【征文】#WorkBuddy# 一条指令出一条短视频：我用 macOS 本地脚本把 5 个环节串成了流水线

一、你会遇到的场景

做短视频最耗时的从来不是"生成"那一下，是生成前面和后面的活儿。

我第一次做一条 30 秒的口播短视频，流程是这样的：先想文案 → 拆成分镜 → 每个分镜写提示词 → 生成参考图 → 图生视频 → 找配音（或者自己念）→ 拖进剪辑软件对轨 → 导出。中间任何一个环节返工，后面的全部要重来。

真正麻烦的是跨环节的一致性：第 3 个镜头的画面风格和第 1 个不一样，就得回到第一步重出；配音时长和画面差 4 秒，又得回头改脚本。

这篇文章记录我把这条链路压成一条指令的过程：工具全在本地，零剪辑软件操作，脚本可以直接复制跑。

差异化说明：社区已经有讲"AI 短剧生产线方法论"的文章，那篇讲怎么组织流程；这篇只讲每台 macOS 都能立刻照着敲的命令，落到脚本层。

二、结论先行

把"创意决策"和"机械劳动"分开，是关键的一步。

• 交给 WorkBuddy 判断：脚本怎么写、分镜怎么拆、画面怎么描述。
• 交给脚本固化：文件命名、批量转码、配音合成、按时间轴合片、字幕烧录。

后半部分不该用 AI 一格一格生成，那属于拿积分做 ffmpeg 的活儿。让 WorkBuddy 写一次脚本，之后每条视频都白嫖。

适用边界：适合结构固定、批量重复的短内容（口播科普、产品讲解、口播切片）。单条精雕细琢的创意片不建议上流水线。

三、完整操作步骤

环境：macOS（Apple Silicon）／zsh／Python 3.13／WorkBuddy 桌面端 示例项目（虚构，仅用于演示）：一条 30 秒科普短视频《月亮为什么总同一面朝向地球》，5 个分镜。

第 1 步：一次性装好本地依赖

视频合成和配音不需要任何云服务，三条命令搞定：

# 1) ffmpeg：转码、拼接、烧字幕，整条链路的"胶水"
brew install ffmpeg

# 2) 独立虚拟环境（避免污染系统 Python；路径换成你自己的）
/opt/homebrew/bin/python3 -m venv ~/venvs/video-pipe
source ~/venvs/video-pipe/bin/activate

# 3) edge-tts：微软 Edge 的在线朗读引擎的开源命令行封装，免注册免 Key
pip install -U edge-tts

验证是否装成功：

ffmpeg -version | head -1
edge-tts --list-voices | grep zh-CN | head -5   # 应能看到 zh-CN-XiaoxiaoNeural 等音色

第 2 步：让 WorkBuddy 先产出「分镜表」，不要直接出片

这一步是整个流程里最值钱的。不要说"帮我做个视频"，要说"先给我一张表"。

直接复制这段提示词：

请为下面这个主题写一条 30 秒短视频脚本，并输出一张 Markdown 分镜表。
【虚构示例主题】月亮为什么总是同一面朝向地球

表格列必须包含：镜号 | 时长(秒) | 旁白文案(口语，每镜不超过20字) | 画面描述(用于图生视频的英文提示词) | 负向提示词

硬性要求：
1. 总时长严格 30 秒，各镜时长之和必须等于 30；
2. 每个镜头的画面描述里，主体风格、光线方向、镜头运动三项必须显式写出，且 5 个镜头保持一致；
3. 画面描述禁止出现任何文字、Logo、水印，禁止复合动作，一镜只做一件事；
4. 输出成 clips/script.md 文件，不要直接生成视频。

这么做的好处：先在表格上返工。改一个单元格是零成本的，改一段 5 秒视频要重新烧一遍。

第 3 步：按表逐个做「参考图 → 图生视频」

一致的诀窍：先出一个定妆图锁定主体，后续分镜全部以它为参考，而不是每个镜头都重新描述一遍。

对 WorkBuddy 这样说：

按 clips/script.md 的第 1 镜：
1. 先用 ImageGen 生成一张参考图，保存到 assets/shot01_ref.png；
2. 确认这张图达到预期后，再用这张图做图生视频，输出 5 秒、720P、16:9，保存到 clips/shot01.mp4；
3. 第 2~5 镜都以上一张的风格为基准，生成前先输出一份"跨镜一致性检查清单"（主体外观、服装/配色、光线方向、镜头语言），我确认后再生成。

