# 用AI做了一个月视频，想跟你分享这套没人讲的心法
**作者**: 泊舟
**日期**: 2026-07-08T09:39:13.000Z
**来源**: [https://x.com/bozhou_ai/status/2074790399789732348](https://x.com/bozhou_ai/status/2074790399789732348)
---
最近刷到不少教 Codex + Remotion 做视频的教程，套路基本一样：装个插件，丢个 prompt，画面出来了，收工。
然后你照着做，发现做出来的东西根本没法发。只有画面没有声音，或者配了音但音画对不上，画面就是一页一页的 PPT 在翻，满屏都是字。教程里演示的那三十秒确实能跑通，但从能跑通到能发布，中间隔着的全是没人讲的细节。
我这一个月发的视频，全是用 AI 做的。口播视频、手绘故事视频都有，中间踩的坑不少，也攒出了一套自己的流程。今天把这套心法全部公开，包括我沉淀出来的三个 skill 直接开源。
先说一个前提。这篇不是技术教程，你不需要懂 Remotion 怎么写、React 是什么。活是 AI 干的，你要懂的是整体框架：每一步该做什么、该盯什么、坑在哪。框架对了，剩下的交给 AI 就行。
## 一. 一句话心法
整套流程压缩成一句话：
先写逐字稿，生成音频，拿到字幕文件，用字幕文件驱动所有动画，最后配音效和 BGM，低画质调试，确认没问题再出高画质。
那些教程做出来的视频为什么烂，原因就藏在这句话里。它们把视频当成"生成画面"来做，但视频其实是一条以声音为轴的时间线。字幕文件是整条视频的唯一基准，画面、动画、音效全部要对齐到它。没有这条轴，你做出来的就是一堆各自为政的画面。
后面每一节，都是这条流水线上的一环。
## 二. 工具怎么选
我主要用两个东西：HyperFrames 和 Remotion。
HyperFrames 快，出结果简单，适合做 PPT 式的演示、文章内容可视化这类东西。但复杂动画它撑不住。
Remotion 上手门槛高一点，它是用代码来定义视频，每一帧都可以精确控制。代码是 AI 写的，你不用管。要长期做视频，最后一定会走到它这里，因为它能沉淀模板，这条视频调好的东西，下条视频直接复用。
选择标准很简单：试水、赶时间、做个演示，用 HyperFrames。认真长期做，用 Remotion。
工具本身不展开讲了，教程到处都是。决定成片质量的不在工具，在后面这些细节。
## 三. 音频是整条视频的骨架
大部分人做 AI 视频，声音是最后才想起来配的。这个顺序就错了。声音应该是第一步。
一切从逐字稿开始
不管做什么视频，先把逐字稿写完，口语化的也行。它决定了整条时间线的长度和节奏，后面所有东西都从它推导。
配音的两条路线
第一条，自己录口播。录完以后把气口去掉，就是那些换气声和空白停顿，然后把音频转成字幕文件。我用的是火山的字幕 API，它能给到每一个字在音频里的时间点，精确到毫秒。
这个字幕文件就是后面控制一切节奏的基准，先记住它。
第二条，AI 生成配音。先录一段自己的声音，在 MiniMax 官网，注意是海外官网。做声音克隆，拿到一个声音 ID。之后直接用逐字稿生成音频，再用音频生成字幕文件。不想露声音的，直接选一个现成音色也行。
这里有个坑：语音识别出来的文本不能直接当字幕用。我遇到过 Gemini 被识别成洁面奶，Claude Code、Codex 这些词也经常被打错。正确做法是识别结果只拿时间轴，字幕文本用你的原稿去校正。这一步我做成了一个 skill，文末一起开源。
三层声音
一条视频里的声音分三层，优先级从高到低：
- 配音：人声永远第一优先级，任何时候不能被盖住。怎么来的上面讲过了，自己录或者声音克隆。
- 音效：只贴在节奏点上，比如翻页、动画出现、章节转场。音效不是越多越好，我早期给每个动作都配声音，键盘声、点击声全上，成片听起来特别乱。后来的原则是每个音效都要能回答一个问题：它解决了什么节奏问题。答不上来就删。
