12 种画风换着发:45 秒讲解片 78 秒渲完,不用买视频模型

12 种画风换着发:45 秒讲解片 78 秒渲完,不用买视频模型

做过讲解视频的人都知道,真正磨人的不是想讲什么,是把「讲」和「画」对上——也就是把声音、字幕、画面卡在同一时刻(行内叫「对齐」)。具体是三件事:一句话说完要出几个字、每个字落在第几秒;哪个词该弹出关键词;哪一秒出现什么、什么时候消失。行内管后两件叫「编排」,也就是画面内容的安排。这些活在剪辑软件里没有一件是能批量做的。

更别提改稿:稿子改一句,配音重来一遍,字幕时间轴整条作废,画面又得重新对。

岚叔(cclank)的 lanshu-create-ai-presenter-video 想接走的就是这一段。它不是一个能双击打开的软件,而是一个 Agent Skill(给编码 agent 看的一份说明书,加一堆它能直接跑的脚本):你把一段口播稿(要念出来的那段文字)交给它,它依次做配音、数字人(用一张真人照片合成会说话的视频,可选)或纯画面演绎、逐字时间戳(每个字在音频里第几秒,字幕和画面靠它对齐)、关键词动效、剪辑、渲染。我在 4 核 8G、没有显卡的机器上把它跑了一遍:45 秒的片子,建工程 15 秒,低清审片版 78 秒渲完,交付版 117 秒。它替你对齐的,正是最难对齐的那一段。

一、它替你把哪一步手工活接走了

先说结论:它省掉的不是「做视频」这件事,是「对齐字幕和画面」这一步。

原理只讲一个点,但它决定了这个项目的全部气质:整条片子的时间轴,是从配音算出来的。它让配音引擎在念每一句时同时返回逐字时间戳,字幕、每句的画面时长、关键词什么时候弹出,全都从这一个时间源推算。所以你不会遇到「字幕比声音快半句」,因为压根没有两条独立的轨道要对。

更实在的是改稿。它的配音按行缓存,缓存键由模型、音色、语速和这句话的文字一起算出来——它的配音脚本原话是「改一行,只重配那一行」。一条五分钟的片子改三个字,重配的是那三行,不是整条。

它还把一件通常没人管的事做成了硬流程。项目定义了 8 个生产状态:接入、稿子锁定、音频锁定、画面计划锁定、数字人生成、合成检查、已渲染、已验收。

这 8 个状态不用你脑子里记,由磁盘上的产物算出来——跑一条状态检查命令就告诉你现在到底到哪一步。你就算手工把配置里的状态改成「已验收」,它也不认,还会把状态退回去。它自己的测试里有三处专门验这件事。

第二条路线值得单独说。它有两条路:

  • 数字人口播:出来的是一个数字人在讲,字幕和关键词动效辅助。你要给一句话题或一份讲稿,再加一张有授权的真人照片;配音和数字人视频两项都按 provider 计费,要花钱;默认竖屏 9:16。
  • 无真人演绎:讲稿逐句在画面上「演」出来,12 种风格任选。只要一份讲稿;只花配音的钱,用自己录的音一分不花;横屏 16:9。

如果你不想花钱、也不方便出镜,走第二条:不用真人照片、不用买任何模型额度,把稿子交给它,它在 12 种画风里挑一种把这句讲稿「演」出来。这也是我这次实测走的路。

12 种风格不逐个列,挑三个说,因为它们不是套模板,是替你想了一步:手帐风是真的一笔一笔在格纸上写字,落笔跟着念到的词走;黑板报会边写边擦,写完一屏擦掉再写,跟真人讲课的节奏一样;黏土小城把每个比喻做成一栋房子,还在旁边贴真实术语的标签。

九种画风之外还有三种讲法(推演/动态图解、案卷式复盘、小剧场生活场景),选的是「这段内容该怎么讲」,不只是「长什么样」。

一句话概括它替你换掉的东西:

没有它的时候 用了之后 代价
在剪辑软件里一句句对字幕、对画面 配音、字幕、画面时长同源,一次算完 要先接受它给的画面编排,再在每部片子自己的画面编排文件里改
改一句稿,配音和字幕全部重来 按行缓存,只重配改动的那几行 没配好音之前,这条好处你享受不到
说不清「到底做完了没」 8 个状态由产物算,缺证据自动退回 要多跑一条命令
一次只能出一种画面 同一份讲稿换 12 种风格重渲 每种风格要单独审一遍画面

