修正后的工作流：从调研到渲染
痛点钩子：定个主题，让 AI 自由发挥写文案、切片段、逐段做画面，最后配 TTS——结果音画对不上，改一句文案下游全重做，第十版还不如第一版。这套流程骨架没错，但它是「幸运时能跑通」的最小流程，不是能稳定产出满意成品的工程流程。
5.1对「直觉流程」的逐环节修正
大多数开发者第一次设想的流程是：定主题 → AI 写完整文案 → 切成片段 → 每段生成素材和配音 → 组合成片。按环节修，一共五处：
| 你的假设 | 判定 | 修正 | 类比 |
|---|---|---|---|
| 定个主题，AI 自由发挥 | 缺地基 | 先调研出结果，脚本从调研报告 / 定稿文章里长出来，事实有出处 | 先查资料再动笔 |
| 主题 → AI 写完整文案 | 半对 | 产物是一份视频脚本：分段写，每段带【画面】【口播】【备注】；先审口播栏，再审画面栏 | 剧本不是小说 |
| 切成片段 | 缺标准 | 按信息单元切：一个论点、一个概念、一个动作就是一镜；不按字数均分 | 先画分镜再拍戏 |
| 每段生成素材＋配音 | 顺序反了 | 音频先行：TTS 先出真实时长，画面时长反向适配 | 先量布再裁衣 |
| 组合成片 | 被低估 | 对齐、转场、字幕、混音、封面是互相依赖的独立工序 | 不是拼乐高，是装修 |
💡 两处最关键的地基
一是内容来源：流程最上游不是「主题」而是调研结果——没有调研报告 / 定稿文章当地基，AI 自由发挥出来的文案事实没出处、立场没着落。二是产物形态：不再是口播稿＋分镜表两份文档，而是一份视频脚本——分镜不是独立文档，它就是这份脚本的画面栏。
5.2演示：两种顺序的返工量对比
音频先行 vs 画面先行 · 返工模拟器
拖动「预估误差」滑块——它模拟你（或 AI）估算口播时长时的不准程度。看上面那条时间轴（画面先行）如何出现红色错位返工区，下面那条（音频先行）始终对齐。
画面先行返工：—
音频先行返工：≈0
—
⚠️ 新手第一大坑
「先做画面后配音」是踩中频率最高的坑。音画错位后只有三条坏路：截断语音（话没说完）、加速播放（观感廉价）、重做画面（工时翻倍）。画面时长按真实语音校正后就不许再手改——real duration wins。
∑ 想深一层
音频先行的真正价值不只是时长对齐：TTS 的词级时间戳是整条流水线的锚——字幕、逐词强调、动画关键帧、节奏卡点全都建立在这条数据上。所以转录/时间戳必须在上游预留，下游一切对齐工作都引用它。
5.3修正后的完整工作流
| # | 环节 | 要点 |
|---|---|---|
| 0 | 内容来源：调研报告 / 定稿文章 | 脚本的事实出处，先有地基再动笔 |
| 1 | 定位（人工闸门 G1） | 选题、钩子、受众、时长，10 分钟确认，写进脚本文件头 |
| 2 | 视频脚本（一份文档，约花 30% 精力） | 分段写，每段【画面】【口播】【备注】；先定口播栏（闸门 G2），锁定后再补画面栏——逐镜画面＋素材来源（闸门 G3） |
| 3 | 并行生产 | TTS 口播最先（拿到真实时长＋词级时间戳）；逐镜画面按脚本画面栏选来源；音乐 / 音效并行准备 |
| 4 | 时长同步 | 真实语音回填脚本，画面时长反向适配，此后不再手改 |
| 5 | 组装 → 转场 → 字幕 → 混音 | 混音做 ducking（人声压 BGM）与音量标准化 |
| 6 | 渲染前终审（人工闸门 G4） | 节奏、信息密度、事实准确性——只在这个点问「要不要渲染」 |
| 7 | 渲染 ＋ 分发物料 | 封面多尺寸、标题、简介、章节时间轴、多画幅版本 |
💡 关键直觉
语音时长不可压缩，画面时长可以自由伸缩。让不可预测的去迁就自由伸缩的，必然返工；让画面去迁就真实语音，一次到位。同步之后一切时长以真实配音为准，不许手改。
⚠️ 最大的成本浪费源
不是每个镜头都该「生成」。录屏、已有实拍、静帧运镜、代码 MG 往往比 AI 生成视频更快更准更便宜。把「生成」当默认动作，是成本失控的头号原因（第 7 章有量化决策）。
5.4演示：一份视频脚本生成器
新流程的产物是一份视频脚本：文件头写定位（G1 的产物），正文分段，每段三栏【画面】【口播】【备注】。注意生成的顺序——它本身就是两道闸门：先起草口播栏并锁定（G2），再补画面栏（G3）。
一句话选题 → 一份视频脚本（先口播栏，后画面栏）
输入选题（或点预设），先点「① 起草口播栏」——此时画面栏是锁住的；模拟 G2 通过后再点「② 补画面栏」。真实流程中由 AI 起草、人工在两道闸门处修订。
| 段 | 【口播】 G2 · 先审这栏 | 【画面】 G3 · 口播锁定后审 | 【备注】 |
|---|
G2 口播栏：待起草
G3 画面栏：未解锁
—
💡 为什么先锁口播栏
口播是全流程的单一事实来源：口播一改，画面、配音、字幕、时长全废。所以 G2 先审口播栏——按「读出来顺不顺」审，不是「看起来对不对」；锁定之后补画面栏只是给每段配画面，不再动叙事。脚本环节值得花整条片约 30% 的精力，它是唯一把叙事判断显式落成结构的环节。
✓ 本章小结
修正后的工作流：调研结果当地基 → G1 定位 → 一份视频脚本（先口播栏 G2、后画面栏 G3，约 30% 精力）→ 并行生产（TTS 最先，拿词级时间戳）→ 时长同步（真实语音回填，不再手改）→ 组装转场字幕混音 → G4 终审 → 渲染分发。G1–G4 这四道人工闸门设在哪、审什么、为什么，正是下一章的主题。