製作一條教學類影片，通常比想像中更麻煩。
先要讀懂原文、整理腳本，再拆分章節、寫旁白、準備畫面提示詞。等圖片和配音生成以後，還要繼續製作影片片段，最後把畫面和聲音合成到一起。
其中任何一個環節出了問題，後面的工作都可能跟著重來。尤其是教學影片，內容不僅要準確，畫面與旁白還得對得上，確實很耗時間。
這次我換了一種做法：使用 Ace Data Cloud Studio，讓 Agent 幫我把任務拆開，然後按照腳本、旁白、圖片、影片的順序逐步完成。
整個過程不是點一下按鈕就不管了，而是每完成一個階段就檢查一次。哪裡不合適，就在進入下一階段前調整。這樣既能控制最終效果，也不用同時在多個平台之間來回切換。
下面這張插圖，就是我理想中的工作狀態：電腦在處理影片，我在旁邊喝咖啡、看手機，偶爾回來檢查一下進度。
¶ 那麼，具體應該怎麼開始？
這次的任務很明確：選擇一篇現有的部落格文章，把它改編成一條完整的影片。
我選擇的是 Ace Data Cloud 上的一篇教學文章：
接下來開啟：
進入 Studio 後，可以直接從創作任務開始，不需要提前搭建一套複雜的工作流程。
¶ 把影片創作 Skill 交給 Studio
我提前準備了一份影片創作 Skill。
它的作用不是直接生成最終影片，而是先把原始文章整理成適合影片表達的結構，包括影片應該分成哪些章節、每一章要講什麼、旁白怎麼寫、畫面展示什麼，以及圖片和影片分別使用什麼提示詞。
使用時，把 Skill 檔案拖放到 Studio 的對話框中，然後告訴 Agent 這次要處理的文章地址和具體要求。
我給出的需求大意是：
閱讀指定的部落格文章，把它改編成影片。請先輸出完整章節，包括每章的標題、說明、旁白，以及圖片和影片的生成提示詞。整個任務一步步完成，不要一次生成全部內容。
¶ 先整理影片大綱，不要急著做畫面
提交任務後，Agent 會先閱讀文章，然後根據文章內容整理影片章節。
生成的內容比較完整，每個章節都有標題、內容說明、旁白，以及對應的圖片和影片 Prompt。這樣一來，後面不管是生成靜態畫面，還是製作影片片段，都有一份比較清楚的執行清單。
例如，原文中介紹 SERP API 的部分，被單獨整理成了一個章節，並補充了畫面應該展示的內容。
Agent 還會估算每個章節的時長。第一次生成時，這條影片被拆成了八個章節，預計總時長大約為兩分半鐘。
這裡建議先停一下，認真檢查內容，不要馬上開始生成圖片。
因為這一階段的修改成本最低。如果等到圖片、音訊和影片都已經生成，再回頭改旁白，前面的素材很可能都要跟著重做。
¶ 縮短旁白，控制影片節奏
我檢查後發現，第一版旁白有點長。
教學影片並不是資訊越多越好。旁白太長，觀眾聽起來會累，影片節奏也容易拖沓。更麻煩的是，畫面需要配合更長的語音，後面生成影片時也會增加難度。
所以我直接讓 Agent 縮短旁白，要求保留關鍵資訊，去掉重複說明和比較書面化的句子。
調整後，每個章節的旁白大約控制在八到九秒，整體節奏明顯輕快了不少。
旁白變短以後，不能只修改文字，還要同步調整圖片和影片的 Prompt。否則很容易出現一種情況：旁白已經講到下一個重點，畫面還停留在上一段內容。
我的處理方式是，讓 Agent 根據新的旁白重新整理畫面描述，確保每個章節的視覺內容仍然與旁白一致。
¶ 設定統一底圖，保持畫面風格
腳本確認以後，就可以開始生成圖片和旁白了。
在正式生成前，我給 Agent 指定了一張底圖，也就是視覺參考圖。
這不是必須的，也可以只使用文字說明。但如果整條影片包含多個章節，我還是建議準備一張底圖。它可以幫助模型保持相對統一的色彩、構圖和品牌風格，避免前後幾個鏡頭像來自完全不同的影片。
由於前面修改過旁白時長，我也要求 Agent 重新生成對應的畫面 Prompt，不再繼續使用舊版本。
¶ 選擇合適的旁白音色
畫面要求確定後，Studio 會根據任務需要呼叫配音工具。
音色沒有絕對的好壞，主要看影片類型。教學類影片一般不需要太誇張的情緒，聲音清楚、穩定，語速不要過快就可以。 如果自動選擇的音色不合適，也可以直接要求 Agent 更換。最好先生成一小段試聽，確認音色、語速和停頓都沒問題，再批次處理剩餘章節。
這次圖片使用的是 GPT Image 2，配音使用的是 Fish Audio。這些模型都可以在 Studio 中直接呼叫，只要提前設定好對應的連接器，不需要再另外編寫介面程式碼。
後面生成影片時也是一樣，Agent 可以繼續呼叫已經連接的影片模型。圖片生成需要一些時間，這個階段耐心等一會兒就行。
¶ 先看樣圖，確認方向再批次生成
我沒有一開始就生成全部圖片，而是先讓 Agent 做了兩張樣圖。
這樣做看起來多了一步，實際上更省時間。透過樣圖，可以提前檢查畫面比例、整體風格、品牌元素和構圖，也可以判斷畫面是否適合後續製作成影片。
