逐字稿文字預覽
这个频道做的是把几百年前的城市用AI一帧一帧的重建出来。1600年的伦敦长什么样,1700年的费城长什么样,频道达到500多万次的观看,变现至少在2万美金以上。很多人看到这个时长被炫退了,毕竟感觉每一张图都要一帧一帧的生成,还要写提示词。但这个是我用一个AI一键生成的几百个分镜,讲的是罗马的历史,每一个分镜都跟文案强相关,每张图质量都非常高。 大家可以看到 这个时间间隔 总共用了两个多小时 AI自动排队生成 还有自动生成的视频 方法我们等一下会说 我们先来看一小段 我用差不多10分钟左右 做出来的成片 这个视频的成片大概半个多小时 AI自动画跑了两个小时左右 具体的制作方法我们等一下也会说 如果你觉得做这种频道还是用语言壁垒 对于做英文频道打触 或者说对于做长视频打触 我们来看这个频道 做的是吉普利风格的怀旧动画 总共只发布了36个视频 但是已经得到了800万次的观看 就算是拿最低的2500美金每百万播放的RPM来算 也已经拿到了2万美金 视频全部都是90年代的乡村 雨季 火车 一家人在土造前面做饭 没有旁白 没对话 没有任何的语言壁垒 完全是宫崎骏风格的动画 只有音效和BGM 营造出来很祥和的感觉 如果你还是觉得做视频的压力太大 或者费用太高 我们来看第三个频道 做的是远古人类的故事 它的制作难度是三个里面最低的 它甚至连动画都没有 主体就是一张一张AI生成的图片在切 换句话说 连生视频的成本都不需要付 而这些图片成本在现在真的很低 这三个赛道的共同点就是 从素材到成片全部都可以用AI跑出来 不需要买素材出镜 更不需要拍摄 现在这期视频的主题呢 不仅仅是教你怎么做AI视频 更多的是怎么样学成 怎么样去提升效率 因为真正卡住大部分人的 并不是AI会不会用这件事 毕竟大家现在都知道 一句提示词就可以生成一张图 但是这种视频 不仅仅是要生图 还需要配音 生视频 剪辑一大堆 一堆工具切换下来非常的碎 你做一百个分镜 可能就要在这些工具之间切上百次 看到网上所谓的AI视频工作流 也一头雾水 所以今天这一视频的主要目的 是手把手的 带着大家从熟悉到熟练 掌握AI视频 以及自动化流程 一键就能够调用你所有需要的工具 并且能够变现 也包括如何做选题 选赛道 Hello大家好 我是安然 我这个频道是专门分享 普通人在这个AI时代 怎么搭建自己的一人公司 自己的商业模式的 如果你也想要抓住这一波红利 别忘了订阅我 按下旁边的小铃铛 点一个赞 这样你就不会错过 我们后续任何有价值的内容啦 今天一整套流程 我们全用一个PixWars平台跑完 编接我放在描述栏里的第一条 你可以把它理解成一个 把声图 声视频 配音 配乐 角色一致性 批量任务全部都能装进去的工作台 它自己有一个模型叫做Pixworth V6 也有SynDesk Minimax H3 可灵 Vivo这些模型都是在这里并排排着的 你并不需要为每一个模型单独的注册账号 单独充值在Pixworth 你可以根据自己想要的结果 随时选择不同的工具 可能你会说 这个看起来跟其他的AI工作台产品 没有什么太大区别呀 但实际上它最大的优势 一方面是效率 另外一方面是成本 做AI视频的最大卡点 某种意义上来说 并不是在于技术本身 你看这种比较精致的画面和转场 我们需要用Synthes H3来做 但一个视频少则是几分钟 长则几小时 其他大量画面如果都用这个模型 在成本上根本吃不消 网上有很多的博主教你怎么做AI视频 但是很少有人提到成本问题 你的提示词写的再酷炫 想要表达的东西再丰富 但如果AI视频无法变现 或者说前期的成本非常高 那条视频就要花好几百美金 那有什么意义呢 它的Pixos V6视频模型 我们完全可以跟Synthes和MiniMax H3搭配来做 尽管说效果不如Synthes 但又不是所有的画面都是大场面 完全够用了 而成本是Synthes的将近十分之一 我们先来说第一个赛道 历史类纪录片 这是我感觉天文版最高的一个 你看这个频道的名字 直接就叫Our历史 一看就是我们国人做出来的 这三个视频就干到了百万播放 这个频道做的是朝代讲解 它做的事情很简单 把历史上某个年代的样子 比如说这个视频只是唐朝 用AI一帧一帧的还原出来 配上舒缓的解说或者纯音乐 做成十几分钟甚至更长的视频 这个赛道所有的素材全部都是AI生成的 你不需要去买素材裤 安心版权 你要做1600年的伦敦 或者做明朝的讲解 那个年代的画面本来就没有任何影像资料 全世界谁也拿不出来真实素材 所以AI生成在这里不是替代笔 它就是唯一的方案 像开头展示的西方国家更可以做 比如这个频道就是 三个视频就干到了百万播放 讲的也是西方国家的历史 甚至说如果你对于国家历史不感兴趣 可以像这个账号一样 讲各种食物的历史 50多个视频就带来了300多万的播放 这类视频观众的停留时间天然就长 