- BGM：必须压得很低，低到你以为快听不见了，它才是对的。
音效和 BGM 的来源都不用发愁，这三层声音我基本全是 AI 搞定的。可以让 AI 直接生成，也可以让 AI 去网上找几个你来挑。BGM 还有个更省事的路子：去剪映上看到不错的背景音乐，直接下载下来让 AI 加上去就行。
## 四. 画面：为什么 AI 做出来全是动态PPT
音频这条轴立住了，再来解决画面问题。AI 做的视频如果你直接让它自己做，大概率就是做成一个动态的PPT，原因其实很清楚：你没设计镜头，AI 就按它的默认习惯，一页一页给你铺。
我总结下来要守住三条。
禁止整页出现
一个场景切进来的时候，不能把内容全部铺好。每个元素，一行标题、一个数字、一个图标，都要有自己的进场时刻。
进场顺序由什么决定？由字幕决定。口播说到哪个内容，哪个元素才出现。这一条守住，PPT 味就去掉一大半。
屏幕上只放关键词
不加约束的话，AI 会把你的逐字稿整段搬上屏幕。结果就是配音在念一句话，画面上也写着这句话，观众等于在看你念稿子。
我的约束是：主画面只放关键词、短语、数字，一屏的文字元素不超过五个，完整句子只出现在字幕里。
画面的丰富度靠动画，不靠加字。帮观众理解的是那些示意动画：流程线怎么长出来、方块怎么堆起来、一个东西怎么流向另一个东西。抽象的逻辑让图形的运动演出来，比打一行字强得多。
音画同步的真正解法
音画不同步是被问得最多的问题。解法还是回到字幕文件。
动画什么时候出现，必须按字幕里对应文字的时间点来定，让 AI 去字幕文件里查这个词出现在第几秒，而不是让它按句子顺序去估。我踩过一个印象很深的坑：画面里的鹦鹉比口播说到鹦鹉这个词先出现了，等于提前剧透。查下来就是 AI 按句子顺序猜了个时间，没去字幕里查。
还有一条经验：改时间轴的时候要成套改。字幕、动画、音效、章节进度条、工程总长，一起动。只改其中一个，后半段就会整体漂移，出现那种越到后面对得越不准的诡异效果。
静态画面撑不了场
不露脸的视频尤其要注意，一张静态截图停在那里超过几秒，节奏就垮了。截图要加推近、滚动、打字这类效果，讲操作过程优先用录屏。我之前有条视频中段全靠静态截图撑着，回看的时候自己都想划走。
画面设计可以先出定版图
再分享一种做法：不用让 Remotion 一步到位，可以先用 Claude Design 这类设计 Agent，对每个镜头生成一张静态定版图，就是这个镜头动画播完之后的最终样子。动画怎么进场不用它管，备注清楚就行,由于我的账号被封了，所以这里找不到截图,我最大那个十几万的播放量的视频，就是Cloude Design帮我设计的。
定版图满意之后，再连同备注一起交给 Remotion 去实现动画。改静态图比改动画代码便宜太多，画面好不好看在设计阶段就解决掉，动画阶段只关心一件事：元素按字幕的节奏进场。
## 五. 先建模板，再攒素材
单条视频拼的是执行，长期做拼的是积累。这一节讲的是怎么让 AI 每次做视频的起点越来越高。
先建立一套自己的模板。 比如做口播视频，先把固定不变的那几样东西调好：背景、右下角的人像区域、底部的字幕区域、顶部的章节进度条。一样一样调，背景满意了调人像位置，人像满意了调字幕位置。全部调通之后，把这套东西固化成一个 skill。之后每条口播视频都从这个模板起步，那些基础问题再也不用管。
想做一个系列也是同样的思路：先定风格，再开工。找一张你满意的参考截图，让 AI 照着这个风格复刻一个简单的视频看看效果，满意了就固化下来。我的小白学AI系列就是这么来的，当初看到小黑skill线稿手绘风格觉得不错，直接截图丢给 AI 让它复刻。现在这个系列的角色形象、每个角色的声音 ID、字体、配色，全部锁死在 skill 里，每一集出来风格都是一致的，观众不会觉得换了个人在做。
