# 研究了一下用代码拍宣传片的 video-shotcraft

> 龙虾AGI通用实验室 · 2026-11-10

最近研究了一个叫 video-shotcraft 的开源项目。你对 Claude Code 说一句"给我的产品做一支宣传片"，它会去截你产品的真实网页，从一套调好的镜头库里挑镜头、排分镜，用代码把动画一帧帧画出来，按音乐卡点剪辑、配上音效，自己逐帧检查，最后交给你一支 MP4。

它**不是视频生成模型**。画面里没有一帧是 AI "生成"的，全是代码根据你的截图和文案画出来的。

我带着一个问题去看：截个网页、用代码做成动画，这件事 Opus 5.5 自己也会做。那这个项目还有什么价值？

拆完的结论是：**技术本身不稀奇，值钱的是作者被用户一次次骂出来的"品味"，以及调了很多遍的参数。**

![](images/470e36/img_001.jpg)

## 先说一个原理：AI 视频为什么做不好片头和字卡

我研究它，起因是做 AI 短剧时总碰到一类镜头：片头剧名、人物出场介绍卡、字幕、转场、打击感特效、片尾。这些看着最简单，AI 视频模型偏偏做得最差。

原因在于视频模型的工作方式：它从一团噪声开始，一步步"猜"出像素，学到的是"大概长什么样"。而这类镜头要的恰恰是精确：

**字**：字是精确的符号，错一笔就是错字。中文有几千个字，训练数据里清楚的字很少；模型生成前还会先把画面压缩约 8 倍，细笔画最先丢掉。

**精确到帧的时间**：你没法告诉模型"第 37 帧对准鼓点"。它在时间上也做了压缩，大约每 4 帧合成一份，所以只有一两帧的闪白、顿帧会被抹平。

**每集一模一样**：片头每集都得完全相同，可模型每次生成都有随机性。改一个字就要整段重新生成，结果还和上次不一样。

**排版**：对齐、留白、准确的品牌色，模型只能做到"差不多"。

这些事对人和代码来说是确定的，所以容易；对一个靠"猜"的模型来说，正好最难。反过来，代码画不出人物和表演。两者正好互补：**人物、表演、场景交给 AI，字和节奏交给代码**。

video-shotcraft 就是把"代码那一半"做到了很高水平的一个项目。

## 第一份精华：29 条"被骂出来"的审美规则

项目里有一份审美准则，一共 29 条，分节奏、画面质感、声音、文案、流程五类。它的写法很特别，每条都是三件套：

**一句规则**；

**判例**：用户的原话，加上当时怎么返工的；

**一个自检问题**：验收时拿来问自己。

比如"关键信息落定后必须停够 1 秒"这条，判例里记着作者曾经停错了对象，把停顿给了普通内容卡片，结果回滚重做。

我觉得最值钱的一条是关于节奏的：**整部片子收到的六次独立反馈，全部是"放慢一点 / 多停一会儿"，从来没有一次"太慢了"**。所以作者把规则定成：第一版默认放慢一档，开场主体的动作至少 3 秒，演示打字、点击时，要慢到观众能跟着做一遍。

这条规律不是推理出来的，是**把每次用户修改的方向记下来**才看出来的。而 AI 写动画的默认习惯，正好是它禁止的那些：匀速运动、节奏太快、到处加扫光、加手持抖动、每个鼓点都去震整个画面。

再挑几条：

**匀速运动看起来像廉价 PPT。** 速度感来自加速度：一大批元素入场要越来越快，满了以后停 0.5 秒。作者有个例子，"刷屏"效果改了五轮都不满意，换成"发牌"这个比喻，一轮就通过了。

**一个镜头只给一个主角。** 作者做开场"一夜推倒六次"，最后定成"一个主角 + 一条完整的动作"，此后到成片再没动过。

**扫光一个镜头最多给主角一次，而且必须裁进圆角里。** 光溢出圆角，是廉价感最典型的来源。

**要读的字只有两种状态**：要么是背景纹理（故意虚化，不让人读），要么达到最小字号。"想让人读却读不清"的中间状态不允许存在。

## 第二份精华：一套"镜头菜谱"，标出不许改小的参数

项目的核心资产是 124 张"镜头配方卡"，网站上能看到 150 个动态样片。每张卡写着：这个手法是什么、适合什么场景、能量和时长、参数表，还有一栏叫**"命门"**，就是不许改小的参数。

