jackssybin 的个人博客

“一句话让 AI 生成视频"如今已经不稀奇，但真做过内容的人都知道那是什么体验：像抽卡。出来什么样、为什么是这样、下一条还能不能复现，全都不可控。

今天这个开源项目走的是一条完全相反的路。它叫 charles-video-maker，是一个装进 Claude Code / Antigravity 这类 AI 编程工具里的 Agent Skill：你给文字稿，它交付一条带配音、逐字字幕、封面和发布文案的成片——而画面，是让模型写一个会按时间 t 自己绘制的网页，再一帧一帧截图合成出来的。

最有话题性的是作者甩出来的一组真实数据：零粉丝新号，2026 年 10 月 20 日开号，13 天做到 37 万+ 播放，0 投流，代表作一条 78 秒的视频拿了 23.1 万播放、7053 次分享。

我把仓库克隆下来通读了 SKILL、14 份参考文档和全部脚本（约 2.9 万行）。这篇讲清楚它到底怎么工作、为什么"代码画视频"反而更可控，以及那 37 万播放里有多少是工具的功劳、有多少不是。

一、它是什么：一个给 Agent 的「视频制作 SOP」，不是剪辑软件

先厘清形态。它不是 Premiere、剪映那种你手动操作的软件，也不是 Sora/Veo 那种输入提示词直接吐视频的生成模型。它是一份教 AI 编程助手如何做视频的技能包：

npx skills add anneheartrecord/charles-video-maker

装好后，你在 Agent 里说一句：

把这篇文章做成一条 60 秒的竖版视频，要配音和字幕

剩下的由 Agent 按技能包里固化的流程执行。核心机制一句话：Opus/Claude 这类编程模型自己不会输出视频，但会写网页。于是让它写一个暴露了 render(t) 函数的动画网页——t 是时间（秒），画面随 t 变化；脚本用 Playwright 把每一帧截下来，FFmpeg 合成为 MP4，声音用 TTS 合成。

这带来一个关键区别：因为每一帧都来自确定性的代码，“下一条还能不能做出同样水准"是可控的；而且任何一个画面元素、时间点、数据都可以精确到帧地修改和复核——这正是"抽卡式生成视频"做不到的。

二、四种画面路线：不只是代码动画

它并不是只会画代码动画，SKILL 开头先做"分流”，根据你要讲的东西选路线：

1. 代码动画（code-rendered）：模型写按时间绘制的网页（Canvas / SVG / WebGL / Three.js / Remotion / Manim 都行），逐帧截图合成。适合知识讲解、数据可视化、产品介绍。
2. 素材打底（footage layer）：用实录画面、原视频片段、Pexels/Pixabay 免版税空镜或生成图垫在底层，代码画面退成一个透明信息层叠上去。适合产品演示、游戏介绍、评论视频——解决"画面全是插图不够真实"的问题。
3. 机器讲概念（Anatomy）：把一个技术概念造成一台会动的等距（isometric）机器——百分表、抽屉柜、绘图仪，甚至带 WebGL 尾焰的猛禽发动机。旁白念到哪一步，机器就做哪一个动作，读者因为"认出了机器"而理解原理。
4. 抖音知识号模式（Douyin mode）：这是最特殊的一条，从一条正在爆的原片出发，选题、复刻风格、重写文案、配乐、渲染、定时发布、拉数据一路做完。

另外还能可选接入 Lemo-Opuscar 的 53 种画风（油画厚涂、水彩、浮世绘、水墨、像素 RPG……）和真乐器配乐，但风格库按需下载（约 350MB，采样库另约 1.3GB），不强制塞进仓库。

三、一条视频的生产流水线：细节里全是工程

最能体现这个项目成色的，是它把"做一条能看的视频"拆成的这条严谨流水线：

文字稿 → 事实核查表 → 配音（整段合成+加速）→ Whisper 逐字时间戳
      → 场景切点/动作点/字幕
代码画面 render(t) → 逐帧截图（并行渲染）─┐
素材层 footage.json → 剪切/调色/淡化    ├→ 合成 → 成片+封面+publish.txt
配乐+音效+旁白 → 标准化到 -14 LUFS      ┘

