一句话生成一条 4 分钟AI视频:拖了半年的技术债,我迭代 7 版还上了

TUTORIAL · 实战教程
2026.09

AI 一键成片还是 PPT 混剪？

一句话生成一条 4 分钟

AI 故事视频

零成本 · 状态机 · 迭代 7 版 · Agent 自动化

AI智识新语 · 黄彬

AI视频Agent

今年 2 月，有位网友在后台问我：“AI 现在能不能给一句话，就直接生成一条完整的视频？”我当时回她：“上半年差点意思，等到下半年就可以了。”

直到最近，看到大雷老师开源的 Skill：image-story-video-wizard，在推特上爆了 30 多万浏览。我认真看了下，抖音、视频号上那些音频+图文讲书、讲历史的爆款账号，用它可以做到一天双更。

既然商业闭环有人跑通，加上 ZCode 里的 GLM 5.3 Flash 夜间 23:00 后能免费用，我就把这笔拖了半年的“技术债”还上，完整跑一次实战。

整套流程跑下来，从头到尾真就只用给一句话，中间顺手回答几个选择题，一条 4 分钟的完整故事解说大片就做出来了。

第一版还有些小问题。本着实战落地，我前后带着模型迭代了整整 7 个版本。改到第 7 版，成片效果完全惊艳到我了。今天这篇既是记录，也是一份保姆级实操指南。

— 只给一句话、回答几道选择题，Agent 自动跑出 4 分钟成片

01

PART

为什么年初不行，现在突然行了？

WHY · 时机转折点

去年下半年市面上有一大堆号称“AI 一键成片”的工具，但点开一看，全是把公版素材和生硬图片胡乱混剪，逻辑差、没有故事性，完全看不下去。

真正可商用的一句话视频，必须严丝合缝地打通四件事：写脚本、出画面、做动效、配声音。过去没有成熟的 Agent 机制，这 4 个模块很难连起来。

转折点在最近几个月：

1

智能体长程任务能力有了质变：从 Openclaw 小龙虾到 harness 深度执行框架，Agent 已经能严格按照十几道工序执行长任务，中间报错还会自主排查、自动校正。

2

AI 能真正接管电脑了：它不需要繁琐代码，而是像人一样复用你的浏览器登录状态，打开网页、点击按钮，甚至自主调用系统软件。

本次使用的核心就是大雷开源的 Skill。它把叙事解说的生产链条，直接打包成了一条标准流水线。

— 写脚本、出画面、做动效、配声音，四个模块被 Agent 串成流水线

02

PART

动手前的准备清单

PREP · 资源与成本

先算一笔账，这是我跑出来的最终成片规格：时长 3 分 55 秒，包含 25 张高精度定制插画、100 条独立动态字幕，以及 14 张核心论点卡片。

需要提前备好这几样东西（能省则省）：

工具 / 资源	作用	省钱小贴士
ZCode 客户端	运行智能体框架	挂载 GLM 5.3 Flash，夜间 23:00 后免额度；也可用 Workbuddy
视频生成 Skill	核心装配流水线	GitHub 搜索：aaronyi97/image-story-video-wizard
ChatGPT 网页账号	批量自动化出图	走网页端额度，无需额外买 API；也可用魔搭/豆包/ComfyUI
TTS 语音工具	故事全流程配音	首选本地 Breeze TTS 2（零成本）；也可 Skill 内置豆包/百炼

03

PART

四步上手：装好、启动、答题、迭代

WORKFLOW · 状态机

第一步：装好 Skill，看懂这台“状态机”

打开 ZCode，输入提示词安装：

PROMPT请从 https://github.com/aaronyi97/image-story-video-wizard 安装 Skill。Skill 位于仓库根目录，安装名使用 image-story-video-wizard。安装完成后告诉我下一轮可以直接启动，并严格按照流程设计主动引导我推进视频的制作。

