口播视频别再从零剪：先让 AI 生成剪映草稿

口播视频别再从零剪了，我做了一个自动生成剪映草稿的工作流

很多人做短视频，真正卡住的不是不会写文案，也不是不会用剪映。

而是每条视频都要重复做一遍那些很碎的活：配音要转成时间轴，文案要一句一句对齐，每句话要配一张图，图片风格还不能乱，最后还要把素材拖进剪映里重新搭一遍。

这些事单独看都不难，但加起来特别消耗人。

我最近做了一个本地视频自动化工作流，解决的就是这个问题。

它不负责替你直接生成最终成片，而是把文案和配音，自动变成一份可以继续在剪映里修改的草稿。

这件事听起来没有“一键成片”那么刺激，但对真正持续做内容的人来说，反而更实用。

我为什么要做这个工作流

做短视频最怕的不是某一条剪得慢，而是每一条都要从零开始。

文案写好了，配音也录好了，结果还要在剪辑软件里重新拆句、卡点、找图、对齐、加节奏。你想做的是表达，最后却把大量时间花在搬素材和调时间线上。

所以我想做的不是一个“替我审美”的工具，而是一个本地视频助理。

我把文案粘进去，把配音传上去，它先帮我把底稿搭好。后面要不要换图、加字幕、调节奏、做封面，还是回到剪映里由人来判断。

这样更符合真实创作流程。

AI 做批量、重复、可标准化的部分，人做最后的判断和表达。

它具体能做什么

这个工作流目前主要做五件事。

第一，先校对文案。很多口播稿是语音输入出来的，里面会有谐音错字。如果不先修正，后面字幕和配图都会跟着错。

第二，用本机 Whisper 转录配音，把每句话对应到具体时间。

第三，按每句话生成配图。不是随便堆图，而是让图片跟着句子走，尽量保持统一的手绘风格。

第四，把图片按配音节奏自动对齐，不用人工一句一句卡。

第五，生成剪映草稿。打开剪映之后，可以继续识别字幕、换图、加特效、调细节，最后再导出。

它做的不是成片，而是把最费时间的那一段前置搭建先完成。

为什么不是直接生成视频

因为真正做过内容的人都知道，自动生成的最终视频，很多时候并不好改。

字幕大小、停顿节奏、某张图准不准、某句话要不要强调，这些东西都需要人来判断。尤其是知识口播，画面不是装饰，它要服务表达。

如果工具直接给你一个封死的视频，后面反而麻烦。

所以我更愿意把结果放进剪映草稿箱。剪映本来就是创作者熟悉的收尾环境，AI 把时间线和素材先搭起来，人再做最后一层判断。

这比单纯追求“一键生成”更接近真实生产。

它适合谁

如果你只是偶尔发一条视频，这个工作流的感受可能没那么强。

但如果你长期做知识口播、教育培训、咨询内容、AI 工具分享，或者你经常需要把一段文案配成讲解型视频，它的价值就很明显。

因为这类内容最消耗人的地方，不是创意，而是重复生产。

每天要发、每周要发，就不能每次都靠手感硬剪。你需要的是一套稳定流程：文案和配音进去，配图、卡点、草稿先出来，再人工精修。

这才是持续输出真正需要的东西。

成本和边界

这个工具跑在本地。

转录用本机 Whisper。文案校对和画面规划，优先走你自己已经登录的 Claude Code 或 Codex。额外成本主要在出图，也就是调用中转站的 gpt-image-2。

`.env` 里的 key 只保存在本机，不提交、不外发。

我不想把它包装成什么万能工具。它只是把你本来就在用的模型、账号、剪映环境串起来，变成一条自己的视频生产线。

对我来说，这才是 AI 工作流真正有价值的地方。

不是多一个工具，而是少一次从零开始。

最后

短视频真正难的地方，不只是会不会剪。

更难的是能不能把生产流程搭起来。

这个视频自动化工作流做的事很朴素：你给它文案和配音，它帮你把配图、时间轴、剪映草稿先搭好。后面的表达判断，仍然交给人。

如果你想长期做口播内容，这一步就已经能省掉很多重复劳动。

真正能拉开差距的，不是某一次剪得多漂亮，而是你能不能稳定、低成本、一条接一条地做出来。

备选标题

• 做口播视频最烦的不是剪辑，是每次都要从零搭草稿
• 我把口播视频最磨人的部分，做成了一条自动化流水线
• 文案和配音丢进去，剪映草稿自动出来：我的视频工作流跑通了
• 做短视频最烦的不是剪辑，而是每次都要重新搭时间线
• 不是一键成片，我更想要一个能搭草稿的视频助理