解题过程更清晰易懂且额度消耗更少。语音合成使用了GLM TTS，也支持其他TTS方案，可让AI帮忙微调。该项目在GitHub上开源，欢迎用户体验。
开源项目 lanshu-create-ai-presenter-video：本地全自动 AI 数字人视频生成
作者分享了一个 GitHub 上两天获得两万多星的开源项目 lanshu-create-ai-presenter-video。该项目只需输入一段文案和一张人脸照片，即可在本地全自动完成 TTS 语音生成、口型对齐、字幕压制、竖屏封面生成及质检，直接输出 1080P 竖屏成片，口型匹配度高，几乎无需手动修改。全程本地运行，避免了网页版工具排队和按分钟收费的限制，适合批量短视频内容创作者使用。
开源了39种风格视频库后，我学会了如何用Opus5.5稳定出片
作者分享了用 Claude Opus 5.5 通过代码逐帧渲染制作视频的经验，并开源了包含 39 种风格视频样片的 Lemo-opuscar 库。库内包含导演方法（DIRECTOR.md）、技术方法（TECHNIQUE.md）和 39 份风格文档。文章阐述了如何稳定出片的关键：agent 手里要有成熟的方法论，用户需求要说到点上。作者详细讲解了需求表述的六个要点（主题、故事、节奏、导演能力、素材、审阅检验），并提供了万能提示词模板，还针对非 Opus 5.5 用户给出了降低难度、拆分步骤、强弱模型协作等替代方案。
我是如何使用 AI 创作长视频脚本的？
作者分享了一套用 AI 创作长视频脚本的四步工作流，核心理念是'别让 AI 写，跟 AI 聊'。第一步在 YouMind 建项目，倒出观点和收集素材；第二步站在白板前用 Codex 语音对话共创'钩子—论证—升华'三段式大纲；第三步通过 Codex 实时语音把逐字稿'聊'出来，保证口语化；第四步用 YouMind 文字转语音倍速听稿、边听边改并精准控制时长。这套方法使作者 B 站视频从几千播放提升到期期破万，脚本创作时间从一整天缩短到两三小时。文章强调先把自己的观点喂给 AI，再通过对话输出，成稿才能保留个人风格而非 AI 腔调。
可以听的X——ListenX更新日志9.24
作者介绍其产品ListenX的最新一轮更新：正式启用独立域名listenx.space；新增一批X长文播客，涵盖账号运营、投资研究、成长与社交等题材；与李天然老师合作推出每日10分钟市场栏目《Statistics Lab》，聚焦信号而非新闻流水账；获得授权上线Moledao共学课程与NodeXX运营课等语音课程；同时优化网站与播放器体验，包括精选排序、快进快退等功能。作者强调ListenX的核心是把优质文字内容变成声音，让收藏夹里的好文章有更多抵达读者的方式。
BestBlogs 早报 · 09-24｜OpenAI 拆解 GPT-6 提示缓存，Gemini 3.8 语音生成模型、Grok 4.7 发布
本期早报围绕 AI 模型与工程实践展开三大精讲：一是 OpenAI 为 GPT-6 改进提示缓存，命中率提升并推出缓存诊断工具，缓存输入折扣最高 90%；二是 Google DeepMind 发布 Gemini 3.8 Flash TTS 和 Flash-Lite TTS，支持声音创作、双说话人控制与授权声音复刻；三是 xAI 发布 Grok 4.7，聚焦长任务编程与自我验证，附基准与定价。速览部分涵盖腾讯错误码治理 Agent、网易 AI 原生组织实践、Reducto 文档智能、阿里 AI Native 研发手册、大淘宝小游戏 Agent、Harness 记忆与验证闭环及良渚 vibe coding 社区观察。
如何使用 Gemini Live API 构建实时语音 AI Agent
