jackssybin 的个人博客

一句话结论：LingtiStudio 值得内容创作者关注。它对标的不是"AI 一键出片"这类黑盒产品，而是"你能不能把 AI 视频做成流水线"。8 个审核关卡 + 单分镜重跑 + 原生剪映草稿导出，是它区别于 Sora / 剪映 AI 的三条硬骨架。

一、为什么写这篇：AI 视频这件事的两条路

上周我给一个客户做一支 60 秒的讲解视频，试了三种方式：

路径 A：Sora 直生成。 输入一段中英混杂的 prompt，等 2 分钟出结果。开头旁白语气不对，重来。第二版画面漂移，重来。第三版价格差不多够订《华尔街日报》一年了。

路径 B：剪映 AI 一键成片。 上传选题脚本，选模板。产出确实快，但只是"套模板 + 换素材"。想调分镜结构，得整段重来。

路径 C：自己拼。 让 GPT-5 写脚本，MidJourney 生关键帧，MiniMax 配音，Kling 图生视频，最后拖回剪映拼。每一步都能控制，但每一步都是独立工具，接口不匹配、时长对不齐、风格串味。

上周三我在 GitHub 上看到 ruilisi/LingtiStudio（166 star，MIT 协议，中文文档齐全）——它做的不是路径 A 也不是路径 B，是把路径 C 那种"拼装"变成一个整合起来的产品。

这篇讲清楚三件事：它的核心机制、5 分钟怎么跑起来、什么样的人应该关注。

二、机制：8 步生产链路，2 个人工关卡

LingtiStudio 把"从主题到成片"拆成 8 个可暂停的步骤：

1. 脚本生成 — LLM 直出 + Reflection 双轮审核（借鉴 Agent-S 的 Reflection Agent 结构）
2. 分镜审核 — 人工暂停，改文案 / 时长 / 顺序 [GATE]
3. 资产生成 — 角色、场景、道具的参考图，统一风格
4. 资产确认 — 审核通过后再进入关键帧全量生成 [GATE]
5. 关键帧生成 — MiniMax Image / Nano Banana / Gemini 3 Pro Image，并行
6. TTS 配音 — MiniMax Speech，精确时长测量
7. 视频片段生成 — Kling v3 / Seedance / MiniMax Video，智能路由
8. FFmpeg 组装 — 字幕 + 转场 + 剪映草稿导出

两个关卡的存在，是这个项目和"一键生成"的根本差别。

modules/llm.py 里的 Reflection 结构直接可以读出来：

# 第一轮：生成初稿
response = await client.chat.completions.create(
    messages=[{"role": "system", "content": SCRIPT_SYSTEM_PROMPT},
              {"role": "user", "content": user_message}],
    temperature=0.7,
)
raw_script = response.choices[0].message.content

# 第二轮：Reflection 检查（借鉴 Agent-S 的 Reflection Agent）
reflection_response = await client.chat.completions.create(
    messages=[{"role": "system", "content": "你是一位严格的视频脚本审核员..."},
              {"role": "user", "content": REFLECTION_PROMPT.format(script=raw_script)}],
    temperature=0.3,
)
final_script_str = reflection_response.choices[0].message.content

这一段之所以重要，是因为它承认了一个事实：LLM 一轮直出的脚本，往往会主题跑偏、结构断裂、开头无钩子。加一轮温度更低的审阅（0.3 vs 0.7）能显著改善。你可以在 Cursor / Claude Code 里手动做，也可以让脚本自动做——LingtiStudio 选了后者。

三、为什么"审核关卡"值钱

用一个具体成本例子：60 秒短视频，8 个分镜。

没有审核关卡的一键流程：

• 脚本 LLM 直出（可能主题跑偏），$0
• 8 张关键帧全部生成，$0.4
• 8 段配音全部生成
• 8 段图生视频，$3.2
• 成片看完发现开头不对
• 代价：全流程重跑，再花 $3.6

有审核关卡的分阶段流程：

• 脚本看完再确认，$0
• 资产先小图预审，$0.1
• 关键帧确认后全量，$0.4
• 配音确认关键帧后并行
• 视频错了只重跑单段，$0.4
• 成片剪映草稿可微调，$0 重跑

假设首轮通过率 60%（这是我实测的乐观值），一键流程的期望成本 = $3.6 × (1 + 0.4) ≈ $5.0；分阶段流程的期望成本约 $0.9~$1.5。对于个人创作者，一个月做 10 条视频，就是几十美金的差距。

更重要的是心理成本：一键流程失败要重看一遍成片才发现问题，人工分辨"哪一步坏了"的负担全部落在你身上；分阶段流程每一步交付物具体，出错立刻能定位。

四、剪映草稿导出：AI 做 90%，人做最后 10%

这是我读源码时最惊讶的一段。modules/jianying_draft.py 直接调用 pyJianYingDraft，把每个分镜作为独立片段导入剪映草稿工程，视频 / 配音 / 字幕分离到独立轨道。

# 从源码注释里抠出来的产品哲学
"""
v2.0：每个分镜作为独立片段导入，多轨道分离（视频/配音/字幕各独立轨）
用户可在剪映中直接替换单个分镜/配音/字幕，无需重跑全流程
这是"AI 做 90%，人类做最后 10%"的关键闭环
"""

这句话是产品价值观。它不假设 AI 出的东西一次可用——只承诺"帮你到 90%，剩下 10% 你在剪映里改会比重跑更快"。

对比之下：

对做讲解号、知识科普、多分镜故事视频的创作者，这个差别不是量的差，是质的差。

五、四种方案的横向对比

维度拉齐后的结论：

• Sora / Runway：适合尝鲜 / 单条创意 / 商业素材。不适合内容账号做批量。
• 剪映 AI 一键：适合完全不懂 AI 的普通人做套模板视频。不适合想控制结构的创作者。
• 手工 ComfyUI + 各家 API：适合极客。学习曲线高，出错定位难。
• LingtiStudio：适合有一定 AI 知识、想把 AI 视频做成产线的内容账号 / 讲解号。

