animated-voiceover 能自动 90%，最贵的是最后 10%

一个刚开源的仓库，把两分钟动画科普视频拆成了八个 15 秒片段。

每段旁白尽量压到 60 个汉字，一般安排 5 个镜头。先把第一段单独做出来，确认声音和画风，再从成片里剥离 48kHz 双声道 WAV，后面的片段全拿它当音色锚点。画面生成可以并行，质检却要一段一段过。

好家伙，乍看像在拍动画，仔细看全是流水线工程。

这套东西叫 animated-voiceover，作者把它做成了可以交给 Codex 或 Claude Code 执行的开源 Skill。作者在公开发布帖里说，整条流程能做到约 90% 自动化，但选题、风格和关键审批仍然得由人来定。

圈里很快有人用它做了一支 DeepSeek V4-Flash 的动画科普视频。公开演示给出的估算是，两分钟成片大约花 40 元，一个人用一个下午走完选题到成片。这个数字只是一次公开演示，不是固定报价，但它足够把悬念勾出来。

官方仓库的成片截图，画风、人物材质与字幕已经接近完整内容产品，而不是单张概念图。

这是不是又一套万能提示词，换个主题就能自动吐出大片？

不是。

我翻完仓库里的完整工作流，反而觉得它最值得抄的地方，跟视频模型能画得多漂亮没太大关系。它真正做对的，是把一个模糊的创作任务拆成了一串有输入、有产物、有验收条件、失败后知道退回哪一步的工程节点。

90% 自动化听着很猛，最后那 10% 才是整条线里最贵的部分。

它没有让 Agent 更聪明，只是让状态不再丢

很多人做 Agent 流程，第一反应是把提示词写长。角色、目标、步骤、注意事项、禁区，几千字一股脑塞进上下文，祈祷模型一次记住。

然后跑到第六步，角色脸换了，声音飘了，前一段刚确定的画风也没了。模型回头很无辜，像一个第一次进项目群的新同事。

animated-voiceover 走的是另一条路。它不指望一个超长上下文替整条生产线保存状态，而是把状态变成可以复用和检查的资产。

完整旁白是一份资产，片段计划是一份资产，风格参考图是一份资产，每个主要人物的参考图也是资产。第一段通过后剥离出来的纯音频，不再只是某段视频里的声音，而是后续所有片段共同引用的音色锚点。生成任务还有节点 ID、任务 ID 和文件路径，质检结果决定这个片段能不能进入拼接。

把它画成一条线，大概长这样。

完整旁白 → 片段计划 → 风格参考 → 人物参考
→ 片段 1 → 音色锚点 → 并行生成后续片段
→ 逐段质检 → 拼接成片

这里有个很实用的工程判断，凡是后面还要反复引用的东西，都别只留在对话里。

对话是临时内存，资产才是持久化状态。

风格为什么会漂？因为每段都让模型重新猜一次「电影感」到底长什么样。人物为什么会互相套脸？因为角色身份只写在自然语言里，没有独立参考图和明确的素材职责。声音为什么一段一个人？因为系统每次都从一句「沉稳男声」重新采样。

这套仓库的处理方式有点子牛逼，它把「一致性」拆成了几种不同的问题。画风由风格参考负责，人物身份由人物参考负责，声音由音频锚点负责，当前片段到底说什么则只由当前旁白负责。每份参考只背自己的锅，谁也别越界。

这比反复补一句「请保持一致」靠谱多了。

同一套电影感 3D 风格下，多人物、室内空间与镜头调度仍需要独立参考资产共同约束。

你如果在做代码 Agent，也能直接搬这个思路。架构约束不要只写在会话里，落成规则文件。接口约定不要靠 Agent 回忆，落成 schema 和类型。验收口径不要藏在人的脑子里，落成测试和检查脚本。模型换一轮，上下文清一次，这些资产还在。

模型能力是租来的，项目状态得是自己的。

真正的并行，前后都有闸门

这条制片线还有个细节挺妙，它并没有从第一秒就让十个 Agent 一起冲。

先写完整旁白，再拆片段。先确认风格图和人物图，再做视频。先只生成片段 1，把旁白、音色、画风、人物和实际画幅全看一遍。确认片段 1 能当锚点后，才允许后续片段并行生成。

也就是说，它的结构不是「全都并行」，而是串行定标准，并行做重复劳动，再串行验收。

很多自动化项目最容易兴奋过头的地方就在这儿。任务一拆，立刻开八路并发，进度条刷刷往前走，像极了老板来视察时突然开始疯狂敲键盘。等结果回来才发现八份产物依据了八种理解，合并时不是提速，是八倍返工。

animated-voiceover 先用片段 1 做了一块校准板。它把抽象要求变成一个已经通过人工确认的真实样品。后续节点不再猜「什么叫对」，直接对着锚点靠。

这和软件工程里的 golden sample 很像。你不必给每个执行者讲一万遍审美理论，给它一个合格样本，再把允许变化和禁止变化的边界写清楚，判断会稳定很多。

仓库对 15 秒片段的拆法也很克制。它要求先把完整论证写通，再按语义完整的位置切段，目标是每段约 60 个会被读出的汉字。字数不合适就改写，不是拿剪刀把句子从中间咔嚓一下。具体规则写在旁白讲稿指南里。

