制作一条教程类视频，通常比想象中更麻烦。
先要读懂原文、整理脚本，再拆分章节、写旁白、准备画面提示词。等图片和配音生成以后，还要继续制作视频片段，最后把画面和声音合成到一起。
其中任何一个环节出了问题，后面的工作都可能跟着重来。尤其是教程视频，内容不仅要准确，画面与旁白还得对得上，确实很耗时间。
这次我换了一种做法：使用 Ace Data Cloud Studio，让 Agent 帮我把任务拆开，然后按照脚本、旁白、图片、视频的顺序逐步完成。
整个过程不是点一下按钮就不管了，而是每完成一个阶段就检查一次。哪里不合适，就在进入下一阶段前调整。这样既能控制最终效果，也不用同时在多个平台之间来回切换。
下面这张插图，就是我理想中的工作状态：电脑在处理视频，我在旁边喝咖啡、看手机，偶尔回来检查一下进度。
¶ 那么，具体应该怎么开始？
这次的任务很明确：选择一篇现有的博客文章，把它改编成一条完整的视频。
我选择的是 Ace Data Cloud 上的一篇教程文章：
接下来打开：
进入 Studio 后，可以直接从创作任务开始，不需要提前搭建一套复杂的工作流。
¶ 把视频创作 Skill 交给 Studio
我提前准备了一份视频创作 Skill。
它的作用不是直接生成最终视频，而是先把原始文章整理成适合视频表达的结构，包括视频应该分成哪些章节、每一章要讲什么、旁白怎么写、画面展示什么，以及图片和视频分别使用什么提示词。
使用时，把 Skill 文件拖放到 Studio 的对话框中，然后告诉 Agent 这次要处理的文章地址和具体要求。
我给出的需求大意是：
阅读指定的博客文章，把它改编成视频。请先输出完整章节，包括每章的标题、说明、旁白，以及图片和视频的生成提示词。整个任务一步步完成，不要一次生成全部内容。
¶ 先整理视频大纲，不要急着做画面
提交任务后，Agent 会先阅读文章，然后根据文章内容整理视频章节。
生成的内容比较完整，每个章节都有标题、内容说明、旁白，以及对应的图片和视频 Prompt。这样一来，后面不管是生成静态画面，还是制作视频片段，都有一份比较清楚的执行清单。
例如，原文中介绍 SERP API 的部分，被单独整理成了一个章节，并补充了画面应该展示的内容。
Agent 还会估算每个章节的时长。第一次生成时，这条视频被拆成了八个章节，预计总时长大约为两分半钟。
这里建议先停一下，认真检查内容，不要马上开始生成图片。
因为这一阶段的修改成本最低。如果等到图片、音频和视频都已经生成，再回头改旁白，前面的素材很可能都要跟着重做。
¶ 缩短旁白，控制视频节奏
我检查后发现，第一版旁白有点长。
教程视频并不是信息越多越好。旁白太长，观众听起来会累，视频节奏也容易拖沓。更麻烦的是，画面需要配合更长的语音，后面生成视频时也会增加难度。
所以我直接让 Agent 缩短旁白，要求保留关键信息，去掉重复说明和比较书面化的句子。
调整后，每个章节的旁白大约控制在八到九秒，整体节奏明显轻快了不少。
旁白变短以后，不能只修改文字，还要同步调整图片和视频的 Prompt。否则很容易出现一种情况：旁白已经讲到下一个重点，画面还停留在上一段内容。
我的处理方式是，让 Agent 根据新的旁白重新整理画面描述，确保每个章节的视觉内容仍然与旁白一致。
¶ 设置统一底图，保持画面风格
脚本确认以后，就可以开始生成图片和旁白了。
在正式生成前，我给 Agent 指定了一张底图，也就是视觉参考图。
这不是必须的，也可以只使用文字说明。但如果整条视频包含多个章节，我还是建议准备一张底图。它可以帮助模型保持相对统一的色彩、构图和品牌风格，避免前后几个镜头像来自完全不同的视频。
由于前面修改过旁白时长，我也要求 Agent 重新生成对应的画面 Prompt，不再继续使用旧版本。
¶ 选择合适的旁白音色
画面要求确定后，Studio 会根据任务需要调用配音工具。
音色没有绝对的好坏，主要看视频类型。教程类视频一般不需要太夸张的情绪，声音清楚、稳定，语速不要过快就可以。
如果自动选择的音色不合适，也可以直接要求 Agent 更换。最好先生成一小段试听，确认音色、语速和停顿都没问题，再批量处理剩余章节。
这次图片使用的是 GPT Image 2，配音使用的是 Fish Audio。这些模型都可以在 Studio 中直接调用，只要提前设置好对应的连接器，不需要再单独编写接口代码。
后面生成视频时也是一样，Agent 可以继续调用已经连接的视频模型。图片生成需要一些时间，这个阶段耐心等一会儿就行。
¶ 先看样图，确认方向再批量生成
我没有一开始就生成全部图片，而是先让 Agent 做了两张样图。
这样做看起来多了一步，实际上更省时间。通过样图，可以提前检查画面比例、整体风格、品牌元素和构图，也可以判断画面是否适合后续制作成视频。
如果样图不合适，只需要调整 Prompt 或底图，不会浪费后面全部章节的生成费用。
两张样图确认没有明显问题后，我再让 Agent 完成其余内容。
最后，八个章节所需的图片和音频片段全部生成完成。接下来要做的，就是逐个检查画面和旁白。
检查时不要只看单张图片好不好看，还要把图片和旁白放在一起判断。图片表达的内容要与旁白一致，同一个人物或界面不要突然发生明显变化，旁白中提到的重要信息最好能在画面中有所体现，相邻章节的风格和色调也应尽量统一。
¶ 提前规定视频的生成方式
图片和音频准备好以后，就可以开始制作视频片段了。
不过，为了少走弯路，我没有直接让 Agent 自由发挥，而是先补充了一些规则，包括每段视频对应哪个章节、使用哪张图片作为起始画面、视频时长如何匹配旁白，以及运镜幅度和风格一致性等。