本文介绍如何使用 Gemini Live API 构建具备自然对话体验的实时语音 AI Agent。与传统的单向 TTS 不同，Gemini Live 采用音频到音频的双向通信，能感知语气、停顿并支持随时打断。文章详细讲解了系统架构：浏览器客户端通过 WebSocket 连接 Python 后端，再与 Gemini 建立持久双向会话，并实现发送、接收、播放的并发核心循环。针对打断延迟问题，作者提出本地立即静音的 barge-in 技巧，并结合内置 VAD 实现即时响应。最后通过工具调用（function calling）与异步确认模式，让语音 Agent 能够播放音乐等实际操作且不产生尴尬停顿。完整示例代码已在 GitHub 开源。
AI一句话生成知识讲解视频：知识博主的末日？
作者用 Opus 5.5 一句话生成了一个讲解 password 与 passkey 区别的 4 分钟互动讲解视频，包括配音（edge-tts）、字幕、封面图等，质量高于一般人类知识博主水平。作者感叹AI不仅完成视频制作，还主动铺好后续改版、竖屏适配等路径，认为知识讲解类视频博主的生存空间将被颠覆——获取知识的范式正在改变，只有亲身经历类内容尚有竞争力。
How OpenAI Built GPT-Live
本文深入解析了 OpenAI GPT-Live-1 全双工语音模型的架构原理。文章回顾了语音系统的三代演进：级联设计（ASR+LLM+TTS 串联，存在信息丢失和延迟叠加问题）、轮次式端到端语音模型（保留语气情感但依赖 turn detector，容易不自然）、以及全双工架构（模型同时监听和说话，沉默也是一种 token）。GPT-Live 通过将思考从说话中委托出去，保持语音模型小而快以实现毫秒级响应，同时依赖服务端系统的低延迟优化。文章还讨论了全双工系统的评估方法与实时系统工程经验。
手把手教你用WorkBuddy做HTML视频
本文介绍了如何用 AI Agent 工具 WorkBuddy 结合 HyperFrames 制作 HTML 动画讲解视频的完整工作流。流程分四步：撰写适合可视化的口播稿、录制并剪辑配音、用剪映生成并校对 SRT 字幕、将配音/SRT/视觉参考图交给 WorkBuddy 生成 HTML 画面并渲染成 MP4。核心技巧在于利用 SRT 字幕的时间戳为画面精确"排期"，避免 AI 猜测页面节奏导致的音画不同步。生成满意后可将 HTML 作为模板复用，后续只需替换音频和字幕即可持续产出风格统一的视频，适合知识讲解、产品介绍等不露脸口播场景。
百万播放的 AI 长片，流程全部开源：一句话出 10 分钟成片（下）
作者详细拆解了用 AI 制作百万播放长视频的完整开源流程。环境配置包括 Claude Code（效果最佳的 AI 智能体）、火山引擎 TTS（提供 2.0 音色和逐字时间戳）、Remotion 视频合成框架及字体等辅助工具。制作管线分五个阶段：调查写稿（构建事实链、来源台账）、配音与时间戳、素材搜索匹配（强调真实影像占比）、Remotion 画面合成（三层视觉语言、MG 图解、时间预算控制）、混音封面与发布。文章还包含内容规则、踩坑记录及开源 Skill 清单，帮助读者从一句话生成 10 分钟成片。
我用 GPT 6 Astra 做了一个 3D 版的《桃花源记》（文中含提示词）
作者宝玉分享用 ChatGPT Pro 的 GPT 6 Astra 制作 3D 版《桃花源记》网页的完整过程。通过一套详细的提示词，让 AI 将课文拆成 20 幕，实现可拖动视角、跟随原文叙事的'循文入境'体验。针对 TTS 朗诵不佳的问题，改用央视李立宏的真人朗诵并配以 SRT 时间戳同步；再由 Codex 做工程化优化，将音频独立、更换真实环境音，文件从 5.6MB 缩至约 777KB。文章总结了几点体会：明确审美与验收标准比堆形容词更重要，声音是交互的一部分，不同 AI 工具分工协作。文末附有可复用的完整提示词模板，可套用于其他古文场景制作。