然后是攒素材库。 看到好的样式就截图，让 AI 复刻出来，存进素材库，以后就是一个现成组件，直接复用。我的做法是在 skill 里维护一个登记文件，我叫它 LIBRARY.md，每个素材登记一行：它是什么、适合什么场景、不适合什么。字体、音效、验证好用的动效组件都往里放。AI 做新视频的时候先读这个清单，有现成的就直接拿，没有再新做，新做的好东西再登记回去。素材库就这样越滚越大。
AI 犯过的错也要沉淀。 你纠偏过的方案要固化进 skill，而不是只修当前这一条视频，不然下条视频它还会在同一个地方摔。这是用 AI 干活和自己干活最大的区别：自己踩过的坑自己会记住，AI 的记性得你帮它长。
## 六. 验收：别信检查通过，要看真实画面
最后一环是验收，这里也有几个花真金白银换来的教训。
先出低画质版本调试。 反复调都用低画质渲染，确认整条视频没问题了，最后要发布了再出高画质。我干过直接渲 4K 的事，十几分钟渲完，发现中段有一整段是空白的，全部重来。
检查命令通过不等于画面没问题。 AI 会跑各种检查告诉你一切正常，但交付前一定要抽几个关键帧，用自己的眼睛看：录屏有没有真的接上，文字有没有溢出边框，元素有没有互相挡住。我遇到过所有检查全绿、最后成片里视频素材是个空窗口的情况。
出问题先问一句：现在成片里实际播放的是哪条音频？ 很多所谓的音画不同步，查到最后是字幕对的一条音频，动画对的另一条。基准都不统一，怎么调都是白调。
## 写在最后
最后说一点可能比所有技巧都重要的：不要指望 AI 一次就给你出一条能发的视频。
我自己现在做视频也不可能一次出片，中间都要调几轮。区别只是，以前我可能要调十几版，现在两三版就能出。不是 AI 变强了多少，是我的经验都沉淀下来了，变成了模板和 skill，AI 每次起点就高了。所以别在第一条视频上追求完美，把每次调整的结论留下来，比这一条视频本身值钱。
整套流程收成一张可以照抄的清单：
1. 写逐字稿，口语化也行
2. 生成音频，自己录或者声音克隆
3. 音频转字幕文件，识别错的字用你的原稿改回来
4. 按字幕文件设计画面，元素跟着口播逐个进场，屏幕只放关键词
5. 配音效和 BGM，音效贴节奏点，BGM 压低
6. 低画质渲染调试，抽帧检查，最后再出高画质
7. 好用的东西固化成模板和 skill，下条视频接着用
文章里提到的三个 skill 我都开源了：口播视频模板 talking-head-remotion、手绘故事风格 sketch-story-remotion、还有字幕生成的 skill。地址在这里：
https://github.com/bozhouDev/video-skills-toolkit
这套流程我自己还在迭代，你如果也在用 AI 做视频，欢迎来交流。
## 相关链接
- [@bozhou_ai](https://x.com/bozhou_ai)
- [68K](https://x.com/bozhou_ai/status/2074790399789732348/analytics)
- [https://github.com/bozhouDev/video-skills-toolkit](https://github.com/bozhouDev/video-skills-toolkit)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [5:39 PM · Jul 8, 2026](https://x.com/bozhou_ai/status/2074790399789732348)
- [68.8K Views](https://x.com/bozhou_ai/status/2074790399789732348/analytics)
- [View quotes](https://x.com/bozhou_ai/status/2074790399789732348/quotes)
---
*导出时间: 2026/7/16 14:14:33*