代码做视频：四个技能实测与分场景选型 ​

一句话答案：代码做视频不是「让模型生成像素」，而是「让模型写一段程序，这段程序在每一帧算出一个画面，再把帧拼成 MP4」。所以它的产物可复现、可编辑、文字永远清晰——代价是你得先准备好素材（截图、文案、配音），并且第一次配环境要花点时间。本文实测了四个开源技能，按场景告诉你该用哪个、开拍前要准备什么。

什么是代码做视频，和文生视频差在哪 ​

结论：两者是两条完全不同的路线。文生视频是模型逐帧生成像素，适合实拍质感、人物表演；代码做视频是每一帧由你写的程序算出来，适合字幕条、数据动画、代码演示、产品宣传片、科普讲解。

最关键的一条差别是可复现。同一份代码渲染一百次，结果完全一样；你改一行文案重渲，只有受影响的部分变。生成式视频做不到这点——同样输入两次，可能给出不同结果。

四个技能的场景分工 ​

结论：没有哪个技能是万能的。选型只看一件事——你要做的片子里，信息是怎么组织的。

四者技术路线有重叠也有差异：前三个都是 Remotion（React）路线，第四个是 HTML + Playwright 路线。这一条本身就是选型理由——如果你想避开 Remotion 的许可与版本约束，第四个是现成出路。

开拍前要准备什么 ​

结论：四个技能里有三个的产物质量，直接取决于你给的素材质量。素材不到位，再好的技能也救不回来。

配音是最容易被低估的一项。 本文实测下来，四个技能里有三个把配音当成硬约束——没有时间戳就不出片，因为字幕和动效都要靠它对齐。

配音专区：两条路线 ​

结论：中文配音有两条可行路线，按你能不能连外网选。

实测提醒：很多人 edge-tts 一装上就发现连不上。这不是配置问题，是网络问题——本文测试机直连被拒，系统代理端口也没在跑。如果你的机器同样情况，直接上 Kokoro。代价是 Kokoro 没有词边界，只能「逐块合成」，块起始帧仍然精确，但块界断句略生硬。

术语验读是必做项。MCP 念「M C P」还是别的、模型 ID 怎么读、.json 念不念「点 json」，都得单独试听定，不能想当然。

混音规范 ​

工具就一条 ffmpeg：ffmpeg -af loudnorm=I=-14:TP=-1.5:LRA=11。

四支样片 ​

以下四支都是本机真实渲染产出，不是概念图。

1. 无限卡宣传片（video-shotcraft 方法论） ​

规格：31.9 秒 · 1920×1080 · 30fps

用了什么：真实官网首页截图做 2.5D 运镜、三档套餐卡从官网配置数据取真文案、终端逐行打出、代码合成配乐 + 五处钉帧音效。

开拍前要准备：官网首页 2 倍截图、档位名称与价格的真实文案、官网 SVG logo。

2. 上下文窗口 + 提示缓存（anything2explainer） ​

规格：41.7 秒 · 1280×720 · 30fps（本片按 a2e 自身标准声明静止上限 3.0 秒）

用了什么：黑底白线稿 + 紫点缀的固定视觉体系，Kokoro 配音（5.19 字/秒），逐块对齐字幕，底部章节进度条。两个主题（上下文窗口、提示缓存）并进一支，各占一章。

开拍前要准备：解说稿（先定稿）、Kokoro 中文音色选定、幕底选型（点阵波或星点）。

3. MCP 是什么（video-talkcraft） ​

规格：36.0 秒 · 1920×1080 · 30fps

用了什么：五镜结构（终端 → 装手脚 → 能干什么 → 怎么装 → 装完什么样），句级时间戳锁动效，深空蓝主题。

开拍前要准备：配音成品与时间戳 JSON、脱敏后的配置示例、每镜的语义标注（这句在做什么）。

4. Skills 是什么（video-talkcraft） ​

规格：43.3 秒 · 1920×1080 · 30fps

同样五镜结构，把 MCP 那套换成了「技能目录 → 文件夹即技能 → 放进目录自动认出 → 下次照做」。

5. 一条视频是怎么算出来的（Remotion 重做版） ​

规格：41.0 秒 · 1920×1080 · 30fps

这条本身就是在讲这门技术。第一版我们用 claude-motion-design 的 seek(t) 引擎做，四支镜头全是并列的示意图，看不出因果关系，而且零解说零字幕——观众没有进入点。第三轮推倒重做，换成 Remotion，五镜改成一条完整因果链：写脚本 → 脚本切成时间轴 → 每一秒交给函数算一帧 → 一帧帧接成视频 → 改一句重渲。

开拍前要准备：先定稿解说词（它是唯一真源，画面按句切）、每个元素锚到具体的字（tSay）、标题前 5 帧给完成态构图。

怎么按自己的场景选 ​

结论：三步就能定下来。

1. 数一下片子里要出现几段解说。有配音、需要字级对齐 → 走 video-talkcraft。只有字幕或纯画面 → 跳过这步。
2. 看画面是「抽象示意图」还是「真实界面」。真实界面（你的产品、你的终端）→ video-shotcraft，它整套方法论围绕「先起服务再截图」；抽象示意图 → anything2explainer 或 talkcraft，它们更适合画概念。
3. 看你要不要避开 Remotion。要 → claude-motion-design，它自带完整引擎。不要 → 前三个随便挑，都成熟。

只有一种情况建议自己写：片子要同时有真实界面和抽象示意（比如先演示一遍真实产品，再用抽象图解释原理）。这时用 video-shotcraft 的方法论但自己搭工程，比硬套任何一个技能都顺。

