今天講一個我自己每天都在用的東西，視頻號粉絲做到 6000，每天我只手動干一件事：發布

880c0206e68697eb76d0c24d8b168c4d.jpg 起因

做視頻號之前算過一筆賬，一條 5 分鐘的口播視頻，寫稿、錄音、剪輯、加字幕、加 BGM，最快 2 小時。一周三條，光是視頻就得吞掉 6 小時

太重了，做不下去

后來我換了個思路：公眾號文章已經在寫，能不能讓 Coding Agent 把文章直接變成視頻？

折騰了幾周，把整條鏈路全打通。現在每天早上寫完公眾號，對 Agent 說一句"文章轉視頻 + 路徑"，喝杯茶回來 MP4 已經躺在那里，我只需要點"發布"

一句話生成視頻，里面到底發生了什么

7 個 Agent Skills 串成一條流水線，互相調度，全程無人值守

你的文章（Markdown）
        │
        ▼
┌─────────────────────────────────┐
│ 口播稿改寫              │
│  把書面語改成口語，去掉代碼塊， │
│  調整節奏，加開場白和結束語     │
│  內部還會調用一個標題生成器     │
└─────────────────────────────────┘
        │
        ▼
┌─────────────────────────────────┐
│ 豆包 TTS 配音           │
│  調用 seed-icl-2.0 模型 +       │
│  你自己克隆的音色 → 輸出 MP3    │
│  整條視頻用你自己的聲音         │
└─────────────────────────────────┘
        │
        ▼
┌─────────────────────────────────┐
│ 火山 ASR 時間戳對齊     │
│  把 MP3 喂給 volc.seedasr.auc， │
│  返回每個字的出現時刻（毫秒級） │
└─────────────────────────────────┘
        │
        ▼
┌─────────────────────────────────┐
│ Remotion 渲染豎版視頻   │
│  Node.js + Remotion +           │
│  思源宋體，文字逐字出現，       │
│  9:16 豎版，干凈利落            │
└─────────────────────────────────┘
        │
        ▼
┌─────────────────────────────────┐
│ BGM 混音                │
│  ffmpeg 把人聲和 BGM 按比例混合 │
│  人聲 1.0、BGM 0.15 → 成品 MP4  │
└─────────────────────────────────┘
        │
        ▼
   你只做這一步：發布

5 個 Skill，1 個標題生成器，1 個主編排 Skill，加起來 7 個文件，整條鏈路自動跑通

實測數據

• 1500 字公眾號文章 → 2-3 分鐘豎版視頻

• 渲染耗時（Apple M2/M3 本地）：8-12 分鐘

• 每條視頻 API 成本：約 0.1 元（TTS + ASR）

• 字幕和聲音的同步精度：肉眼無錯位

• 聲音是你自己的克隆音色，不是機器音

下載到的是一個 zip 包，約 31 MB（思源宋體字體已經塞在里面，不用再單獨下）

article-to-video-skills-share.zip
├── README.md                       入口導航
├── INSTALL.md                      給 Coding Agent 看的安裝指引
├── PROMPT-FOR-AGENT.md             開箱即用的安裝提示詞，復制粘貼給 Agent
├── SETUP-FOR-HUMAN.md              給你看的 API 申請清單 + 費用估算
├── requirements.txt                Python 依賴清單
└── skills/
    ├── 1-article-to-video/         主編排 Skill，觸發詞："文章轉視頻"
    │   ├── SKILL.md
    │   └── scripts/
    ├── 1-video-script-converter/   口播稿改寫
    │   ├── SKILL.md
    │   ├── scripts/
    │   ├── references/
    │   └── assets/
    ├── 1-title_generator/          標題生成
    │   └── SKILL.md
    ├── 1-doubao-tts-voice-clone/   豆包 TTS + 音色克隆
    │   ├── SKILL.md
    │   ├── tts_voice_clone.py
    │   └── test_tts_voice_clone.py
    ├── 1-audio-to-video/           火山 ASR 時間戳
    │   ├── SKILL.md
    │   ├── scripts/
    │   └── assets/
    ├── 1-remotion-audio-to-video/  Remotion 渲染（含字體）
    │   ├── SKILL.md
    │   ├── scripts/
    │   └── assets/
    │       └── SourceHanSerifSC-VF.ttf   57MB，已內嵌
    └── 1-video-bgm-mixer/          ffmpeg BGM 混音
        ├── SKILL.md
        └── scripts/

所有代碼都做了脫敏處理，我的 API Key、音色 ID、品牌名、工作區路徑全部替換成占位符（${YOUR_VOICE_ID}、${YOUR_BRAND_NAME}、${WORKSPACE_ROOT}這種形式），安裝時由 Agent 引導你填上自己的值

安裝流程

1. 解壓 zip 包

2. 把PROMPT-FOR-AGENT.md里那段提示詞整段復制，粘給你的 Coding Agent

3. Agent 會問你：工作區在哪、API Key 是多少、音色 ID 填什么、品牌名叫什么

4. Agent 自動幫你復制 skill 目錄、替換占位符、裝 Python 依賴、裝 npm 依賴、把字體復制到系統目錄

5. 裝完后對 Agent 說"文章轉視頻"，能跑通就是 OK

整個過程 15-30 分鐘，絕大部分時間在等npm install

適合誰

• 已經在寫公眾號或博客，想低成本同步做視頻號

• 有 Coding Agent 基礎，知道 Claude Code 或 Cursor 怎么用

• 想用自己的聲音做視頻，不想露臉

• 不想每條視頻耗 2 小時

• 完全沒接觸過 Coding Agent，需要先去看入門教程

• 想做真人出鏡或剪輯花哨的視頻，這套是固定豎版字幕口播風格

• 不愿意配置 API Key（這套依賴火山引擎，繞不開）

500 元，一次買斷

包含：

• 完整的 31MB zip 包（7 個 Skill + 4 份文檔 + 字體 + Python 依賴清單）

• 一對一安裝答疑（48 小時內響應，把錯誤信息發我，大概率是路徑或 Key 配置問題）

加我微信備注"視頻技能包"

總結

這套東西的價值，不在于"AI 生成視頻"這個功能本身，市面上工具一抓一大把

它的價值在于：和你已經在做的事（寫公眾號）無縫銜接，復用你的聲音、你的文風、你的更新節奏，把視頻號的更新成本壓到接近于零

你寫完文章，剩下的事 Agent 全包了，你只需要做最后一件事：發布