AI 生视频的两种做法：提示词直出与写代码渲染，一支 60 秒片子实测

过去两年 AI 圈最出圈的能力就是生视频。Sora 那几段演示片一放出来，评论区刷的都是同一句话：剪辑师要失业了。

我们要做的是一支 60 秒的 RAG 科普片，讲清楚"大模型为什么会胡说八道，怎么靠检索救回来"。片子里要画流程图，要标出相似度 0.93 这种数字，12 条字幕一条都不能错。同一份稿子做出了两版成片，全是代码一帧一帧渲出来的，6 分钟机器时间，一秒视频的钱没付。

这篇讲四件事：生视频为什么这么火、提示词直出为什么不适合这种片子、写代码出片具体怎么做、两个工具各自的门道。

AI 生视频为什么火，大家想拿它做什么

Sora 之前，AI 视频是"能看"的水平：几秒钟的画面抖来抖去，人物手指都数不对。Sora 的演示片把这事拉到了"像真的"，紧接着 Veo、Seedance、可灵全都跟上，人人都能生成一段像模像样的镜头。

大家想拿它干的活早就想好了：短视频缺几秒空镜，翻素材库不如现生成；电商要批量出商品广告，搭棚请摄影太贵；科普稿子想配画面，总不能让观众一直看 PPT。还有人真拿它拍短剧——36氪 10 月初的报道里有个数字很吓人：Seedance 在短剧行业的渗透率约 95%，光这一个模型一个月就给火山引擎带来超 10 亿元收入。

省钱是明摆着的。一条几秒的片子，机器几十秒就生成好了，不用租场地搭棚，改一版也不用把人叫回片场。对天天要出片的人来说，这几乎是白捡的产能。

但片子和片子不一样。做氛围片，画面里最好别有字，观众记住情绪就赢了；做科普、做教程，观众是来记东西的，一个数字错了整条片子就废了。这两类活儿看着都叫"做视频"，其实考的是两种完全不同的能力。

第一种做法：提示词直接生成

一句话丢进去等 AI 吐片，这条路今天确实能走。只是拿它做我们这种片子，钱是一道坎，写不准是另一道。

先算钱。国外两家：Sora 2 按秒收钱，720p 一档 $0.10/秒，单条最长 20 秒；要 1080p 就跳到 $0.50/秒。Google 的 Veo 3.1 走 Vertex AI，一秒 $0.10–0.60，单条最多 8 秒，最便宜的一档 8 秒也要 $0.80。

国内看字节的 Seedance。Seedance 2.5 单条能直出 30 秒，火山方舟价格页给出的典型价是 720P 5 秒 7.56 元，相当于约 1.51 元/秒，mini 版搞限时活动时到过 0.2 元/秒。（以上都是 2026 年中的公开口径，价格以各家官方页面为准。）

凑 60 秒科普片要多少钱，心里就有数了：Seedance 720P 两段 30 秒约 90 元，Sora 720P 三段 20 秒是 $6，Veo 最便宜一档八段 8 秒约 $6.4。这还是一条过的价，重抽几次，账单接着涨。

另一道坎是写不准。每一段都是单独抽的：前一段的字和后一段对不上，节奏接不起来；中间想改一个数字，那段只能整段重抽，抽成什么样全看运气。

文字和数字更别指望。科普片要在画面上写"相似度 0.93""Top-3""检索 → 重排 → 生成"，让像素模型一笔一画写准这些，目前还没法当真。所以拿它做片头、做空镜挺好，拿它讲知识点，又贵又悬。

第二种做法：写代码、画图、渲染

换个思路：别让 AI 想画面，让它和我们一起把画面算出来。

片子是这么来的——一份分镜 JSON，6 幕 × 10 秒，12 条字幕写在里面 → 渲染器一帧一帧画 → ffmpeg 封成 mp4 → TTS 念稿 → 混到一起。

听着麻烦，改起来最省事。字幕里有个字错了，改一行重跑；觉得节奏拖了，改时间轴重跑。固定随机种子之后，同一帧渲一百遍都是一模一样的像素，审片说"第 3 秒那个框不对"，我回到第 3 秒改就行，不用赌运气。

配音也是算出来的：12 段稿子，每段卡进一个 5 秒槽，TTS 逐段念完拼成正好 60 秒。念超了的那段压到 1.089 倍速，念短了的补静音，两版片子共用这一条音轨。