用户只需要给什么 ​

结论：五个样片做了两轮，最容易走偏的就是这件事——把技能该做的设计当成需求写进去。用户给方向，技能做设计。

为什么不该给：这些是技能的内部实现。talkcraft 的 tSay()、a2e 的 GLITCH_SEQ、shotcraft 的镜头卡都是技能自己按时间轴和语义段落推导的。你手填的版本会和技能的自动设计冲突——第一轮我手填字幕位置，结果和字幕组件的默认位置打架。

正确的协作方式：需求只给方向，让技能先出 30 秒样片；样片确认后再提具体修改意见，而不是在需求阶段就把实现细节写死。

机器闸：人眼审片会漏，断言不会 ​

第一轮我人工审了帧，认为 V4/V5 通过。实际上那两支片子的场景根本没挂载成片——上部区域像素标准差是 0.00，整片只有字幕。原因是调用 sceneFrameRanges() 时少传了参数，返回 undefined，五个场景全被 if (!r) return null 拦掉。

这类问题靠人眼和静帧都看不出来。 当时我抽的是静帧，静帧里场景是正常的（因为那是从 Remotion 直接渲的单帧），只有合成后的视频才暴露。

第二轮加的七道闸在出片后一条命令跑完，退出码非 0 即不出片：

python scripts/gates/run_all.py outputs/your_video.mp4
python scripts/gates/run_all.py outputs/explainer.mp4 --motion-std=3.0   # a2e 风格片

七道闸分别是：场景挂载、动画密度、布局侵占、解说一致性、响度、首帧完整度、音轨非空。其中最该先上的是第一道——它拦住的是最贵的一类错误（整片渲染白费）。

三轮迭代实录 ​

这是本文最想讲的一件事：同一批样片，我们迭代了三轮，每轮都有明确的输入、明确的发现、明确的改动。 下面按真实经过写，不美化。

第一轮：给了什么，发现了什么 ​

输入：一个主题、五句解说词、一张官网截图。

结果：五支片子全部渲染出来了，但三支有硬伤——V4/V5 的成片是纯色底加字幕（场景根本没挂载），V1 没有解说，我抽静帧审片却认为「画面正确」。

为什么没发现：静帧是从 Remotion 直接渲的单帧，场景是正常的；只有合成后的视频才暴露。而我看 V5 时工作目录漂移到了 V6，把 V4 的帧当 V5 的看了。

第二轮：补齐流程，加机器闸 ​

输入：同上的内容，加上语义标注 + SHOTBOOK + shots.json，以及一套七道机器闸。

为什么这次不一样：a2e 和 talkcraft 都要求先产出这几个中间文件，我第一轮跳过了。而且两个技能都自带质检脚本（talkcraft 的 preflight.py 会在渲染前拦语义覆盖，freeze_probe.py 会预判静止段），我一次都没跑。

改动与效果：

但第二轮自己也有盲区：七道闸能验「场景挂没挂」「动没动」「字有没有压字幕」，验不了「排版挤不挤得下」——V1 的卡片文字实际超出 122px，七道闸全过，肉眼能看出来，我们却漏了。

第三轮：加排版守卫，V6 推倒重做 ​

输入：同上的内容，加上排版预算守卫。

改动：

1. V1 卡片：卖点文案从 19–31 字缩到 8–10 字，卡片高度 400→460，价格字号 72→66。排版守卫实测从「超 122.3px」变成「余量 46.1px」。
2. V1 尾部：修掉一个此前完全没发现的问题——CTA 的入场帧是 214，而 Sequence 只有 215 帧，永远等不到；加上总时长多出 100 帧，尾部 3.5 秒实测是纯白（std=0.000）。改成收尾层按绝对帧常驻。
3. V6 推倒重做：从 seek(t) 引擎换成 Remotion，五镜改成一条完整因果链。
4. V4/V5 加长：解说从 5 句加到 10 句，字级锚点从每镜 0–2 处补到 2–3 处。

机器闸是怎么一步步长出来的 ​

七道闸不是一开始设计好的，是被每一轮的问题逼出来的：

这条才是本文真正想教的方法：不是「记住七个阈值」，而是每次肉眼发现一个质量问题，就把它变成一条断言。第三轮我们加排版守卫时还踩了一个坑——守卫里的文案引用解析失败被 or [] 静默吞掉，导致卖点完全没算进去，守卫报「PASS 余量 110px」，而手算是「超 122px」。漏算还报 PASS 是最坏的形态，比报错危险得多。

踩坑清单（实测） ​

结论：以下每一条都是本文四支片子真实撞到的，照着避。

最后一条值得单独强调：第一帧必须是完整画面。X、Threads 这类平台会直接抓视频第一帧当缩略图，第一帧是空白底色或半截入场动画，热度和点击都会打折。

质检怎么做 ​

结论：自动检查能证明结构一致，但视觉和听感必须自己看。两件事都要做。

自动检查用 ffmpeg 就够，本文用的判据：

# 首帧是不是完整画面（唯一灰度值越多，内容越完整）
ffprobe -v error -select_streams v -show_frames -show_entries frame=pkt_pts_time \
  -of csv outputs/your_video.mp4 | head -1

# 整体响度
ffmpeg -hide_banner -i your.mp4 -af "loudnorm=I=-14:TP=-1:LRA=11:print_format=json" -f null -

人工审片看三样：抽 1fps 联系表逐帧过一遍找穿帮、每个转场前后各看一帧确认没有半帧断、完整试听一遍确认音乐没盖人声。自动检查全绿但没人看过的情况，本文在结果文档里都如实标注了。