逐个说几个我觉得专业的点：

1. 配音对齐——整段合成，再用 Whisper 对回原文。 TTS 不是一句一句拼，而是整段合成（更自然）、可加速（默认 Gemini TTS 1.25 倍速），然后用 Whisper 做逐字时间戳，把识别结果对齐回稿子原文。这样场景切换、画面动作、音效、字幕全都绑定在"念到哪个词"上，而且识别错的字不会污染字幕——字幕显示的是你的原稿。Apple Silicon 用 mlx-whisper，其他机器用 faster-whisper。

2. 事实核查闸门（factcheck）。 只要稿子里出现价格、额度、数据、产品功能、截止日期，或"最新/现在"这种会过期的说法，就必须先调研、建一张核对表（factcheck.py extract）。正式渲染前还有一道闸：factcheck.py gate 同时校验旁白文案和画面代码里出现的数字，退出码非 0 就不许出片。这是专门防 AI 视频最容易犯的"一本正经编数字”。

3. 音频按广播标准做。 混完统一标准化到 -14 LUFS（YouTube/抖音等平台的响度规范），还要过真峰值（true peak）检查，避免不同平台音量忽大忽小。

4. 静止检查（still_check）。 自动找出"画面停住超过 2 秒"的段落，以及"字幕已经换了、画面却没跟上"的地方——这俩是 AI 生成视频最常见的划水痕迹。

5. 三方案先确认，再动手。 普通模式不会闷头直接做，而是先给三个方案（每个都写清封面和开头黄金几秒）+ 关键帧/几秒预览，你确认后写成 brief.md，再从封面和开头逐镜头制作、逐镜头自检。一句话抽卡变成了"先规划后施工"。

四、最受关注的抖音模式：一条 23 万播放是怎么来的

仓库里最"出圈"的是抖音知识号模式，README 直接放了三条代表作和真实数据。它的逻辑很值得内容创作者琢磨——不从"我想讲什么"出发，而从"一条正在爆的视频"出发：

D-1 题材雷达 → D1 蒸馏风格 → D2 资料与文案 → D3 先测配乐再排画面 → D4 制作自查 → D5 交付
                                                                    │
        数据结论写回运营手册 ← douyin_stats/comments ← douyin_publish ↘

• D-1 题材雷达：douyin_radar.py 抓某个话题下正在涨的视频并排名，一次产出 10–20 个选题；
• D1 蒸馏风格：一比一拆解原片的风格，但内容不搬运，而是在画面冲击力、质感、卡点上力求做得比原片更好；
• 开头 3 秒专门有一份 douyin-opening.md，拆了一批头部爆款的开头，画面、第一句、声音各有检查表；
• 文案分工很有意思：旁白、标题、简介、tag 全部交给本地 Gemini（Antigravity CLI agy）写，Claude 只负责事实和结构——作者明确注释"Claude 写的旁白太僵硬"（2026-10-22 用户定的规矩）。Claude 写任务单（查实的事实、每句时长、画面在演什么），Gemini 写说法，再用 check 做硬校验（字数塞不塞得进时长、有没有编数字），最多返工两轮；
• D3 先定配乐再排画面，让卡点有依据；
• 发布与复盘闭环：douyin_publish.py 定时发布，douyin_stats.py 拉 2 秒跳出、5 秒完播、点赞、收藏、分享，douyin_comments.py 存评论，数据结论写回你自己维护的"运营手册"，指导下一期选题。

它的授权哲学也写得很直白：一次授权就一路做到交付，只有查不到一手资料、或同一个工具连续失败两次时才停下来问人。

但请注意 README 里同样诚实的一句话：“同一套流水线也做出过几十播放的片子：流量主要由选题和开头 3 秒决定，工具负责把成品质量稳定在同一个水平。” 这是理解这个项目价值的关键——它是一个质量稳定器和产能放大器，不保证爆款。37 万播放里，选题判断和前 3 秒钩子仍然是人的功劳。

