40 条带货口播，是怎么"被 AI 批量做出来"的？
How Forty Livestream-Style Selling Videos Were Batched-Produced by an AI Agent Pipeline
- 规模
- 40 条 60–120s 带货口播
- 目标
- 交付质量不掉、降本提效
- 节省工时
- 原 20h → 实际后台托管
- 人工介入点
- 仅字幕样式挑选
- 交付物
- 成片 + 双语字幕 + 视频封面
- 运行环境
- 本地模型 + 私有 Agent
四十条带货口播同时跑，不是四十位剪辑师坐在工位上，是一条由 AI Agent 调度的本地后期流水线。 从口播剪辑、ASR 字幕、字幕样式设计、HyperFrame 渲染、配乐混音，到封面生成与发布归档， 几乎全流程都在后台托管—— 唯一会打断 Agent 安静工作的人类动作，是在十来个字幕版式里挑一个。 本文记录这条流水线的实际工作方式、技术决策与质量边界。
剪口播：剪映 AI 并行气口剪辑
素材进入流水线的第一关，是把"原始录制"变成"可以读的口播"。 在传统流程里，这一步叫剪辑气口——把所有"嗯""啊""那个"以及说话人的吞字、口误、犹豫段落切掉， 再把断句断得合乎标点。熟练剪辑师做这件事，平均每条 60–90s 的口播要花 6–8 分钟。
我们没有自建这一段，而是把素材统一送进剪映 AI 口播剪辑，由它在 40 条视频上并行启动任务。 任务的颗粒度是"切掉气口 + 纠错 + 重新断句"，剪映的语义模型对带货口播这种"信息密度大、停顿多"的内容有比较成熟的模板。
全部完成后，统一对 40 条成片做 1.1× 加速。不是为了让视频变快，而是让节奏更紧——
电商口播的研究里，1.05×–1.15× 是"听感自然、信息密度提升"的最佳区间。
这一步没有任何"模型选型"上的纠结，剪映已经吃透了这件事。 我们做的，是把它并行起来——40 个任务一起跑，剪映本地实例吃满显存队列， 端到端通常在 10–15 分钟内全部出片。把"串行手工"换成"并行 AI"，是第一道杠杆。
不自己训练剪辑模型。剪映已经做得很对，与其自造轮子，不如把 GPU 时间花在 尚未被通用工具解决的环节——比如字幕样式与长尾视觉一致性。
ASR 与字幕：毫秒级时间轴与双语 Skill
剪好的口播，落到 AI Agent 手里。Agent 调本地部署的 ASR 模型跑语音识别， 输出的是一份初字幕：单词级时间轴，精确到毫秒，单条视频的识别准确率约 99%。 这一段在工程上不复杂，难点全在"下一步"——把初字幕变成真正能上字幕轨道的成稿。
我们的处理路径是：Agent 调出独家字幕 Skill，对初字幕做一次"手操级"的二次精修。 精修分成三个层次：
- 分段节奏——单句长度卡在 1.6–2.4s 之间， 避免出现"观众还没读完就被切走"的尴尬；超过 2.4s 强制换行或拆句。
- 口语化翻译——不是字面翻译，是把"听起来像在讲"的英文写出来。 比如"家人们今天给大家上一款"直译会很怪，我们会让它变成"Alright, today we've got something special"。
- 信息流密度——按"短时间屏幕文字信息量"做动态降载。 一帧画面同时出现的字不超过 14 个汉字 / 28 个英文字符， 否则就把长句切到下一帧，让观众的视线有"留白"。
输出格式是 .srt（主轨）和 .ass（带样式的副轨），
同时返回给 Agent 一个结构化的 JSON 描述，作为下一阶段"字幕样式"的输入。
同样一份工作交由熟练字幕师执行，单条视频约 30 分钟，40 条总计 20 小时。 流水线以 Agent 串行调用 + 模型推理时间计，实际占用人工时间：0。 关键不是"快"，是"稳"——40 条视频的字幕断句节奏、英文口吻、信息密度保持一致，不会因为剪辑师当天状态不同而漂移。
字幕样式：从 10 个版式到设计师确认
字幕文件本身是数据，字幕"长什么样"是设计。 在自动化与美学之间，我们选择把后者交回人，但让人在收敛的选项里做选择，而不是从零开始。
Agent 在拿到字幕文件后，会基于视频主色调、画面明暗、主体位置（人脸/产品/风景）， 自动生成接近 10 个版式的字幕样式提案，每个版式包含以下设计维度：
- 字体：思源黑体 / 思源宋体 / Inter / Manrope / 站酷高端黑 等候选， 根据视频调性（高端 / 亲切 / 科技 / 复古）自动筛选 3–4 个。
- 字重与字号：从 400 到 800 五档可调，按"屏幕中文字占比"反推最优字号。
