Github: https://github.com/perfact-tang/AIDirector_AI-81builders

从一条故事到一支视频：我在黑客松上验证的三层做法

这次黑客松，我做了一套生成视频的工具。做完之后我发现，比“做出了一个工具”更让我开心的，是它替我验证了三件事：视频能不能被连续地生产出来，AI 服务能不能被包装成普通人也能用的产品，以及声音能不能成为视频生成的起点。三层都跑通了。

第一层：把“一次性生成”变成可连续的流水线

现在 AI 生成视频的主流做法，是用首帧、尾帧加提示词。单看一个片段，这样已经够用；但真正做一个视频时，问题会立刻暴露：这一条做完，下一条很难接上。越往后做，衔接越痛苦，工作量也越来越大。

我的做法是换一个起点：用户只需要传入一个故事或一篇博客，工具自动判断这个故事需要分成多少节，再为每一节生成对应的提示词。除此之外，工具还会生成角色、配音，并逐节生成视频。项目已经完成。

这一步的价值不在于“能生成视频”，而在于把“每次从零开始”改成了“先拆解，再逐节生产”。故事是同一个故事，角色和声音可以延续，每一节只需要解决自己那一段的画面。对我来说，这是视频能不能持续做下去的关键。

第二层：把 CLI 包成服务层，让非程序员也能用上 AI

这一层来自我作为软件工程师的惯性思考。首先要感谢 AI& 提供的额度（credit）赞助，让我这次能放心地把这些 AI 服务真正跑起来。

我参加过很多次黑客松，尤其是近一年的“氛围编程”（vibe coding）黑客松。大家主要用 AI 工具做产品，产品也基本都是面向程序员的：调用各家 AI 的 API，再把能力包装成面向程序员的 AI 服务。这样的产品成立，但用户边界也很清楚——只有会写代码、会调接口的人才能用。

我一直在想，如果让 AI& 把这些 AI 服务最大限度地跑起来，它们能不能不只供给程序员，也让普通人用上？

这次听 AI& 介绍产品，他们现在提供的是 AI& CLI 服务。CLI 是开发者熟悉的入口，但它也可以成为底座：把 CLI 包装成一个服务层，再给服务层配一个前台，非程序员就能使用这些能力；如果再在 Server 里叠加我们自己的功能，它就不再只是一个命令行工具，而是一个智能服务。

基于这个想法，我做了两件事：

1. 把我写的 skills 安装到这个服务层里。
2. 让服务层接上 AI& CLI 工具：前端把客户需求传进来，服务层用我的 skills 加上 AI& 引擎，调用 AI LLM API 来执行、驱动这些 skills，拆分脚本并逐个生成，最后返回一个标准 JSON。

这个想法成功了。前端不需要理解 skill 的内部结构，服务层也不需要为每个需求重写一套流程，双方通过一个标准 JSON 对接。

沿着同样的思路，我又发现 AI& 上线了一个新功能：调用 MiniMax 的视频模型。读文档时我看到，这个视频模型还支持用声音引导生成视频。于是我在服务层里做了一个我称为 Action 的功能：前端发送信息后，服务层在后台调用 AI& CLI，再调用 MiniMax 的模型生成视频。这个也做成了。

让我很惊讶的是价格：生成视频每秒只收 10 日元。我生成了一条大约一分钟的视频，总共花了五六百日元。这个成本低得超出预期，也确实慷慨。

回头来看，AI& 很好地完成了任务，我把它变成了一个服务端指令。更重要的是，这套架构可以广泛复用：做好前端，把 AI 作为服务器的核心入口层，再为它配置 Action 和 Skills 来提供服务。这样既能让 AI& 的能力有更多用途，也能让开发者把更好、更智能的服务交给普通用户。

第三层：声音先行，让配音决定画面

第三层是我在这次实践中发现、也愿意继续倡导的一种新做法：用声音驱动视频生成。

问题很具体：逐段生成的视频，常常缺乏衔接感。我的解法不是继续堆提示词，而是先把配音写好。判断标准也很直接——不看画面，只听配音，能不能感受到故事？如果能，这件事就成了一半。

接下来，把配音文件按段落切好，以每段配音为参考，用 MiniMax 模型生成对应视频。模型会参照配音里的语义去想象动作、生成内容。相比写大量描述画面的 Prompt，这种方式更实际：声音本身带着情绪、节奏和意图，生成的视频有一条核心意图和宗旨去推进，效果也非常好。

三个验证，都成功了

这次黑客松，我完成了三个验证，而且都成功了：一套能连续生产的视频系统，一套把 AI 能力交给普通用户的服务层架构，一种声音先行的视频生成方法。对我来说，这比单纯做出一个 demo 更有价值。

最后感谢组织者 +81 Builders，带来了优秀的 Sponsor、很好的场地和非常好吃的披萨。希望活动越办越好。