五、工程与协作：合并了两个开源项目，来源标得很清楚

这个 Skill 不是凭空造的，致谢和协议部分写得很规范，这在中文 AI 项目里值得肯定：

• 视频流程、文档和渲染脚本起步于周行（Kianzzz）的 xilo-opus-video，本仓库在其上加了配音流水线；
• anatomy/ 目录原样收录自 Ryan（@wheresryan22）的 Anatomy，未改动，再用 bridge/ 把静态的等距机器变成可逐帧渲染的视频画面；
• 抖音起号打法改写自蔚蓝 WEILANX 的《Opus 5.5 抖音起号超级保姆级万字教程》第五、六章；
• 风格库、真乐器采样器、Kokoro 离线配音、阅读时长检查来自 LemoLab 的 Lemo-Opuscar，按需下载、不并入仓库。

依赖也分层清晰：必需的是 Python 3.9+（numpy/scipy/playwright + Chromium）、FFmpeg、Node 20.10+（Anatomy 构建只用内置模块）、一个 TTS（Gemini TTS 或免费 edge-tts，Kokoro 可离线）、Whisper；可选的是 yt-dlp、Pexels/Pixabay Key（空镜）、登录过抖音创作者中心的浏览器配置、Lemo 风格库。一个安全细节：所有 API Key 只从环境变量读，不写进任何文件。

六、开工四选与边界

普通模式开工时它会问你四件事（都有默认值，抖音模式跳过）：画面（代码/素材/风格库画风）、规格（默认竖版 1080×1920 30fps、第一帧即封面；可选横版 1920×1080 24fps 电影节奏）、配音（Gemini TTS 1.25×/edge-tts/Kokoro 离线/无）、流程（三方案确认 / 只问一次直接做）。

为了不写成软文，也要明确它不做什么（来自 SKILL 的 Not for 声明和 ROADMAP）：

• 不做用 Veo 这类视频模型生成素材（在 ROADMAP 里还"等确认预算再接"）；
• 不是 Premiere/剪映/AE 那样的剪辑器，也不是给一条已有视频加字幕的工具；
• 空镜目前还要人工看编号拼图挑选（自动打分挑选在待办里）；插入原片时旁白的停顿衔接还要手动安排；
• 抖音模式需要你自己登录创作者中心、维护工作目录（默认 ~/Desktop/video/vibe-video/）和运营手册——没有手册也能出片，只是跳过"读手册"和"数据写回"；
• 它是早期项目：仓库 2026-10-19 才建，到本文只有 49 Star、约两周历史，脚本和打法都还在快速迭代，复刻爆款也涉及平台规则与版权灰色地带，务必只用你有权使用的素材、遵守抖音条款。

七、适合谁

• 想做泛知识/科普短视频但不会动效和剪辑的开发者：你只要会写稿、会用 Claude Code，画面动效交给代码渲染；
• 追求批量稳定产能的知识号运营者：抖音模式把"选题→复刻→制作→发布→复盘"流水线化，但选题和钩子仍需你把关；
• 要给产品/游戏做演示视频的团队：素材打底模式能把实录和代码信息层结合；
• 做技术教育内容的人：Anatomy 的"机器讲概念"是把抽象原理讲明白的稀缺能力。

结语

charles-video-maker 最打动我的，不是 37 万播放这个数字，而是它背后的方法论：与其追求一句话抽卡式的"生成"，不如把视频制作拆成可规划、可核查、可复现的工程——先出方案、数字过事实核查、配音逐字对齐、响度达标、静止帧自检、发布后数据回流。 画面用代码一帧帧画出来，看似绕远，实则换来了确定性。

它把 xilo-opus-video、Anatomy、Lemo-Opuscar 这些散落的开源能力缝合成一条完整 SOP，又诚实告诉你"工具只保证质量下限，爆款仍靠选题"。如果你正在认真做（而不只是玩）AI 短视频，这条"代码画视频"的路线很值得花一个下午跑通。

项目地址：https://github.com/anneheartrecord/charles-video-maker ｜ 协议：MIT ｜ 数据基准：2026-11-03

本文基于仓库源码、SKILL.md、14 份 references 与 README 实跑信息撰写；播放数据为作者自述（截至 2026-11-02），请结合自身判断，合规使用素材与平台功能。