AUTOMATIC TALKING-HEAD VIDEO FACTORY

录一段，说一段，成片自己长出来。

一段真人开场录像，加一段语音，自动变成“开场真人 + 图文讲解”的完整口播视频。本机离线转写，AI 导演编排镜头，事实闸门替发布把最后一道关。

查看全部功能 看流水线怎么跑
~/视频工作流 — zsh 

          
示意输出 · 一条命令跑完导入 → 转写 → 精剪 → 导演 → 渲染 → 质检

        

      


      

        
        

        FACE TRACK · 0.98
        LUFS −16.8
        1080×1920 · 30FPS
        OCR · 5 BOX
      

    

  


  
  

    

      
0自动化测试

      
0条变异检查

      
0种讲解画面

      
0个智能动效

      
0道流水线环节

      
≈ ¥0日常出片成本

    

  


  
  

    

      

        
01 / PIPELINE

        
一条命令，十二道工序

        
从拖进素材到交付发布，每一步都能单独复跑、单独审计。点一点，看每道工序在做什么。

      


      

        
    
        
    
      
    
    
    
  
    

  
  
    
    
    
      
    
        
    02 / ON SCREEN
    
        
    成片里到底有什么
    
        
    下面这块屏幕按真实版式复刻：内容区在上，头像与字幕气泡在左下。点选不同画面，看它长什么样、什么时候才会被用上。
    
      
    

      
    
        
    
          
    
          
    画面内容为示意，仅演示版式与动效
    
        
    
        
    
          
    
          
    
        
    
      
    
    
    
  
    

  
  
    
    
    
      
    
        
    03 / CAPABILITIES
    
        
    全部功能
    
        
    剪辑、画面、导演、质量、安全、工程六个维度。每一项都能在项目里找到对应的代码和测试。
    
      
    
      
    
      
    
    
    
  
    

  
  
    
    
    
      
    
        
    04 / LAB
    
        
    动手试试
    
        
    三个小实验复刻了流水线里的真实规则，参数取自项目配置。不是截图，拨一拨就会变。
    
      
    

      
    
        
        
        
      
    

      
      
    
        
    
          
    
            
    停顿怎么被压缩
    
            
    同一段口播，换不同档位。灰色是停顿，青色是说话；停顿越长压得越狠，正常换气不动。
    
          
    
          
    
            
            
            
            
          
    
        
    
        
    
        
    说话停顿被压缩的停顿
    
        
    
        
    
      
    

      
      

      
      
    
    
  
    

  
  

  
  
    
    
    
      
    
        
    06 / PRINCIPLES
    
        
    六条设计原则
    
        
    自动化最怕的不是做不到，而是悄悄做错。整个系统围绕“宁可停下来问你，也不替你瞎决定”来设计。
    
      
    
      
    
        
    01
    本机离线，不联网
    转写、OCR、人脸、场景分类、抠图全部在本机完成。唯一联网的一步，是你主动运行的“取回证据来源”。
    
        
    02
    确定性
    选镜、动效、剪辑规则全是确定性的：同样的输入，永远得到同样的输出，方便复盘、方便回归测试。
    
        
    03
    宁可不配，也不瞎配
    素材对不上口播，就老实保留文字卡并写明原因；拿不准的隐私、水印、人声，一律交给人看一眼。
    
        
    04
    原始素材永不动
    原片不改、不挪、不删；剪辑只产生新文件。你手改过的段落自动变成锁定，之后不会被覆盖。
    
        
    05
    任何失败都回退
    导演出错回到旧计划，动效出错退回普通卡，转场画不出来退回淡化。整条片子不会因为某个增强功能而失败。
    
        
    06
    没检查成 ≠ 没问题
    抽帧失败、检测没跑成，报告里写“检测未完成”，而不是“没有需要提示的问题”。没把握，就说没把握。
    
      
    

      
    
        技术栈
        PythonPillowFFmpeg · x264Apple VisionmacOS 语音识别AVFoundationSwift 小工具
      
    
    
    
  
    

  
  
    
    
    
      
    
        
    07 / CHANGELOG
    
        
    每一次迭代，都来自真实出片
    
        
    这套系统不是一次设计出来的——它是被一条条真实视频“用”出来的。下面是近期的几个节点。
    
      
    
      
      
        
    1. 内容分类回归测试
      一段无关录屏被误判成开场，多渲染出一条错误版本。用当时的真实素材做成回归测试，并改成“先全局判断、再按方向分组”。
      2. 
        
    2. 图上的字也进事实闸门
      补上“手工放的图绕过核查”的漏洞：画面里出现的每一张图，OCR 读出的字都进入核查。
      3. 
        
    3. 真人录像也精剪 · 图片内容绑定
      开场 / 结尾录像的停顿画面声音一起剪；核查指纹绑定每张图的真实文件内容。
      4. 
        
    4. OCR 置信度门槛修正
      描边大标题的置信度只有 0.3，曾被整个丢掉；现在只放行“够大且含汉字”的那一档，并补上马币等币种。
      5. 
        
    5. 讲课式导演上线
      图片占比 91% → 12.7%，最长一张图 33.2 秒 → 4.3 秒；动效注册表与法律 / 制度类主张同日加入。
      6. 
        
    6. 画质硬指标 · 放大不切字 · 开场声音规则
      编码、保真度、关键帧间隔全部可量化验收；放大窗口不再切断字块；开场没人声时，录音从第 0 秒播放。
      7.