同一件事，我们用两个工具各做了一遍。下面细说这两个工具。

方案一：Remotion，用 React 写视频

Remotion 是个开源框架，干的事一句话：用 React 组件写视频。你写一个 1800 帧的 Composition，每个组件看着当前帧号决定这一帧画什么，写完丢给渲染器就出 mp4。前端那套东西，组件复用、props 传参、Studio 里拖进度条预览，全能用上，官网上有完整的文档和例子。

我们这版的工程长这样：script.json 是分镜单源，6 幕 × 10 秒加字幕全在里面，src/subtitles.ts 跟它同源；RagExplainer.tsx 管顶栏、字幕条、进度条和场景调度；scenes/scenes.tsx 里是 S1–S6 六个场景。风格是深色 Keynote/3B1B，网格打底，毛玻璃卡片往上一摆，青到紫的渐变收尾。改文案只动 JSON，改长相只动组件，互不干扰，这就是分镜单源的好处。

渲染时碰上件事挺有意思：机器上没装 Chrome，Remotion 官方渲染器起不来。我懒得搭环境，直接写了个 render_fallback.py，照着组件逻辑用 Python + PIL 一帧帧画。分镜一样、进度映射一样、配色一样，换个底层照样出片——所谓视频即代码，这次我是真信了。渲下来逐帧 217 毫秒，整支片子 6 分半跑完；验收拿 2 秒窗口量画面变化，六幕落在 0.87%–1.81%，每幕都有东西在动。

钱的事顺带说清：Remotion 对个人和 3 人及以下的公司免费，4 人以上才要买 Company License，按人 $25/席/月，按渲染 $0.01 一次、每月最低 $100。自己写自己看的，一分不用花。

方案二：huashu-art-motion，白板手绘风格

huashu-art-motion 是个白板手绘动画 skill，上游 MIT 协议。它的语法分三层：Y3 白板-RSA 是主力，管手怎么动、什么时候停、字幕为什么晚半秒；Y2 Vox 管红线和荧光笔这种标记；Y5 动态文字管关键词弹出来。看着像"手写"，其实每一步都是参数。

用法也对味：语法、配色、节拍、转场全塞在一份 spec JSON 里，想换风格就改参数，渲染代码一行不用动；SKILL-MAPPING.md 把每条语法卡对到具体实现，差哪条一查就知道。官方引擎要 uv 加 Playwright，我们的 render.py 是它的确定性子集：纸纤维、手绘抖动、逐笔揭示、笔尖跟随、关键词弹出、相机运动（板上平移、甩镜、收尾拉远），种子固定，重复渲染逐像素一致。

六幕的手部动作是这样排的：

渲下来逐帧 181 毫秒，比 Remotion 版还快两成；画面变化量 1.95%–3.36%，差不多是前者的两倍，那只手基本没停过。字幕是荧光笔带，压在画面下方，跟板面元素不打架。

两版对比：数据与实际观感

数据各有胜负，气质完全不同。Remotion 那版像课堂 PPT：卡片一块一块摆好，标题、正文、图表各就各位，讲知识就得是这个样子，观众一眼知道先看哪、后看哪。白板版走的是艺术路线：手写字、笔尖、盖章，艺术感很足，看着过瘾；可真要"讲清楚"，反而不如 PPT 式来得直接。白板版的字大一号，手机上看得清，这是它实在的优点。

可真要改，Remotion 那版顺手多了，React 生态、Studio 预览、改节奏有标准路子。白板版的渲染器是照着 spec 写的子集，上游哪天升级，得我自己盯着同步。

所以建议就两句：讲课讲知识，用 Remotion 那版；发出去抓眼球，发白板版。以后要做成系列，拿 Remotion 当底座，把白板版的大字和满幅构图抄过去。

这条路线真正解决的问题

回到开头那句"剪辑师要失业了"。省事是真的：不用租场地，改版不用把人叫回片场。只是省的到底是哪一桩，得分清楚：省掉拍的功夫，和省掉改的功夫。一次性要个氛围，前者够了；要做系列内容、要反复改、要保证每个数字都对，只能靠后者。

说到底，代码出片好在哪？视频变成了能改的东西。分镜、渲染、验收都在自己手里，错了改哪儿算哪儿，不用整段重抽碰运气。我们那两版 60 秒的片子就是这么一路改出来的。