二、怎么用起来

最小一条路是四步,全部是命令,不用打开任何图形界面。耗时是我在 4 核 8G、没有独立显卡的机器上实测的。

第一步,把仓库 clone 到你的技能目录或者任意工作目录。327 个文件、4.5M,十几秒就下完。

第二步,建一个任务。风格名字写错时它不会猜,会直接退出并把 12 个合法名字列给你:

python3 scripts/init_job.py --job-dir <一个空目录> \
  --route styled --explainer-style v3-notebook --topic 你的题目

第三步,预检。一秒内,检查输入、授权项、路径能不能搬走:

python3 scripts/preflight.py <job.json>

第四步,出片。先建工程,再渲:

bash explainer/tools/new_film.sh v3-notebook kv-cache <工程目录>

渲片时加一个开关就是 720p 的低清审片版,去掉它则是 1080p 的交付版:

DRAFT=1 bash explainer/tools/render.sh <工程目录> demo <工程目录>/outputs

我实测的耗时:建工程 15.5 秒,低清审片版 78 秒渲完,交付版 117 秒渲完。

第三步和第四步之间,理论上还夹着一步:给讲稿配音。这就是花钱的地方——它的配音脚本调 MiniMax 的语音合成,一句一次调用。这一步我没跑,原因下面讲,但它不影响你判断流程:仓库自带了一支现成的示例讲稿(讲大模型的缓存怎么省算力)和它的 12 个风格示例工程,所以第四步不需要任何密钥就能看到成品。

再往下走之前,先看清第四步到底做了什么。建工程那一步会:把风格模板复制成工程 → 把核心运行时、这款风格、这支讲稿同步进工程 → 按讲稿时长给页面打时间戳 → 给文字切字体子集 → 生成音效床 → 跑一遍画面检查。我那次跑完的输出末几行是「36/36 文字检查通过」和「检查通过」——连文字和背景的对比度都给你查了(用的是网页无障碍里的 AA 级对比度标准)。

画面本身是用 HyperFrames 渲的,那是 HeyGen 开源的、用网页逐帧拍成视频的工具,这个项目的所有画面就靠它拍成 MP4。它通过 npx 调用(npx 是 node 自带的「临时下载并运行一个包」的命令),所以你机器上要有 JavaScript 的运行环境。第一次渲片会下 chrome-headless-shell,要联网;下完以后断网也能渲。

三、我实测到的,和你需要注意的坑

先给一条我最看重、也最容易被别家评测糊弄过去的证据:这个项目「自己说多少,目录里就有多少」。

README 说 12 种讲解风格,目录下正好 12 个风格目录;同一支讲稿的示例工程也正好 12 个,一支片子 12 种演法。技能说明书里引用 4 篇参考文档,参考文档目录下正好 4 篇。README 有一张工具表,我拿它和工具目录逐一对过:12 个工具里表里覆盖 11 个,唯一没进表的是一个九宫格对比片生成器,它自己在文件头写明了用途。一处不缺、一处不多。

体量:327 个文件、4.5M;7184 行 Python(46 个文件)、11839 行 JavaScript(32 个文件)、5380 行 Markdown(72 个文件)。这个比例有点意思——文档和代码差不多同量级。

第二组证据是它自己带的测试。两条都是离线的,不碰渲染、不花钱:

测试 内容 我实测
状态机那条 7 项:建任务不覆盖、预检卡住未复核、状态机拒绝无证据的声明、分段切在停顿处、状态逐级推进、交付前先验收、走到已验收 7 项全过,6.5 秒
讲稿那条 把 12 个风格的模板逐个同步、打时间戳、校验,再验状态机能区分「草稿版讲稿」和「演过的成片」 全过,3.6 秒

两条加起来十秒。这条和站内上一篇对比很明显:那篇是 we-video 实测,一条 npm test 跑不完整。你的判断标准可以很简单:clone 下来先跑这两条,十秒内全过,说明这仓库是能自己验证自己的。