它不是只看15秒刷一下就走的 很多人是当做纪录片放着看的 停留时间长 意味着一条视频能够差更多的广告位 收益结构完全不一样 这类内容在算法眼里属于有信息增量的内容 我之前专门做过一期讲YouTube打击什么内容的视频 结论其实就一句话 YouTube打击的是重复性和垃圾内容 不是打击AI 只要你的内容里面有足够多的创意 有明显人类参与的判断 那该怎么赚钱还是怎么赚钱 我们下来说选题 无论你是想要做任何赛道 只要是你想要靠着流量赚钱 都可以打开你常用的AI 进键对话 粘贴下面这段提示词 这个选题提示词我已经调好了 你可以直接复制 第一条和第二条最重要 因为AI在历史题材上特别容易编 你不给他一个不确定就跳过的应约数 待会给你造出来一堆 根本没有任何史料支撑的城市年代组合 然后我们看到了这么多的选题 可能你觉得选的困难正范了 到底做哪一个 感觉每一个都挺好 而且AI说的有理有据 选题方法筛选 我给你一个特别简单的 你先选一个自己感兴趣的城市和年代 然后直接去YouTube搜这个组合的英文关键词 搜完之后 一定要选择这个筛选器 把上传的日期改成本月 如果最近一个月里面 有新账号靠着这个城市 跑出来了不错的播放 说明观众的兴趣还在 你可以进 如果一个月内 做这个选题的账号 数据都非常的惨 那要不然是太选了 要不然是头部已经把这个城市做透了 大家兴趣转移了 亦或者是 大家其实根本不感兴趣 反过来我们也可以去注意 如果一个月内 几乎没人做这个城市 但是同一个国家的其他城市在起量 那这个有可能就是一个空位 西方城市留下来的考据资料相对来说的多 17世纪的伦敦有全景版画 19世纪的巴黎有城市地图 20世纪初的纽约有大量的照片档案 如果你对于做西方的素材实在是不熟悉打触 那也可以像之前展示的那类账号一样 做中国的 也有很多的画和史料 这些东西你能查到 AI生成出来就有据可依 而不是瞎编 我在这里先选的是美国革命战争的讲述 因为那个时候的美国和今天几乎是两个国家 而且很容易唤起美国人的好奇心 吸引到美国的观众 我们现在开始用PixWords生成视频 先来说小白用法再来说进阶 很多小白做视频是一次就生成一条 這樣子做一條短視頻還行。如果做一條有200個分鏡的長視頻,一到第五個分鏡可能就開始亂了。哪個提示詞對應哪張圖,哪張是選中的,哪張是廢掉的。 参考图传到第几张了 Pixworks在这里 也有常规的单张生成的窗口 但对于我们的批量化作业 我更推荐的是 用Pixworks的无线画布 大部分是一个生成框 是一块把整个项目摊开的板子 写在无线画布上 你也可以一键调用所有的工具 它的最小的单位叫做节点 每个节点就是画布上的一张卡片 一段文字 一张参考图 一张结构画的分镜表 这些全部都是节点 你的提示词 图片 视频 都可以在这一张画布里面生成 你把节点之间连起来 前一个的输出就是后一个的输入 角色图连到分信图 分信图连到视频 一条线串下来 整个项目的结构是看得见的 你甚至可以从文案方面开始出 比如在这里 我让他给我写一个 讲述美国独立战争的英语口播文案 这样子生成完之后 我们就可以直接在无线画布上面操作 很快就生成好了 前面这里是全英文版 然后我们可以去用中文来对照着看 或者说如果你用其他的AI生成的文案 复制过来也可以 生存之后你可以选择让它自己生图 也可以让它直接帮你生成一个分镜表出来 直接给它提示词 让它以5秒或者10秒钟为一个间隙 生成分镜表 这个分镜表需要包含所有的分镜提示词 以及每一句每一个分镜里面需要的台词 因为这个分镜表太长 在网页里面不好展示 我直接下载下来给大家看这个更完整的Excel版本 你在无线画布里面的所有产出 也都是可以单独导出的 导出也是我们正常的格式 这个里面包含了文案原文 这一句话的中文翻译 以及做这张图片的提示词 所以接下来我们要做的事情 实际上就是让AI照着这个英文提示词 一张一张的生成出来 然后如果我们觉得哪里或者哪一张有问题的话 可以直接让AI来改 最右边这里是生成视频的提示词 也就是说 当我们生成一张图片之后 它怎么去转换成视频的格式 并且所有的都效跟文案的原文相符 我们可以看到一张分析表里面 包含整个这一篇的大概300个提示词 全都是AI一口气生成的 这个里面每一个分镜 包括中文翻译 全部都准备好了 这个工作量在人工时代是难以估计的 但是现在Pixwords花大概十几二十分钟就能做好了 那在一开始的时候 我们肯定是要做实验 看一看究竟我们想要什么样的风格 再让AI去批量化的生成 但是一开始的风格提示词 可能我们又不会写 所以在这里 你可以先输入一个简单的提示词 很短的话 1600年的伦敦街道 如果你就这个样子发给作徒的AI 说实话正常的AI 根本不知道你要什么光线 什么季节 什么视角 但是我发送以后 它会把这一句短句 过写成一段结构完整的描述 把主体 动作 环境 镜头 光线 风格 这几层全部都图上 