教程画面应该保持清楚，不要加入无关元素，也不要随意改变画面中的品牌、界面和主体。相邻视频的风格尽量保持一致，正式批量生成前先做一个片段检查效果。
这些限制并不是越多越好，但关键要求最好提前说清楚。如果完全不做约束，单独看每一段视频可能都不错，拼在一起却容易出现风格跳动、运镜差异过大或者人物不一致的问题。
¶ 先做一个视频片段
和前面生成图片一样，我还是采用了“先做样片”的方式。
先生成第一个片段，检查动态效果、运镜、画面稳定性以及整体风格。如果第一个片段就有问题，可以马上调整，不必等所有片段都完成。
第一个片段完成后，我检查了一遍，整体效果还可以，没有明显的画面跳动，运镜也比较自然。
确认方向没问题后，再让 Agent 继续生成剩余的视频片段。
¶ 用 FFmpeg 在本地合成视频和旁白
所有视频片段生成以后，还剩最后一步：把视频和对应的旁白合成到一起。
Studio 可以帮忙完成前面的创作工作，但我更习惯把最后的合成放到本地执行。这样下载和管理文件更方便，也能清楚控制每一段音视频。脚本修改后可以重复执行，出现问题时也更容易定位。
我的做法是让 Agent 生成一段 Bash 脚本，然后使用本地安装的 FFmpeg 执行。
#!/usr/bin/env bash
set -euo pipefail
videos=(
"https://platform2.cdn.acedata.cloud/grok/0d91b61a-5c15-412d-9eb3-ed3ba3c2b289.mp4"
"https://platform2.cdn.acedata.cloud/grok/24c98593-2d2c-41da-82ff-85101ef65564.mp4"
)
voices=(
"https://platform2.cdn.acedata.cloud/fish/eef753c1-4b5b-400f-8fce-acedd2621ce9.mp3"
"https://platform2.cdn.acedata.cloud/fish/52dd45d8-1e6d-4a67-8f02-0473c56d960f.mp3"
)
mkdir -p output
for i in "${!videos[@]}"; do
n=$(printf "%02d" $((i + 1)))
ffmpeg -y \
-i "${videos[$i]}" \
-i "${voices[$i]}" \
-map 0:v:0 \
-map 1:a:0 \
-c:v copy \
-c:a aac \
-b:a 192k \
-ar 48000 \
-ac 2 \
-af "apad" \
-shortest \
-movflags +faststart \
"output/scene-${n}-narrated.mp4"
done
这段脚本会按照数组中的顺序，将每一个视频片段与对应的旁白合成。
-map 0:v:0 用来选择第一个输入中的视频轨道，-map 1:a:0 选择第二个输入中的音频轨道。-c:v copy 会直接复制视频，不重新编码；-c:a aac 则把旁白转成兼容性更好的 AAC 音频。
-af "apad" 会在音频不足时补充静音，-shortest 让输出在较短的音视频轨道结束时停止，-movflags +faststart 可以让 MP4 更适合网络播放。
正式使用时，把 videos 和 voices 数组补充完整，并确保视频和音频的顺序一一对应即可。
¶ 交给本地 Codex 执行脚本
脚本生成后，我没有继续让在线 Agent 处理下载和合成，而是直接复制到本地，交给 Codex 执行。
可以让它检查本地是否已经安装 FFmpeg，创建项目文件夹，保存 Bash 脚本，下载素材并执行合成命令。处理完成后，再检查输出文件是否完整，并按顺序整理最终片段。
这样做的好处很直接：下载和合成都在本地完成，可以节省不少 Token，生成的素材也会直接保存在电脑里，后面继续剪辑、加字幕或者备份都比较方便。
¶ 最终效果
全部片段合成完成后，整体效果比我预期的更好。
视频的章节结构比较清楚，画面风格也保持了基本一致。旁白经过缩短后，没有最初那么拖沓，教程内容听起来更加紧凑。
更重要的是，整个过程不是把任务一次性交给模型后碰运气，而是拆成多个阶段逐步确认。
脚本不合适，就先改脚本；旁白太长，就先缩短旁白；图片风格不对，就先调整样图；视频运镜有问题，就先修改第一个片段。这样一路检查下来，最后返工的地方反而更少。
¶ 最后聊聊这次的感受
这次做下来，我觉得最重要的一件事，就是不要一开始就把所有内容都生成出来。无论是图片、配音还是视频，先做一两个样品看看效果，发现问题可以马上调整，不会等到全部完成后再大面积返工。
整个任务也不要想着一步到位。先整理脚本，再修改旁白，然后准备图片、音频和视频。每完成一个阶段就检查一下，虽然看起来多了几个步骤，实际上会省下不少时间。
最后的视频合成也没有必要继续放在 Studio 中完成。创作部分交给 Studio，本地下载和合成交给 FFmpeg，各自做擅长的事情，操作起来更顺手，也能减少不必要的消耗。
说到底，Ace Data Cloud Studio 最方便的地方，并不是替我们按一下按钮直接生成成片，而是把原本零散的创作流程串了起来。我们只需要在关键节点检查和调整，剩下的重复工作就可以交给 Agent 慢慢完成。