- 颜色与对比：主色 + 描边 + 阴影的三层结构，确保在任意帧背景下都满足 WCAG AA。
- 位置：底部 1/3 / 画面中央 / 人物头顶 / 侧边竖排，可叠加。
- 动效：淡入 / 上推 / 字符逐显 / 关键词高亮扫光 等 8 种预置。
10 个版式被整理成一份"设计师审阅稿"——
每页是 { 视频缩略图 + 字幕样式预览 + 设计说明 }。
设计师只需要做两件事：选一个，或者指出要改的地方。
Agent 接住修改意见，再生成新一版——通常 1–2 轮就收敛。
把人放在"会审美"的环节，机器放在"能批量"的环节——这是整条流水线最核心的分工哲学。
渲染：HyperFrame 与 VLM 选材贴图
时间轴字幕、字幕样式都齐了以后，进入真正的"视频合成"环节—— 这一段我们交给内部视频合成框架 HyperFrame 处理。
HyperFrame 在这里承担三件事：把字幕按时间轴贴到视频帧上、按设计师确认的样式渲染、 以及对画面做开篇 / 收尾的素材插入。 后者需要"看懂视频"——具体来说，需要知道：这段口播在讲哪个产品？ 什么时候情绪是高潮？哪一帧适合做开篇钩子？
我们用的视觉语言模型是本地部署的 MiniCPM-V。 它的角色是 "逐帧内容审阅员"： 按时间轴切片，标注每段口播对应的主题、产品露出、情绪曲线； 然后由 Agent 在素材库里挑出最合适的首尾视频，做 1.2–2s 的转场插入。
40 条视频每条要切片 30–60 帧，总计上千次 VLM 调用。 走云端 API 既慢、又贵，还把内容数据传出去—— 带货口播经常涉及未发布的产品信息，本地部署是合规底线，不是技术偏好。
渲染输出是符合平台规格的成片：竖版 9:16 / 1080×1920 / 30fps / H.264 / 码率 6–8 Mbps。 40 条成片在 8 卡 GPU 上并发渲染，端到端约 35 分钟。
混音与封面：人声优先与图生图
混音和封面是两条相对独立、但与渲染并行的支线。 混音的难度不在"加 BGM"，而在"让 BGM 知道什么时候让位"。 Agent 拿到成片后，会先用 VLM + ASR 的联合标注，把视频分成 人声段 / 停顿段 / 情绪高潮段，再按"人声优先"原则做动态混音：
- 人声段：BGM 压低 -12dB，频段让 1–4kHz 给到人声。
- 停顿段：BGM 抬起 -3dB，承接情绪不冷场。
- 高潮段：BGM 做 0.5s 渐入 + 1s 渐出，制造"打点"感。
封面的生成走 image-to-image 模型。 流程是：先由 Agent 自动截取视频首帧作为底图， 再结合字幕文件提炼的 3–5 个关键词（例如"补水""保湿""敏感肌"）， 用提示词工程生成 4–6 版封面候选—— 要求高对比、主题突出、左侧 1/3 留白便于平台 UI 叠加。 设计师或运营挑一张做最终封面。
封面的"信息密度"和"视觉呼吸感"是一对矛盾——AI 的优势在于可以一次出 6 版让你挑， 而不是把这一版调到死。
归档与发布：结构化输出与必要时的自动上线
完整的视频文件、字幕文件（.srt / .ass）、视频封面、生成日志、
设计师审阅意见，全部归档到结构化目录：
/output/2026-Q1/livestream-batch-01/
├── 01-raw/ 原始录制
├── 02-cut/ 剪映剪辑后
├── 03-subtitle/ 字幕文件 + JSON 描述
├── 04-style/ 字幕样式包 + 审阅稿
├── 05-render/ 渲染成片 (mp4)
├── 06-mix/ 混音后成片 (mp4)
├── 07-cover/ 封面候选 + 终选
└── 08-publish/ 发布物料 (title/desc/tags)必要时，Agent 还能自行完成发布这一步： 按预设的标题模板（产品名 + 卖点 + 钩子）生成标题、写简介、选标签、调度到各平台。 这一步目前仍保留人工确认，但 Agent 已经把"草稿"做到直接可发的程度。
这条流水线不是要"取代剪辑师"，是把剪辑师从 20 小时的重复劳动里解放出来， 去做只有人能做的判断——审美、节奏、卖点、情绪。机器负责"不掉"，人负责"出彩"。 这是分工，不是替代。
一条流水线最难的不是建起来，是让它的输出稳定在"完美级"而不漂移。 我们跑了 6 个批次、累计超过 200 条视频， 字幕断句节奏、英文口吻、封面信息密度、混音人声比例，都收敛在很小方差内—— 这才是"流水线"三个字的真正含义。