比如打击感常用的"负片闪帧"：**3 帧刚好，到第 4 帧观众就会"看清"负片，效果就穿帮了**；顿帧必须让整个画面一起冻住，否则看起来只是那一张卡掉帧了；连续打三下，要一次比一次狠，三下一样大就读不出"越打越狠"；没有音效的闪帧，看起来像屏幕坏了。

这些卡不是一次写成的。作者先做了 216 个镜头，打磨了两轮，再人工逐个在"原版 / 第一轮 / 第二轮"里三选一，或者直接淘汰，最后留下 124 张。中间还有个教训：第一轮只加了阴影、颗粒、缓动，结果"干净但平淡"，被判不合格；第二轮要求和原版并排放时，提升必须一眼就能看出来。

项目还专门叮嘱 AI：**照着卡上调好的代码改，不要看卡名自己重写**。按作者的说法，自己重写等于放弃了全部调校，实测质感要差一档。

这就是我说的"Opus 也会做饭，但这里给的是试过很多遍、写明火候和时间的菜谱"。

## 第三份精华：卡点和声音的实测坑

这部分是只有真做过才会知道的：

**音乐先行。** 节拍分析验收通过之前，不设计分镜。

**节拍检测工具报的速度不准。** 作者实测，工具报每分钟 129.2 拍，真实值是 131.97 拍。工具给出的每个拍点位置是对的，要用这些拍点自己算出真实速度；速度报成真实值的两倍（70 报成 140）也很常见，要专门检查。

**鼓点是候选，不是命令。** 强鼓点的曲子几乎每拍都有重鼓，要是每拍都震一下整个画面，用户的原话就是"镜头随节奏抖动"。规则是：震整个画面的冲击全片最多 3 处，其余拍点只动画面里的元素。

**成片的音轨比画面晚约 1.3 帧。** 原因是音频编码本身会在开头垫一小段，不是时间线写错了；每个音效文件的最响点也不在最开头，要逐个量。两项都不补的话，最重的一击会晚 0.27 秒。

**声音要在画面定稿后再做。** 作者第一版音效钉完，11 小时后画面大改，三次重新钉音效里有两次纯粹是画面返工连带的。

**禁的是音色，不是动作。** 用户嫌"太像游戏"，否掉的是游戏音效包那种卡通音色，不是"点击不许配声音"。判断标准是：它像不像现实里那个东西发出的声音（快门、开关、纸、玻璃）？

## 第四份精华：把便宜的确认放在前面

流程上有几条，我觉得放到 AI 视频里一样适用：

**用静态图定方向，不用视频。** 风格先用几张静态关键帧确认，不渲染视频做提案，既贵，改方向的心理成本也高。放到 AI 短剧里就是：先出静态图确认，再花钱生成视频。

**听不明白的反馈先确认指的是哪个，改错了就整体撤回**，不在错误的版本上打补丁。

**交付前自己逐帧检查，最后再找一个"干净"的审查者终检。** 起因是用户第一次看片就质问："你自己有截图检查质量吗？"

## 哪些部分可以直接跳过

**Remotion 的具体写法。** 那是实现，Opus 本来就会，要看的是它为什么这样调。

**产品宣传片专属的套路。** 比如结尾的"发布会合影"、根据品牌性格选动效参数的六个预设，都是从一部宣传片里总结出来的，作者自己也标注了只有一个判例，只能当起点。

**周边工具。** 导出剪映工程、上传发布、展示网站，和做视频的经验无关。

**参数本身也不是定稿。** 作者明确说了，镜头样片的参数是在占位素材上调的，换成真实素材还要再验。

## 它管不了的事

**它不生成人物。** 只要画面里有人、有表演，就得靠视频模型。它能做的是人物以外那一半：片头、字卡、字幕、转场、打击感。

**它的经验来自产品宣传片。** 节奏、能量分配这些规律能不能原样搬到短剧上，还得自己试。

## 最后

简单总结一下：如果你要做产品宣传片，可以直接装来用；如果你做 AI 短剧，它最有用的地方是告诉你，片头、字卡、打击感这一半镜头，交给代码比交给视频模型靠谱得多，而且这一半有一整套现成的规矩可以抄。

只想读的话，最值得看的是项目里 references/aesthetic-rules.md 这份 29 条审美准则，以及 references/music-beat-sync.md 里卡点的那几个坑。

希望这篇对你有帮助。对 AI 做视频感兴趣的朋友，欢迎在留言区一起交流。

https://github.com/Vincentwei1021/video-shotcraft
