一句话让 Opus 5.5 做出视频：它自己跑的五步和工具

想做视频，又不会剪辑画画，还不想露脸？最近刷到不少 Opus 5.5 一句话做出来的动画视频，想自己试试，结果连要装什么都不知道。

其实你要做的很少：说一句要什么，最后看一遍成片。中间写稿、配音、做画面、上字幕、合成这五步，全是 AI 自己干的，工具它自己装，命令它自己跑。

唯一的前提：得用一个能在你电脑上跑命令的 AI，比如 Claude Code。网页上聊天的那种只能出主意，做不出视频文件。

我刚这样做了一条 6 分钟的讲解视频。丢给它一个参考链接加一句话，二十分钟后成片就出来了：41 张插图，中文配音，中英双语字幕。花钱的只有画图，按张算，别的全免费。

AI 自己跑的五步

这五步你不用动手。知道它在干什么就够了，哪步不满意，你能说清楚让它改哪。

步骤	它干什么	它用的工具
1. 写稿	把整条视频写成一个稿子文件	模型自己
2. 配音	把稿子念出来，量出时长	edge-tts、MiniMax、ElevenLabs
3. 做画面	按时长出图、出动画或出视频片段	看走哪条路线
4. 上字幕	照配音的时间点对齐，做进画面	配音工具自带、Whisper
5. 合成	画面、声音、字幕拼成一条	ffmpeg、Remotion

它会按这个顺序来：先有稿子，再配音，时长定了才做画面。

1. 写稿

• 一个稿子管到底。 它把每句的配音、字幕、配什么画面全写进一个文件，后面每一步都照着这个文件来。
• 有参考先拆解。 你给了参考视频，它会用 yt-dlp 下下来，用 Whisper 转成文字稿，看明白了再动笔。
• 核实事实。 它会联网查稿子里的研究和数据。我那条参考视频里有个“研究”怎么都查不到，它自己换成了真实来源。

2. 配音

它会挑一个配音工具把稿子念出来。你有偏好，跟它说一声就行：

• 默认免费的： 微软的 edge-tts，中文不错。
• 想更像真人，或者用你自己的声音： MiniMax、ElevenLabs，都能克隆声音。
• 想在本机跑： 开源的 CosyVoice。

配完它会先量时长。长了删稿，短了补稿，对上了才往下走，免得画了半天用不上。

3. 做画面

这一步花钱最多，效果差别也最大，关键看走哪条路线。你不说它会自己挑，想指定就跟它说一声。

路线	适合	画面工具	成本
代码动画	产品介绍、数据图表、文字动效	Remotion、Manim	几乎免费
插图配音	知识讲解、读书分享	gpt-image、Nano Banana、即梦	按张付费
AI 生成视频	广告、剧情、镜头感强的片段	Veo、可灵、Seedance、海螺	最贵
录屏	软件教程、产品演示	AI 操作浏览器，边做边录	免费
数字人口播	要有人出镜，但不想露脸	HeyGen、即梦数字人	订阅

• 代码动画： Opus 5.5 刷屏的那些动画，大多走的这条路。它像写网页一样把每一帧写出来，再渲染成视频，字和数字都清楚，改起来也快。Remotion 个人用免费。
• AI 生成视频： 最有电影感，可每段就几秒钟，同一个人换个镜头可能就变了样。拿来当点缀挺好，整条都靠它就太难了。

新手我建议先从插图或代码动画上手，便宜，改起来也不心疼。下面这几条它一般会自己注意，没做到就提醒它一句：

• 人物长相写死。 每张图的提示词里都写上同一个人物外貌，主角才不会每张换一张脸。
• 图里不写字。 AI 画的字十有八九是乱码，字交给字幕或者代码去做。
• AI 视频按镜头拆。 一个镜头生成一段，最后再拼起来。

4. 上字幕

• 时间点它自己对。 配音工具会告诉它每个字在第几秒，它照着对齐。你给的是录好的音，它就用 Whisper 反推时间。
• 字幕做进画面。 很多平台是静音自动播放的，没字幕人家根本不知道你在说啥。

5. 合成

• ffmpeg： 它最熟的剪辑工具，推拉镜头、叠字幕、拼接、调音量，几条命令就搞定。
• Remotion： 走代码动画的话，它直接用 Remotion 导出成片。

背景音乐想要的话，用 Suno 生成一段丢给它，商用记得开付费版。成片出来还想手动抠细节，就拖进剪映。

你要做的就三件事

• 说一句要什么。 参考或题目、多长、发哪，够了。
• 复查来源。 它核实过的来源，你最好也点开看一眼，换上的不一定对。
• 完整看一遍。 它检查视频一般是抽几帧截图，不会整条看完，发之前你自己从头看到尾。

发之前注意

• 画幅跟着平台走。 告诉它发哪，它会出对应的画幅：X、YouTube、B 站横屏，抖音、视频号、Reels 竖屏。
• 第一帧就出标题。 不然别人划一下就过去了，没放就让它加上。
• X 长视频要 Premium。 超过 2 分 20 秒就得有，这个只能你自己搞定。

贴给 AI 的话

我当时就说了一句“参考这个视频，做一个 6 分钟适合发推特的视频”，剩下的全是它自己来。换成你的：

帮我做一个 <几分钟> 的视频，发 <平台>，讲 <题目，或者贴个参考视频链接>。

你想拿 AI 做什么视频？卡在哪一步了？