Materials · 过程资料
真实产物，点开看细节
以《AI 速读阅读分级指南》为例，下面是流程各环节的真实中间产物——文稿、配音音频、分镜脚本、56 张首帧图、视频片段、画风模板、合成命令。点击任意一条展开。
📝 展开 ▾
原始文稿（节选）≈1900字 / 6分钟
AI 帮你 10 分钟读完一本书，这是穷人的知识付费，是拯救忙碌生活的救命稻草……（含大量铺垫、四点失去的逐条展开、四点得到的逐条论述、红楼梦/资本论等具体书单、审美语感段落）
精简口播稿242字 / ≈60秒
AI 10 分钟读完一本书，听着很爽。可这到底是赚了，还是亏了？AI 速读拿走了精华，也删掉了所谓的"杂质"。但被删掉的人物心理和推敲过程，往往才是一本书的灵魂……记住，AI 是加速器，人是定盘星。
▦ 取舍逻辑
保留：核心钩子「赚了还是亏了」、失去什么（共情/思考/专注三合一）、分级落点（工具书交给AI / 经典亲自读）、金句收尾。
砍掉：「穷人的知识付费」等铺垫、四点逐条展开、具体书名清单、审美语感段落。
砍掉：「穷人的知识付费」等铺垫、四点逐条展开、具体书名清单、审美语感段落。
🎙️ 展开 ▾
▦ 两条音轨
🗣️
AI 配音旁白 MAIN · 原声主音轨
MiniMax speech-2.8-hd · 稳重知性女声 · 6:08 · 流程自动生成
🎵
背景配乐 BGM · 用户提供
《Eyes wide open》· 3:06 · 循环铺满全片，压到约 -18dB 垫底
配乐是你额外提供的输入，不参与生成、只在最后合成时叠加。用 amix normalize=0 保证叠加后旁白原声音量不被压低；配乐循环铺满 6 分钟、首尾淡入淡出。实测：加配乐后整体响度仅 +0.8dB、峰值不变，原声稳稳主导。
🎞️ 展开 ▾
▦ 单镜头数据结构
// 每个镜头包含字幕、起止时间、时长 { "shot_id": 1, "subtitle": "AI 帮你 10 分钟读完一本书，但你到底失去了什么？这是一份精准阅读分级指南。", "start_time_ms": 0, "end_time_ms": 7574, "shot_duration_sec": 7.57 } { "shot_id": 2, "subtitle": "在这个每天都被信息轰炸的时代，我们似乎都在追求更快。想读书？没时间。", "start_time_ms": 7740, "end_time_ms": 15539, "shot_duration_sec": 7.8 }
▦ 关键规则
每镜 4–10 秒；字幕与配音时间戳对齐；镜头1/2 与末镜必须出现匿名主持人；主持人仅描写神态与肢体，不张嘴说话。
🎨 展开 ▾
▦ 统一画风模板（占位符替换）
核心主体：[描述主体]，出现人物时使用亚洲人面部特征。 整体为现代扁平矢量插画风格，造型简洁几何化，色块平整干净， 边缘清晰，轻微长投影营造层次。 配色：米白底，主色青绿/珊瑚橙/芥末黄/墨蓝点缀，整体低饱和、和谐柔和。 质感细节：[细节]，用简洁色块与少量描边线条表现，避免复杂纹理。 背景基底：[背景]，米白或浅米灰纯色背景，简洁留白。 光影风格：扁平柔和，无强烈高光硬阴影。渲染风格：现代扁平商业插画。 逆向提示词：铅笔素描质感、写实照片、3D塑料金属、高饱和刺眼色彩、杂乱纹理。
只替换 4 个占位符，其余固定不变，保证 56 个镜头画风高度统一。主持人形象在项目开始时固定一份「形象规范」，开场结尾复用。
🖼️ 展开 ▾
▦ 56 张首帧图（点击放大）
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
这些是 NanoBanana Pro 按统一画风模板生成的每镜首帧图，是「图生视频」的输入。全片 56 张风格高度一致：米白底、低饱和色块、现代扁平插画。此处为压缩预览图，点击可看大图。
🎬 展开 ▾
▦ 代表性镜头片段（共 56 段，此处精选 8 段）
#1 开场·主持人
#6 问题钩子
#10 第一·失去共情
#24 专注力萎缩
#37 分级·交给AI
#45 分级·亲自慢读
#53 金句·加速器
#56 结尾·主持人
每段是 Veo 3.1 fast 基于首帧图生成的原始 4 秒片段（未慢放、未烧字幕、无配音）。最终合成时会按分镜目标时长慢放对齐、再拼接烧字幕。完整 56 段在 skill 跑通后的「视频片段」目录里。
⚙️ 展开 ▾
▦ 慢放对齐（4s → 目标时长）
# factor = 目标时长 / 视频实际时长 vf = "scale=720:1280:force_original_aspect_ratio=increase, crop=720:1280,setpts={factor}*PTS,fps=30"
▦ 加背景音乐（配乐为辅、原声为主）
$FF -i 成片.mp4 -stream_loop -1 -i bgm.mp3 \ -filter_complex "[1:a]volume=0.12,afade=t=in:st=0:d=2[bgm]; [0:a][bgm]amix=inputs=2:duration=first:normalize=0[a]" \ -map 0:v -map "[a]" -c:v copy -c:a aac 成片_配乐版.mp4
BGM 压到约 -18dB 垫底。响度对比：原声版 -22.4dB → 配乐版 -21.6dB（仅 +0.8dB），峰值不变 → 确认原声仍主导。视频流 copy 不重编码，秒出无损。