如果樣圖不合適，只需要調整 Prompt 或底圖，不會浪費後面全部章節的生成費用。
兩張樣圖確認沒有明顯問題後，我再讓 Agent 完成其餘內容。
最後，八個章節所需的圖片和音訊片段全部生成完成。接下來要做的，就是逐一檢查畫面和旁白。
檢查時不要只看單張圖片好不好看，還要把圖片和旁白放在一起判斷。圖片表達的內容要與旁白一致，同一個人物或介面不要突然發生明顯變化，旁白中提到的重要資訊最好能在畫面中有所體現，相鄰章節的風格和色調也應盡量統一。
¶ 提前規定影片的生成方式
圖片和音訊準備好以後，就可以開始製作影片片段了。
不過，為了少走彎路，我沒有直接讓 Agent 自由發揮，而是先補充了一些規則，包括每段影片對應哪個章節、使用哪張圖片作為起始畫面、影片時長如何匹配旁白，以及運鏡幅度和風格一致性等。
教學畫面應該保持清楚，不要加入無關元素，也不要隨意改變畫面中的品牌、介面和主體。相鄰影片的風格盡量保持一致，正式批次生成前先做一個片段檢查效果。
這些限制並不是越多越好，但關鍵要求最好提前說清楚。如果完全不做約束，單獨看每一段影片可能都不錯，拼在一起卻容易出現風格跳動、運鏡差異過大或者人物不一致的問題。
¶ 先做一個影片片段
和前面生成圖片一樣，我還是採用了「先做樣片」的方式。
先生成第一個片段，檢查動態效果、運鏡、畫面穩定性以及整體風格。如果第一個片段就有問題，可以馬上調整，不必等所有片段都完成。
第一個片段完成後，我檢查了一遍，整體效果還可以，沒有明顯的畫面跳動，運鏡也比較自然。
確認方向沒問題後，再讓 Agent 繼續生成剩餘的影片片段。
¶ 用 FFmpeg 在本地合成影片和旁白
所有影片片段生成以後，還剩最後一步：把影片和對應的旁白合成到一起。
Studio 可以幫忙完成前面的創作工作，但我更習慣把最後的合成放到本地執行。這樣下載和管理檔案更方便，也能清楚控制每一段影音。指令碼修改後可以重複執行，出現問題時也更容易定位。
我的做法是讓 Agent 生成一段 Bash 指令碼，然後使用本地安裝的 FFmpeg 執行。
#!/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
這段指令碼會按照陣列中的順序，將每一個影片片段與對應的旁白合成。
-map 0:v:0 用來選擇第一個輸入中的影片軌道，-map 1:a:0 選擇第二個輸入中的音訊軌道。-c:v copy 會直接複製影片，不重新編碼；-c:a aac 則把旁白轉成相容性更好的 AAC 音訊。
-af "apad" 會在音訊不足時補充靜音，-shortest 讓輸出在較短的影音軌道結束時停止，-movflags +faststart 可以讓 MP4 更適合網路播放。
正式使用時，把 videos 和 voices 陣列補充完整，並確保影片和音訊的順序一一對應即可。
¶ 交給本地 Codex 執行腳本
腳本生成後，我沒有繼續讓線上 Agent 處理下載和合成，而是直接複製到本地，交給 Codex 執行。
可以讓它檢查本地是否已經安裝 FFmpeg，建立專案資料夾，儲存 Bash 腳本，下載素材並執行合成命令。處理完成後，再檢查輸出檔案是否完整，並按順序整理最終片段。
這樣做的好處很直接：下載和合成都在本地完成，可以節省不少 Token，生成的素材也會直接儲存在電腦裡，後面繼續剪輯、加字幕或者備份都比較方便。
¶ 最終效果
全部片段合成完成後，整體效果比我預期的更好。
影片的章節結構比較清楚，畫面風格也保持了基本一致。旁白經過縮短後，沒有最初那麼拖沓，教學內容聽起來更加緊湊。
更重要的是，整個過程不是把任務一次性交給模型後碰運氣，而是拆成多個階段逐步確認。
腳本不合適，就先改腳本；旁白太長，就先縮短旁白；圖片風格不對，就先調整樣圖；影片運鏡有問題，就先修改第一個片段。這樣一路檢查下來，最後返工的地方反而更少。
¶ 最後聊聊這次的感受
這次做下來，我覺得最重要的一件事，就是不要一開始就把所有內容都生成出來。無論是圖片、配音還是影片，先做一兩個樣品看看效果，發現問題可以馬上調整，不會等到全部完成後再大面積返工。
整個任務也不要想著一步到位。先整理腳本，再修改旁白，然後準備圖片、音訊和影片。每完成一個階段就檢查一下，雖然看起來多了幾個步驟，實際上會省下不少時間。
最後的影片合成也沒有必要繼續放在 Studio 中完成。創作部分交給 Studio，本地下載和合成交給 FFmpeg，各自做擅長的事情，操作起來更順手，也能減少不必要的消耗。
說到底，Ace Data Cloud Studio 最方便的地方，並不是替我們按一下按鈕直接生成成片，而是把原本零散的創作流程串了起來。我們只需要在關鍵節點檢查和調整，剩下的重複工作就可以交給 Agent 慢慢完成。