我用Grokbot搭建了一个可以听的X——ListenX全自动化工作流的搭建流程
作者因收藏夹里长文太多而没时间阅读，萌生把X内容转化为播客的想法，于是用Grokbot从零搭建了ListenX平台。文章详细介绍了全AI自动化工作流的搭建过程：先用《Grokbot橙皮书》注入认知并拆解架构，再部署五大AI专家角色——文本脱水与清洗员、播客金牌编剧、全栈开发工程师、视觉设计总监、声音导演与TTS调度员，每个角色都附有完整系统提示词。最后通过群聊协同与SOP工作流实现全自动化：丢入推文链接即可自动生成播客并上线，让X内容可以随时随地用耳朵消费。
开源读书视频Skill：抖音起号神器，读书带货视频保姆级教学拆解（系列二）
作者开源了一套用 Codex Skill 自动化生产抖音读书带货视频的完整流水线。文章详细拆解了八步流程：选书（真实可核验书籍）、定情绪（单一情绪+两字毛笔字遮罩）、写七段式256字逐字稿、火山引擎TTS配音（固定语速4.56字/秒）、AI生图（侧脸+自然山水构图）、图生视频轻动态、四拍片头制作、FFmpeg渲染并生成剪映草稿。该流水线不露脸、物料成本约两元一条，可批量产出情绪读书视频，实现读书号起号变现。
一句话生成AI多智能体互动课堂
文章介绍了清华大学MAIC团队开源的多智能体互动课堂平台OpenMAIC（GitHub 36.7K Star）。用户只需输入学习主题或上传教材、论文、音视频等资料，系统即可自动规划课程结构，生成包含知识讲解、测验、互动模拟和项目任务的完整课程，并配有AI老师和AI同学。作者详细演示了使用WorkBuddy Agent在本地部署OpenMAIC的全过程，包括配置大模型API、安装OpenMAIC Skill、排查白屏问题和接入TTS/ASR语音模型，并说明了导出MP4所需的前置依赖。该项目适合个人自学、教师备课、企业培训和编程实验教学等场景。
建议收藏：从零到一用自然语言调出 3D 雨夜书房（附完整 Prompt + GitHub 开源地址）
作者用上海 AI 实验室新开源的 744B MoE 智能体模型 Atria Dawn Preview 做实测，通过自然语言生成一间可交互的 3D 雨夜书房：窗外下雨、桌上点灯、书架的书可取下阅读、纸笔可手写保存、还有带动画和中文朗读的立体儿童绘本。文章记录了从初始提示词到多轮返修的全过程，指出该模型能组织出可运行原型并响应反馈修改，但主体生成耗时约 219 秒、需 7 轮返修，收尾工作仍需 Codex 补充。项目代码已开源并附在线体验地址，核心结论是：提示词的每条要求都应能在成品中验收，模型能力须回到实际使用结果上评估。
语音 agent 这 30 天：全双工落地，排行榜开始打假，生产数字出来了
本文汇总了近 30 天（8/16-9/15）语音 agent 领域的重大进展。核心变化包括：OpenAI 推出全双工语音模型 GPT-Live-1 进 API，替代传统 STT-LLM-TTS 三段拼接架构；一波新模型与产品密集发布（Tavus、Soniox、HeyGen、ElevenLabs 等）；评测开始'打假'，Jarvis Bench 把真人放进排行榜检验模型真实能力；Natera 公司首次公开生产环境语音 agent 的详实数据（成本、延迟、NPS 等）；语音正从'对话层'演变为'编排层'，成为调度多个 agent 的入口；开源与本地方案（Voicebox 等）蓬勃发展。
Codex + Hyperframes：拆解抖音爆款，让普通人也能吃上自媒体这碗饭