然后如果你想就用这个题字词来生图 或者说你改了之后 你可以直接加一个节点 选择图片 你不需要任何复制粘贴 因为它已经有了上一步的结果 你可以直接生成 我们看到这个结果很快就生成出来了 如果你觉得满意 就在这里再加一个节点 让它来生成视频 我们看到在这里 它自动的就把这张图作为了手针 我的模型先选择Pixos V6 我们也可以在这里选择时间 玩法是非常多的 包括它也可以专门作为转场生成 大家也可以去探索一下 我们看到这个视频很快就生成出来了 而且在生成这个视频的期间 其实你也可以去干其他事 因为生成之后立马就会显示出来 这个是为什么无线画布 可以说无论是你是做短句还是慢句 都不可或缺的一个工具 然后我们来到关键的一步 很多AI视频看起来廉价 是因为它是一段一段拼出来的 每五秒钟硬切一次 观众的注意力每五秒钟被打断一次 而真正好看的历史纪录片 镜头是连着走的 一路推进去 观众跟着镜头在那个时代里面走 大家可以看 用同样一组图片 这个是我用五秒分镜来切出来的 Iran speaking peoples, including Medes and Persians, arived on the plateau in larger numbers during the second millennium BC. Iran eventually grew from an old expression for the realm of Iranian peoples. In this setting, the related word Aryan meant Iranian speaking communities. 而这个是我用手伟真来做的。 Iran speaking peoples, including Medes and Persians, arived on the plateau in larger numbers during the second millennium BC. 以安国为以安国人类的古代代表 在这种角度 同样的词词 你直观对比一下 同样的素材 右边就是有一种高级的感觉 在这里我用的是minimax H3的transaction模式 逻辑是给它一张开始的画面 一张结束的画面作为首尾帧 在无线画布上用节点来连接起来 模型选择minimax H3 我在这里直接选择15秒120P 再加上文字说明中间怎么变 它把中间的过程给补出来 让它输出一段完整的运镜 而不是硬切 这个运镜的提示词 也可以让AI来做 连接这两张图 让AI帮你优化提示词就可以 你也可以尝试同一个镜头 跑多个模型做对比 比如说Synthense 2.0 2.5 还有MiniMax H3 在长视频里面的表现是不一样的 你可以去做实验 看到底哪一个更适合你这个镜头 说实话不去试是不知道的 PixWars也可以一键调用Synthense 2.5和2.0 模型都非常全 在画布上 你可以从同一个节点拉出来两条线 接到两个模型 输入完全一致 同样的提示词 参考图 还有同样的手为针 然后把结果并排着放着笔 而且它会在你跑之前 告诉你这一次 大概销告多少额度 你可以先算一笔账 再决定要不要跑大批量 我的习惯是拿一个镜头 跑三个模型选出最合适的 剩下七八十个镜头 全部都用这个模型来跑 你可能会说 好那我知道怎么样去升视频了 但是就像你说的 所有镜头都用Synthes 是吃不消的 对没错的 所以说在这里 我们说一下怎么样能够省下来成本 其实对于YouTube来说 最最重要的是前面30秒的留存 我的建议是 开头可以全部用Synthense或者MiniMax H3来做 后面穿插着来就行了 其实后面大部分的信头 我们可以用Pixworth V6 自动生成就可以 尽管说它对于复杂场景的表现不如Synthense 但是价格是Synthense的至少七分之一 打折的时候能到十分之一 而且精度我试过 很多运镜也能胜任 尽管有时候会有小问题 但大部分时候完全够用 比如说一个视频300个分镜 我们其中60个镜头 可以用Sindance或者H3 已经有五分之一的比例了 而其余的我们全部都用PixWall 每五个镜头里面就有一个高级运镜 其实已经非常足够了 你在这个画布上 任何一个生成出来的东西 你可以选成标注 选用 废弃或者带复核 可以自动分区 项目一大 素材 脚本 角色 分镜 视频镜头 最终选片 都会各自待在各自的区域 不会堆成一坨 这个听起来是小事 但是做到第一百个分镜的时候 你就知道它有多重要 每一个生成出来的节点 也都记着它当时用的提示词 哪个模型 什么参数 也就
本次執行流程與問題處理
下達指令
預期流程
- 下載與語音辨識
- 來源選擇與品質檢查
- 文字校正與句子單元
- 筆記與發布
- 公開網頁發布
1. 下載與語音辨識