LingtiStudio 的关键差异化：

• 交付形态多层（MP4 + SRT + 剪映草稿）
• 8 处审核 gate，不是黑盒
• 错了只重跑单分镜
• API 提供商可换（不绑死一家）

六、5 分钟跑起来：Docker Compose 路径

如果你想快速验证，Docker Compose 是最省心的路径。

git clone https://github.com/ruilisi/LingtiStudio.git
cd LingtiStudio

docker compose up -d --build

打开 http://localhost:3000。第一次会自动弹配置对话框，可以在浏览器里填 API Key（写入 ./configs/config.yaml），不用手工编辑 YAML。

支持的模型清单（v1.1.0 内置）：

智能路由在 modules/video_gen.py 里，可以直接读出规则：

seedance_keywords = ["talking", "speaking", "dialogue", "lip sync", "多人", "人群"]
kling_keywords = ["action", "running", "fast", "dynamic", "动作", "奔跑", "舞蹈"]
# 对话/口型 → Seedance；动作/运动 → Kling；其他走默认

这套规则不复杂，但很实用——对话戏走 Seedance（口型同步好），动作戏走 Kling（动态感好），明确的规则比让用户自己选省心。

七、CLI 路径：直接从命令行跑

如果你已经熟悉 Python + FFmpeg，CLI 路径可能更快：

# 前置：Python 3.10+ / Node.js 18+ / FFmpeg
python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

# 初始化配置
python cli/main.py config --init
# 编辑 configs/config.yaml 填入 API Keys

# 完整生成
python cli/main.py run --topic "AI 改变世界" --style "科技感，蓝紫色调"
python cli/main.py run --topic "西藏旅行" --duration 90 --engine seedance

# 只生成脚本（不调用付费 API，先看结构）
python cli/main.py script --topic "AI 改变世界" --output script.json

# 测试各模块连接
python cli/main.py test --module llm
python cli/main.py test --module image
python cli/main.py test --module tts
python cli/main.py test --module video

我建议第一次跑 script 子命令——不花钱、几秒钟就出 JSON，可以先看看它给你的分镜结构像不像回事，再决定要不要跑完整流程。

八、三个源码细节看工程判断

细节 1：记忆系统（modules/memory.py）

用 SQLite 本地记录用户的风格偏好——visual_style、pacing、avg_scene_duration、preferred_transitions 等 8 个维度。跑几条视频之后，脚本生成会自动注入你的风格上下文。

不用 Mem0 云服务，纯本地 SQLite（~/data/memory.db）。这是"本地优先"哲学的体现——不给你增加额外的账号和订阅。

细节 2：Voiceover 说话人前缀清洗（modules/jianying_draft.py）

TTS 输出的文本里常有"男：xxx / 女（英语）：yyy"这种说话人标记。字幕烧录时如果不清洗，观众能看到"男：“这两个字挂在字幕里。

cleaned = re.sub(r'男[\uff08(][^\uff09)]*[\uff09)]\uff1a|...|男[\uff1a:]|女[\uff1a:]', '', text)

正则处理全角 / 半角括号 + 全角冒号。这种细节没做过就写不出来——只有踩过"字幕里出现「男：」“的坑才会加这个清洗。

细节 3：Kling / Seedance / MiniMax Video 三家路由

绝大多数开源 AI 视频项目要么只支持一家，要么让用户手动选。LingtiStudio 通过关键词打分自动选：

seedance_score = sum(1 for kw in seedance_keywords if kw.lower() in prompt_lower)
kling_score = sum(1 for kw in kling_keywords if kw.lower() in prompt_lower)
if seedance_score > kling_score:
    return "seedance"
elif kling_score > seedance_score:
    return "kling"
else:
    return default

规则简单粗暴，但明确。这是工程判断——不追求算法完美，追求默认合理。用户可以在 UI 里手动 override 单个分镜的引擎。

九、什么样的人应该关注

值得试的四类人：

不建议用的三类：

判断维度就一句话：你愿不愿意把"审核每一步"当成价值而非负担？愿意就试，不愿意就别。

十、如果你决定试

建议这个顺序，别追求一步到位：

1. 先用 python cli/main.py script，不花钱看脚本结构像不像。如果 Reflection 后的分镜清单让你觉得"这就是我想拍的”，再往下走。
2. 第一次跑完整流程用 60 秒 / 8 分镜，不要一上来就拉 3 分钟。60 秒 8 分镜的总成本约 $1，试错代价低。
3. 强烈建议开审核 gate。别用 --no-review。你的时间成本比省下的几分钟等待时间高得多。
4. 视频引擎第一次用 Kling，因为它的 API 定价和文档最稳定。等熟悉工作流之后再对比 Seedance / MiniMax Video。
5. 最后一步一定要在剪映里过一遍。这是这个项目最核心的价值——AI 做 90%，你做 10%。

参考

• 项目主页：github.com/ruilisi/LingtiStudio
• 中文文档：README-CN.md（写得比英文版还细）
• 演示视频：Bilibili BV1NjDrBnECg（作者官方演示）
• License：MIT
• 技术栈：FastAPI + Next.js + Ant Design + SQLite + FFmpeg

这个项目的作者 ruilisi 是一家国内工程团队，从项目里的中文注释、B 站演示视频、剪映草稿接入选择来看，很明显定位是面向中文创作者的开源 AI 视频生产系统。166 star 不算爆款，但内容账号运营者读一读源码、跑一跑流程，很可能会觉得"这就是我一直想要的工具形态”。