本文详细介绍了如何使用 Codex 和 Hyperframes 搭建一套抖音爆款视频的拆解与复用工作流。作者提出完整的制作顺序：工具准备、旁白、TTS 配音、画面、字幕到成片。文章强调先拆解原视频结构（Hook、叙事、视觉、节奏），人工核验事实与表达，再把可复用结构抽成模板，一次生成多个 Hook 版本用数据迭代优化，最后固化成可重复调用的 Skill。作者建议先手动跑通 3-5 条视频再自动化，建立素材池与固定视觉风格，并将数据反馈喂回流程持续修正，目标是搭建一条能重复生产内容并不断自我优化的生产线。
Building low latency, streaming voice agents
本文介绍 Google 最新的语音转文本模型 Gemini 3.5 Transcribe，重点讲解其实时流式端点 gemini-3.5-transcribe-live 如何通过 WebSocket 以亚秒级延迟实现低延迟语音交互。作者以实时辩论代理为例，展示如何结合 Agent Development Kit (ADK) 构建多智能体流水线：在用户仍在说话时流式获取中间转录结果，经 Gemini 3.7 Flash 做意图过滤，后台并行触发 Google Search grounding 检索证据，最后通过 Cloud Text-to-Speech 生成自然语音回复。该模式支持 85+ 语言，适用于会议实时查证、呼叫中心坐席辅助、交互式语音机器人、直播字幕等场景，消除了传统语音应用的等待延迟。
AI婚礼视频定制教程+引导式skill
作者分享了一个AI婚礼视频定制项目的完整教程。受全网火爆的AI婚礼视频启发，作者结合家中婚庆资源，半个月接单5单。文章介绍了一个引导式Skill，将婚礼视频制作拆解为14个步骤：通过故事采集卡收集新人信息，用Kimi K3写文案，豆包TTS配音，GPT Image 2生图，OmniFlash生成视频，Suno制作BGM，最终组装成片。整套流程人工介入时间可控制在一小时以内，单条视频成本约15元。作者认为AI视频定制可延伸至老人、宝宝纪念等本地服务场景，是客单价高、有情绪价值的创业方向。
教你用WorkBuddy写代码生成动画视频
文章介绍了在WorkBuddy中使用Remotion Skill通过代码生成动画视频的方法。其原理是编写网页代码作为每一帧画面，由无头浏览器逐帧截图，再用ffmpeg合成MP4视频。作者演示了从安装Remotion Skill、输入提示词生成咖啡广告动画、调整画面，到为视频添加BGM和TTS真人感配音的完整流程。配音部分可接入火山引擎豆包语音合成等第三方API服务。文章强调这种方式仅消耗token，适合科普、教育、产品演示等场景，不适用于AI短剧或真人特效视频。
我用 Codex 把一段文字做成了手绘动画：从配音成片，完整教学
作者在 Mac 上用 Codex 结合 srt-whiteboard-animation skill，将一段社保对比文稿完整制作成 2 分 17 秒、1080p、30 帧的手绘白板动画视频。文章逐步拆解了 14 个制作环节：准备项目并验证 skill、将文字稿转为 SRT 字幕、分幕规划、生成统一风格无字底图、区域标注与绘制顺序安排、预览台检查、渲染连续落笔动画、逐幕具体化修改、合并无声版，以及使用 edge-tts 配音和音乐混音。作者强调分步确认、说清具体要求、区分 skill 与工具能力边界等实践经验，并提供可复用的对话指令。
开源AI动画视频万字教程：用豆包工作一键搞定
作者分享用豆包工作版Agent制作AI动画视频的完整教程。相比之前用Codex拼接的高成本方案，豆包工作整合了写稿、拆镜、生图、图生视频、剪辑方案等全流程。教程详细拆解五步流程：写逐字稿配音并提时间码、拆镜头锁IP形象与画风、写提示词出画面、生成静音视频片段、最后用剪映合成。文中附有大量可直接使用的提示词模板，涵盖IP锁定、画风锁定、生图、图生视频等关键环节，并介绍了豆包语音TTS、Skill推荐等实用工具。