这里先提前说一下：它绝不是那种丢进去就盲盒瞎跑的工具，而是一台极度严谨的“带检查点状态机”。

...FLOW

运行 → BRIEF需求 → 找对标 → 写作包 → 脚本敲定 → 配音试听 → 分镜设计

→ 画风锁定 → 批量出图 → 动态组装 → 成片预览 → 迭代反馈

每到一个关键节点，它都会停下来等你确认，确认通过才进下一步。这个设计对新手极度友好。

— Skill 停在 BRIEF 阶段检查点，像导师一样逐项确认后再推进

第二步：只给一句话，把任务丢给它

在对话框里唤起 Skill，输入一句话即可：

启动 image-story-video-wizard 制作一个关于 AI 与“杰文斯悖论”的视频

注意，我连大纲和分镜都没给，就给了一个生僻的经济学概念。不要堆砌又长又乱的要求，它后面自会向你提问。

第三步：它逐关问，你逐关答

接下来只需要在关键节点做好选择：

1

BRIEF 阶段：确认时长（3~5 分钟）、16:9 横屏与发布平台；

2

对标与写作包：确认它检索出的 4 个优质对标，把文案拆解为结构、钩子和叙事节奏；

3

声音与画风：调用本地 Breeze TTS 生成 6 组试听 Demo，人工选“清爽男声”，画面定为“扁平编辑插画风”；

4

出图与分镜：选 25 镜经济型方案，指定走 ChatGPT 网页端批量出图。

04

PART

第四步：从 V1 到 V7，填平暗坑

ITERATE · 七版打磨

第一版出来时框架已经很惊艳，但以视频标准来看，依然充满廉价感：

1

开场画面太平庸，留不住人；

2

字幕堆叠，好几行字糊在屏幕中间；

3

全是静态图片切换，幻灯片感极强；

4

最致命的 Bug：每次切镜头画面都会黑屏闪烁一下。

— V1 的黑屏闪烁 Bug，到 V7 用预挂载+淡入彻底修成丝滑切换

为了达到商业级水准，我带着 Agent 从 V1 一路死磕到 V7，把这套打磨方案直接固化进了工作流：

1

打造黄金开场：让模型重写 Prompt，生成“一枚陨石箭头轰然砸向芯片未来城”的高冲击画面作为视觉钩子；

2

重构动态字幕与排版：改用得意黑字体，按标点切碎成单行短句，加入弹簧弹出动画，顶部加琥珀色进度条；

3

引入 Remotion 镜头运动：把每张静态图解构成推、拉、摇、移 6 种镜头动态，镜头交接处打 10 帧交叉淡化；

4

解决切图闪烁：换用更强的 GLM 5.3，锁定“提前 30 帧在后台预挂载解码、再平滑淡入”的代码方案。

全部改完再看，成片彻底对味了！

05

PART

最核心的两个技术绕道法

HACKS · 省钱路径

很多朋友最怕生图和配音花钱，这里把我摸索出来的路径分享给大家。

1. 浏览器自动化出图

这个 Skill 启动出图时，会在后台自主调度系统浏览器，复用你现成的 ChatGPT 网页登录凭证去生成图片。图生成完自动下载并归档重命名，全自动流水线作业，一分钱 API 费都不用多掏。如果没有GPT会员，用国内的modelscope（魔搭社区）的 API 调用Qwen免费生图也可以（如果想知道具体怎么配置，评论区留言，我单独写一篇）

— 后台自动调用 ChatGPT 网页端批量出图，复用网页额度

！避坑小贴士 🕳

如果你的故事有固定主角（比如历史人物或广播剧），切记让它先生成一张“人物母版图”，后面每张分镜都要垫图参考，防止角色长相每张都变。

2. 替换本地 TTS 声音模型

如果你的电脑配置还可以（12G及以上显存），直接让 Skill 对接本地部署的 Breeze TTS 2 等开源语音模型，既不用买云端语音 API，合成速度也更快。

///

LAST

写在最后

FINAL · 先发出来

算一算综合成本：模型调用蹭的是夜间免额度福利，生图用的是网页额度，声音跑在本地，整条 4 分钟的高清故事视频几乎以接近零的边际成本跑了出来。

这套模式特别适合想要测试故事视频赛道的新人。但我还是那句话：别陷入“追新综合症”，也不要在第一期上关门死磕一个月。

视频是做给观众看的，不是做给自己的硬盘看的。

哪怕前几期粗糙点，先用最快速度跑通闭环发出去拿反馈。如果连续做了半个月流量起不来，果断复盘换赛道，没必要在一个方向上硬耗。

前期流程交给 Agent，后期的质感与判断留给人。赶紧去把这个开源工作流跑起来试试，期待在评论区看到大家的爆款成片！

如果你也想要这个skill 和提示词，请在后台回复“一键成片”，我发你。

我是黄彬，一名在云南做 AI 培训与企业 AI 数字化落地，也通过 Vibe Coding 做 AI 项目的独立开发者。

既然读到了这里，若有启发与收获，欢迎点赞、在看与分享。

点赞在看转发

NATURAL & INSPIRATIONAL