生成结果必须落到固定文件名上，后面脚本才能按编号自动拼。命名规则：clips/shot01.mp4 … clips/shot05.mp4，编号补零。

第 4 步：本地配音，一条命令出整条音轨

按分镜表逐条合成，再拼成一条人声轨：

mkdir -p audio
# 逐镜生成，文案与 script.md 的「旁白文案」列保持一致（虚构示例文案）
edge-tts --voice zh-CN-XiaoxiaoNeural --rate=-5% \
  --text "你有没有发现，月亮好像只有一张脸？" --write-media audio/voice01.mp3
edge-tts --voice zh-CN-XiaoxiaoNeural --rate=-5% \
  --text "其实它一直在转，只是转得刚刚好。" --write-media audio/voice02.mp3
# …… voice03 ~ voice05 同理

# 拼成整条人声轨
ffmpeg -f concat -safe 0 -i <(for f in audio/voice0*.mp3; do echo "file '$PWD/$f'"; done) \
  -c copy audio/voice_full.m4a -y

--rate=-5% 是经验值：默认语速偏快，口播片降到 95% 更自然。最终的语速、停顿要以分镜表的时长为准，两者对不上就回头改文案，不要怪模型。

第 5 步：合片 + 烧字幕，一行命令出成片

# 1) 视频流横向拼接
ffmpeg -f concat -safe 0 -i <(for f in clips/shot0*.mp4; do echo "file '$PWD/$f'"; done) \
  -c copy out/video_raw.mp4 -y

# 2) 合并画面 + 配音，并做标准化处理（统一帧率与采样率，避免音画不同步）
ffmpeg -i out/video_raw.mp4 -i audio/voice_full.m4a \
  -map 0:v:0 -map 1:a:0 -shortest \
  -vf "fps=30,scale=1280:720:force_original_aspect_ratio=decrease,pad=1280:720:(ow-iw)/2:(oh-ih)/2" \
  -c:v libx264 -pix_fmt yuv420p -c:a aac -b:a 192k \
  out/final_$(date +%Y%m%d_%H%M).mp4 -y

-shortest 很关键：以最短的那条流为准截断。画面比人声长会留黑场面外静止帧，比人声短会吞掉最后一句旁白。

第 6 步：把 2~5 步固化成一个「总控提示词」

跑顺一次之后，把整套话术存成 PIPELINE.md，之后只需要一句：

按 PIPELINE.md 执行，主题：<填主题>，输出到 out/。

四、实测数据

以下各项均为未实测，发布前必须由本人跑一遍并把真实数值填进去，禁止照抄或凭感觉填。

可确定的定性结论（无需积分，已验证）：配音环节走 edge-tts 零积分消耗；合片走本地 ffmpeg 零积分消耗。整条链路里只有「图/视频生成」这一步会消耗额度——所以省分的关键是把 mechanical work 全部剥离出去，别用 AI 干 ffmpeg 的活。

五、踩坑与边界

1. -shortest 会静默吞画面。视频轨比音轨长时它只截，不提醒。合完必须播一遍确认最后一句旁白没被切掉。
2. 拼接前必须统一规格。各个片段的分辨率、帧率、色域只要有一个不一致，-c copy 直接报错或产出花屏。上面脚本里的 fps=30 + scale + pad 三件套就是干这个的，别省。
3. macOS 的 process substitution <(...) 依赖 zsh/bash。Fish 用户要改成先写临时 list 文件。
4. edge-tts 依赖外网可用性。断网或网络波动时整条配音链路会失败；重要项目建议一次生成后本地留存，不要每次复跑。
5. 跨镜一致性是最大的返工来源。第 3 步的「一致性检查清单」一步都不能跳过——靠肉眼盯比机器贵得多。
6. 不适合这条流水线的场景：需要真人出镜、需要精确口型对位、时长超过 1 分钟的长片。这类交给剪辑软件手动做，比脚本快。
7. 合规提醒：edge-tts、ffmpeg 均为开源/第三方服务，成品用于商业投放前，请自行确认各自服务条款对商用与语音使用的限制。

六、小结

真正省下来的不是生成视频的那 5 秒，是「想法 → 成片」之间反复Explain的手工劳动。

把创意判断交给 WorkBuddy，把机械劳动交给本地脚本——这条分工线划清楚，短视频就能从"做一次累一次"变成"改一行出一批"。