工具：videonote-transcribe-url（主辨識管線：下載、Whisper 辨識與選稿）
處理：下載音訊、以 Whisper 辨識並選出最佳逐字稿
產出：yt_dlp_meta.json（影片元資料）、audio_16k_mono.wav（16kHz 單聲道音訊）、transcript.whisper.json（Whisper 辨識結果）、transcript.json（正式逐字稿）、transcript_selection_report.json（來源選擇報告）
耗時：84.9 秒
關係：依序執行
結果：完成
2. 全文快速校讀
工具：videonote_rapid_transcript_review.py
處理：先速讀完整逐字稿，再修正高可信突兀詞句並列出待確認項目
產出：rapid_transcript_review_report.json（產出檔案）
耗時：55.8 秒
關係：依序執行
結果：完成
3. 建立句子單元
工具：videonote-build-sentence-units
處理：將逐字稿切成帶時間軸的句子單元
產出：sentence_units.json（句子單元）
耗時：0.8 秒
關係：依序執行
結果：完成
4. 句子密度平衡
工具：videonote_balance_sentence_units.py
處理：平衡句子長度與密度
產出：sentence_units.json（句子單元）
耗時：0.9 秒
關係：依序執行
結果：完成
5. 時間軸稽核
工具：videonote_timeline_audit.py
處理：檢查時間軸與音訊對齊
產出：timeline_audit_report.json（時間軸稽核）
耗時：0.9 秒
關係：依序執行
結果：完成
6. 品質檢查
工具：videonote_controlled_quality.py（檢查時間軸與品質）
處理：檢查語言、時間軸與可讀性品質
產出：controlled_quality_report.json（品質報告）、language_sanity_report.json（語言檢查）
耗時：0.9 秒
關係：依序執行
結果：完成
7. 播放時間軸回填
工具：videonote_rebase_display_timeline.py
處理：將網頁播放時間軸回填為校正字幕時間
產出：display_timeline_rebase_report.json（時間軸回填報告）
耗時：1.0 秒
關係：依序執行
結果：完成
8. 逐字稿交叉檢查
工具：videonote_cross_check_transcript.py
處理：交叉檢查逐字稿與來源字幕
產出：transcript_crosscheck_report.json（交叉檢查）
耗時：1.0 秒
關係：依序執行
結果：完成
9. 來源句整理
工具：videonote_prepare_source_entries.py
處理：整理來源句子供時間軸與頁面使用
產出：sentence_units.json（句子單元）
耗時：0.0 秒
關係：依序執行
結果：完成
10. 生成筆記摘要
工具：videonote-generate-note（生成筆記摘要）
處理：生成筆記摘要與重點
產出：note.md（筆記 Markdown）、note.html（筆記 HTML）
耗時：162.1 秒
關係：依序執行
結果：完成
11. 建立筆記頁面
工具：videonote-render-html（產生筆記 HTML）
處理：產生可閱讀的筆記 HTML 頁面
產出：note.html（筆記 HTML）
耗時：0.2 秒
關係：依序執行
結果：完成
12. 發布公開頁面
工具：videonote-publish（發布公開頁面）
處理：發布到公開網站與每日列表
產出：公開筆記網址、result.json（管線結果）
耗時：0.3 秒
關係：依序執行
結果：完成
手動來源字幕
- 尚未產生
自動來源字幕
Whisper 字幕
Qwen 字幕
- 尚未產生
Parakeet 字幕
- 尚未產生
MOSS 字幕
- 尚未產生
聲學時間證據（PyAnnote / WhisperX）
- 尚未產生
校正前後逐字稿
- 校正前 transcript.whisper.json 純文字 JSON
- 校正後 transcript.json 純文字 JSON
目前待解決問題與初步改善方向
- 逐字稿全文快速校讀未完成
已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。；RAPID_REVIEW_STATUS=REVIEW_REQUIRED_INVALID_OUTPUT
- Qwen3-ASR 未完成，需確認 qwen_asr_lab 環境與音訊後重試精進模式。