这个顺序很重要。

如果一开始就按片段写，局部很可能都顺，全片却像八条互不认识的短视频拼在一起。先把全局逻辑定下来，再把它切成可并发的小任务，局部执行才不会把主线拆散。

写代码也是一样。一个大需求不能只靠把 issue 切成八张卡就自动获得并行性。你还得先定接口、依赖顺序、验收标准和合并策略。否则每个 Agent 都写得挺快，最后一起在 git merge 里见面。

段错误。

自动化最值钱的能力，是知道从哪儿返工

生成式工作流有个很不体面的秘密，失败不是例外，是正常流量。

一段视频可能旁白少了半句，人物身份漂了，镜头运动重复，实际画面被塞进黑边，片尾又多出一截噪音。任务状态显示成功，只能证明平台交付了一个文件，证明不了这个文件能用。

视频提示词指南把这类问题拆得很细。生成前要核对参考素材职责、镜头动作、参数和画幅，生成后还要抽查开头、中段和结尾的真实画面。容器分辨率对了，不代表画面内部没黑边。片段有声音，不代表音色和锚点一致。主要人物出现了，也不代表脸没套到另一个角色身上。

这才像生产系统。

不是看接口返回 200 就开始庆功，而是检查业务结果有没有过线。

更关键的是，检查结果会告诉系统从哪里重来。旁白长度失衡，退回讲稿拆分。画风没锁住，退回参考图确认。只有某个片段的角色漂了，就重做那个片段，不把前面七段一起扔掉。音频格式被平台拒绝，按音频剥离指南转成已经验证过的 48kHz、双声道、16-bit PCM WAV，不靠换十种描述碰运气。

局部重试，听着不性感，却是成本控制的核心。

公开演示估算两分钟视频约 40 元。假设每个片段都可能重跑，真正决定成本的不是一次生成单价，而是缺陷发现得有多早、返工范围有多小。等八段全部生成完才发现人物参考错了，便宜模型也能给你跑出昂贵账单。

所以我一直觉得，Agent 工作流的监控不能只记 token 和耗时，还要记产物版本、参考来源、验收结果和重试原因。某个节点连续失败三次，到底是模型不行、输入资产错了，还是验收规则互相打架，得能追到。

日志不是事后写检讨用的，是为了下一次别从头再来。

90% 自动化之后，人没有变轻松

看到这里，可能有小伙伴会问，既然流程写得这么完整，那最后 10% 还剩什么？

剩下的是最难标准化的判断。

选题值不值得做，哪种视觉风格真的适合这段内容，参考图是「稳定但平庸」还是「有记忆点但不可控」，片段 1 的音色是不是对，某个镜头虽然没犯错但就是没劲，这些判断很难交给一张检查表彻底解决。

作者自己也没把这套东西包装成全自动魔法。他明确要求风格参考和主要人物参考先经用户确认，片段 1 通过检查后才能当锚点，最终只有过质检的片段才能拼接。仓库还写得很坦白，当前正式维护并实际验证的是 LibTV CLI 路径，Seedance 2.5 Pro 的 30 秒片段尚未做系统性优化，不能把 15 秒经验机械翻倍。

这段限制说明，反而让我更信它。

真的做过生产系统的人，文档里一定会有「目前只支持什么」和「哪里还没验证」。只有演示稿会写什么都能做，什么都丝滑，宇宙尽在掌握。

90% 自动化也不会把人从流程里拿走，它只是把人的时间从重复劳动挪到高杠杆决策上。以前人要逐段写提示词、下载文件、转音频、上传节点、盯任务和拼接。现在这些机械动作可以交给 Agent，人留下来做标准、审批、例外处理和最终取舍。

听着像少干活，其实更像换了工种。

从剪片的人，变成制片系统的设计者。

这也是我觉得 animated-voiceover 比一条炫酷成片更有价值的地方。成片今天很惊艳，三个月后模型能力一变，画质优势可能就没了。可是把复杂工作拆成资产、闸门、并行节点、验收和局部重试的办法，不只适用于视频。

做研究报告，可以把资料包、事实表、提纲、初稿和引用审查拆开。做客服自动化，可以把用户身份、订单状态、允许动作和高风险审批拆开。做代码 Agent，可以把需求、接口、实现、测试和 review 拆开。

很多朋友可能不知道，Agent 真正难的从来不是「让它开始干活」。一句 prompt 就能开始。

难的是它干到一半别丢状态，干错了知道停，重来时别把已经对的部分毁掉，最后还能有人说清楚为什么这份产物可以交付。

animated-voiceover 把这件事拍成了一条制片线。

船可以开得更快，但罗盘、锚点和靠岸检查，一个都不能省。