AI 全自动生成图书号短视频
昨天用 Codex + HyperFrames 跑通了一条图书号短视频，收获了很多朋友的喜欢，有朋友咨询我怎么搞的，今天就写个详细的流程拆解。
核心是在 @369Serena 老师流程的基础上，做了部分改造，然后把这套流程整理成了一个可复用的 Skill。以后我只需要给一本书名，或者让它推荐一本书，就可以按这套流程继续做下一条视频。
中间我只保留两个确认点：文案确认一次，图片确认一次。剩下的配音、字幕、BGM、视频合成和预览，尽量都交给 AI 自动完成。
下面把我的实际流程拆一下，也把关键节点用到的开源项目和参数放出来。
1. 准备工具
这条链路里，生成视频我实际用到的是 HyperFrames，它的好处是可以用 HTML / CSS / JS 做视频合成。对 AI Agent 来说，这比传统剪辑工程更容易操作：背景图、字幕、书名作者、音频轨道、转场，都可以直接写在代码里。
这次实际用到的工具和开源项目主要有：
1、HyperFrames
用来做视频合成、预览和最终渲染。
2、微信读书 Skill
用来查书籍信息、热门划线、书评和读者反馈。
3、VoxCPM
用来做本地语音生成，无需调任何API。
https://github.com/OpenBMB/VoxCPM
4、faster-whisper
用最终音频转写，拿真实字幕时间轴（音画同步的关键，严格来说是字幕）。
https://github.com/SYSTRAN/faster-whisper
5、FFmpeg
用来做声音后期、BGM ducking、音频裁剪和格式转换。
https://github.com/FFmpeg/FFmpeg
BGM ducking(背景音乐闪避/回避)是音频处理里的一个术语。
指的是:当有更重要的声音出现时,自动把背景音乐(BGM)的音量压低
6、yt-dlp
处理公开视频和音频素材时会用到。
https://github.com/yt-dlp/yt-dlp
2. 整体流程
我的图书号视频流程现在大概是这样：
- 给一本书名，或者让 AI 推荐一本书
- 用微信读书 Skill 查资料
- 生成 30 秒左右的中文旁白
- 我确认文案
- 拆字幕句子和画面段落
- 生成 3-4 张统一风格背景图
- 我确认图片
- 生成完整旁白音频（VoxCPM）
- 用最终音频转写并对齐字幕（faster-whisper）
- 加 BGM，并做自动 ducking
- 用 HyperFrames 生成预览
- 确认后渲染 MP4
3. 资料收集：先把书理解清楚
图书号视频最怕空泛。如果只让 AI 直接写“推荐一本书”，很容易变成没有信息密度的鸡汤。
所以要先做资料收集。这一步推荐用微信读书 Skill，先查：
- 书籍基本信息
- 作者信息
- 热门划线
- 公开书评
- 读者常见反馈
微信读书 Skill 配置如图：
按照提示安装skill并配置API key即可。
这一步不是为了把资料全部塞进视频，而是为了找到一个适合 30 秒短视频的切口。比如《纳瓦尔宝典》，可以讲财富，也可以讲判断力，也可以讲自由。但一条 30 秒视频不可能讲完整本书，所以会让 Codex 选一个最适合传播的角度，再开始写旁白。
4. 先写旁白，不急着做画面
先生成旁白，不急着做图，也别急着配音。
原因很简单：文案是整条视频的骨架。文案方向错了，后面声音再好、画面再漂亮，也只是在补救。
旁白要求是 30 秒左右，中文自然口播，不要像书评摘要，也不要有明显 AI 腔。比如少用“不是……而是……”，少用强行排比，不要一上来就说“这本书告诉我们”。
这一步生成后，codex会让我确认旁白稿、预计时长、传播角度和资料来源摘要。确认文案后，再进入图片和音频环节。
5. 生成 3-4 张统一风格背景图
图书号视频不需要每秒都换画面。所以更倾向于 30 秒视频用 3-4 张图，每张图对应一个旁白段落，切换点卡在断句处。
这里要敲个重点，一定要提示 Codex，不要把文字做进图片里。
尤其是中文，AI 生成图片时很容易自己就把书名、作者、字幕画进去，然后出错。所以我的做法是：明确图片只负责氛围，书名、作者、字幕都放到 HyperFrames 里，用 HTML / CSS 叠加。
同一条视频里，3-4 张图的色调、镜头语言和光线质感要一致。图片出来后，会再发我确认一次，确认后才继续做音频和合成。
6. 生成旁白音频
旁白音频这一步，我用的是本地 VoxCPM，相信各位也听到了，效果真的非常好极力推荐！
我用的是可控声音克隆模式：上传一段自己的参考音频，模型克隆音色，同时可以使用控制指令调节语速、情绪或风格。
这里有个坑和大家分享：尽量一次性生成完整旁白，不要一句一句生成后再拼接。分段生成很容易出现音色、情绪和节奏不一致的问题。
我目前比较稳定的参数是：
如果只是快速测试，可以先用：
正式版本我更倾向于 inference-timesteps=10。
inference-timesteps 可以理解为生成过程里的推理步数，步数更高通常更稳定，但生成速度会慢一点。
cfg-value 会影响模型对条件的跟随强度，我现在用 2.0，主要是为了在自然感和稳定性之间取平衡。
7. 声音后期和 BGM
原始旁白直接放进视频里，通常还不够像短视频口播，所以会用 FFmpeg 做一层轻后期。
当前参数是：
简单说，highpass=f=70 用来去掉低频浑浊感，lowpass=f=13500 避免声音太刺，acompressor 让旁白更稳，aecho 加一点点空间感，loudnorm=I=-16:TP=-1.5:LRA=8 把响度处理到更适合短视频播放的水平。
BGM 不是简单铺一层音乐，因为它很容易和旁白打架。用 FFmpeg 的 sidechaincompress 做 ducking：旁白说话时，BGM 自动压低；旁白停顿时，BGM 稍微回来。
参数方向是：
如果 BGM 前奏太长，可以直接从中间开始截，比如：
短视频只有 30 秒左右，前奏太长会拖节奏，直接从情绪进入点开始更合适。
8. 字幕对齐
字幕对齐很关键。很多视频看起来粗糙，不是因为画面不好，而是字幕和声音错位。
我的处理方式是：最终旁白音频生成后，再跑 faster-whisper。参数是：
这里有个细节：只用 faster-whisper 的时间点，不完全使用它识别出来的文字。因为书名、人名、专有名词很容易被识别错。
所以我的规则是：时间用 faster-whisper，文本用已经确认过的最终旁白。这样字幕既能对齐声音，又不会被识别错误带偏。切图点也根据最终字幕断句来定，而不是平均切。
9. HyperFrames 预览和导出
最后进入视频合成。
注意要先开预览，不直接渲染。因为调视频时，经常只是改一点点：字幕上移一点、字体粗一点、BGM 大一点、图片切换慢一点。如果每次都导出 MP4，效率太低。
导出前要让codex跑检查
主要检查有没有报错、布局有没有溢出、字幕有没有遮挡、文本对比度够不够、音频轨道有没有接上。确认没问题后，再渲染 MP4。
10. 总结
把这篇流程给 Codex，再结合自己的素材和审美调两轮，基本就能跑出一条可用的图书号视频。
等链路真正跑顺之后，文案和图片确认也可以省略，变成每天自动跑几条候选视频。最后人只负责挑选、微调和发布。
这也是我觉得 AI 做自媒体最有意思的地方：不是只生成一次内容，而是把一个内容品类，做成一条可以持续复用的生产流程。快去试试