它自带哪些工具、哪些参考文档,我列在下面,正文里不展开:

explainer/tools/   (12 个)
  story.py        讲稿 → 逐句配音 + 逐字时间戳 → 一份时间轴数据
                  --audio 用你自己的录音 / --dry 出无配音草稿 / --check 只估时长
  new_film.sh     从一个风格模板建一条可播放的片子
  new_topic.sh    一次建九种画风的草稿
  docs.py         从时间轴数据生成文稿、分镜表、时间线、故事板表格
  qa.py           画面检查、每章截图、静帧对比、封面帧
  render.sh       渲片 + 交付验收 + 出字幕(DRAFT=1 出 720p 审片版)
  srt.py          字幕文件
  still_grid.py   3×3 风格对比图
  fonts.py        字体子集
  sync.sh         工程同步
  stamp.py        时间戳
  grid.py         九种风格同一条音轨的九宫格对比片(唯一没进 README 工具表的一个)

references/   (4 篇参考文档)
  editing.md            剪辑节奏
  generation.md         生成环节
  qa-recovery.md        出问题怎么救 —— 真撞上坑先翻这篇
  styled-explainer.md   无真人路线

第三组是真渲出来的数字:

项目 实测
建工程 15.5 秒,末尾打出 36 项文字检查全过 + 检查通过
低清审片版 渲片 1 分 17.7 秒(整条命令含收尾 1 分 23 秒),45.0 秒 / 1280×720 / 1.4 MB
交付版 渲片 1 分 56.6 秒跑完 1350 帧,45.0 秒 / 1920×1080,32.1 MB
交付报告 状态已验收、响度通过、完整解码通过、黑帧 0、冻帧 0、时长 45.1 秒
字幕 自动出 16 条字幕

现在说坑。下面每一条都是我自己撞上的,每条后面跟一句你该怎么绕。

坑一:它会缺依赖,但只提示不装。建工程脚本开头会检查五样东西:Python 要能 import numpy,命令要有 node、npx、ffmpeg、rsync。缺一样直接退出并打印「需要先安装 xxx」。我的机器上就缺 rsync,一装好就过。

所以你该怎么做:先把缺的装上,Python 用带 numpy 的那个解释器并显式告诉它:

apt install rsync          # 或 brew install rsync
PYTHON=/path/to/python-with-numpy bash explainer/tools/new_film.sh ...

坑二:没有 node 时,那句「12 种风格语法全过」是假的。这是我最想说的一条。它的讲稿测试里那段语法检查是这样的:先判断 node 在不在,不在就整段跳过;跳过之后脚本照样打印「全部通过」。我把它放进一个只有系统目录的搜索路径里跑了一遍,node 不在,输出依旧是「全部通过」——36 次语法检查一次都没跑。这不是项目骗人,是它自己也不知道你缺 node。

所以你该怎么做:跑之前显式补上 node 所在的目录,确认能找到再信「全过」:

export PATH=/usr/local/bin:/usr/bin:/bin
command -v node && bash tests/explainer_smoke.sh

如果你在沙箱或 CI(也就是持续集成那类自动跑测试的环境)里跑,这条必踩。

坑三:交付闸门默认 -16 LUFS,只有音效没有口播时会卡住。这一条我要把归因说清楚,别冤枉它。

LUFS(也就是衡量整体响度的单位)视频平台一般要求 -14 左右;真峰值是「音频瞬间会不会爆表」的那个数,要留余量。它的交付验收默认目标 -16 LUFS ±0.5、真峰值不高于 -1.0 分贝,超过就不许交付。我三组实测:

目标响度 结果
默认(-16) 失败:-15.94,真峰值 -0.75
改成 -20 失败,这次卡在分享版:-20.00,真峰值 -0.41
改成 -23 通过,写出交付报告

为什么?因为我没有配音密钥,这条片子从头到尾只有音效床在响。仓库自带的讲稿没有配好的音,它就自动用 40.3 秒静音顶上;我量了那份音频,整体响度是负无穷——真的一路静音。

整片源码响度只有 -43.15 LUFS,硬抬到 -16 要加约 27 分贝,音效的瞬间峰值必然顶破 -1.0。所以卡的是真峰值那一档,不是响度本身——-15.94 离 -16 只差 0.06。

这不是项目 bug,但它说明这个闸门对「只有音效、没有口播」的片子不友好。项目自己给的出路也是这条:用新版的配音脚本重新生成配音(它会做响度归一)再渲。所以你该怎么做:先配好音再指望一次过;实在只有音效,用环境变量覆盖目标,别手工改验收脚本。

PROGRAM_LUFS=-23 bash explainer/tools/render.sh <工程目录> demo <工程目录>/outputs

坑四:两个输入校验会直接崩,Issue 报了一个多月没人修。

  • 给建任务脚本传一个已经存在的普通文件当任务目录,它不是给你一句人话的报错,而是抛 Python 异常:不是目录。
  • 手工把任务配置里的支撑素材字段写成 null(而不是删掉这个键),预检脚本会抛「空值不可迭代」。有意思的是删掉这个键反而没事——它会兜一个空列表。

这两条对应 Issue #1,2026-08-26 报的,作者至今没合。所以你该怎么做:任务目录保证给一个不存在或空的;支撑素材要空就删掉那个键,别写成 null。

python3 scripts/init_job.py --job-dir ./job-1 --route styled \
  --explainer-style v3-notebook --topic 你的题目

坑五:首次渲片要联网。第一次它会去下 chrome-headless-shell,断网环境里你会看到一行「域名解析临时失败」。所以你该怎么做:先联网把浏览器准备好,之后再断网。

PKG=hyperframes; VER=0.8.81
npx --yes "$PKG@$VER" browser ensure

坑六:活跃度不高,踩坑基本得自己兜底。GitHub 上 3059 星、460 个 fork、MIT 许可。但:17 个提交(作者两个账号 13 个、外部贡献者 4 个)、1 个标签、1 个正式版(v1.0.0,10 月 11 日)、最后推送是 10 月 11 日——到今天 39 天。

4 个 PR 里 2 个已经合并(都是 Windows 兼容),2 个还开着;issue 只有 2 个,全都没关。自动检查跑了 16 次,主干和 v1.0.0 都是绿的,最近一次(11 月 18 日,来自外部 PR 分支)停在等待人工批准那一步。

所以你该怎么做:把它当「能用但没人接单」的仓库——锁住你现在跑通的版本,遇到问题先翻它自带的排障文档,别指望作者回。

顺便说清几条我没法核的:

  • 真配音我没跑。我没有 MiniMax 的密钥,配音脚本在没有密钥、也没加「只出草稿」参数时直接退出。所以「改一句只重配那句」这条好处,我是从源码里的缓存键设计读出来的,没有实际跑一次改稿来验证。配音要花多少钱,我一分钱没花,也不估。
  • 数字人那条路我没跑。它要真人授权照片、配音、数字人三样,后两样都要花钱开 provider 账号。我只能说清它需要什么,不能说它效果如何。
  • 还有一条是我沙箱的锅,不是它的缺点:这台机器没有显卡,渲片走的是软件截图采集,日志里那句「BeginFrame 没跑起来」就是在说这个。有显卡的机器会快不少,我给的耗时是纯软件渲染的数字。

四、什么情况下值得用,什么情况下别碰

值得用 别用
知识、观点类讲解视频,一份稿子要反复改画面 要实拍、要真人出镜实拍素材
同一份稿子要出多版画面(12 种风格换着发) 要日内出成品、不想配环境
想让「做完了没」有个能跑的结论,而不是靠感觉 需要团队协作、要版本线和发布记录
不想订阅视频模型,能接受只付配音的钱 不愿意为配音开账号,也懒得自己录

放回站内已经评过的坐标系里,你该选哪个很清楚:

  • 要一句话进去、一条片子出来、不太挑画面,选 anything2explainer 那一类:8 个 Agent 并行 40 分钟出一条片,省的是编排,代价是画面由模型决定。
  • 要画面完全可控、同一份稿子能出 12 种风格、不订阅,选它:代价是画面得靠它的风格模板,而且每个风格要单独审画面。
  • 要用代码画电影级镜头、追求视觉冲击,看 cinecode 那篇:2665 星、35 个脚本零依赖,走的是另一条路。

我的建议很具体:如果你手上已经有一批要反复讲的内容(技术科普、产品原理、行业复盘),先 clone 下来跑那两条离线测试——十秒内全过,说明这仓库在你这台机器上是自洽的。

然后按第二节四步走一遍,用仓库自带的示例讲稿出一支 45 秒的低清片,一分钱不花。看完那支片子,你就知道自己要不要为它去配音、买不买数字人。

最后说一句实话:它不是「一键出片」的工具,第一支片子你会发现模板里全是占位画面,得自己在每部片子那张画面编排表里写「这一句该怎么演」。它真正硬的地方不在画面有多好看,在它把「做完了」变成了一条能跑出结论的命令——8 个状态全靠磁盘上的产物算,缺证据就往回退,交付前必须过完整解码、响度、黑帧冻帧三项检查。这件事你自己手搓一遍,就知道值不值。

关注 AI商业快讯,每天一篇 AI 热点深度解读。