公众号文章如何自动生成视频号短视频——智能体基建系列

写公众号的朋友大概都有这个痛点。文章写完了，你还想发发视频号，于是又得写口播稿、录人声、找配图、剪字幕、出封面。同一份内容手动做两遍，累。

我在做自己的公众号「围炉聊科技」的时候有一天想到现在智能体这么厉害是不是让它来帮我做视频号。后来我让AI帮忙写了个技能，叫 wechat-video-creator，专门干这件事。输入一篇写好的公众号文章，它跑完一整条流水线，吐出一条 1080 乘 1920 的竖屏短视频，带克隆人声配音、AI 场景配图、逐句字幕，外加封面图和发布文案。整条链路大概 15 到 20 分钟。代码 MIT 协议，放在 GitHub， 地址在文末。

简单介绍一下它能做什么，再说它怎么做的。

流程

流程分成十几步，核心是这样一条链。

读文章，提炼 3 到 5 个核心观点。写口播脚本，钩子优先，不把全文搬上视频。拿原文逐句复核，数字、术语、结论、逻辑都对一遍，防 AI 改写跑偏。克隆人声配音。whisper 转写分段，顺手做结巴检测。按规则统一提速，默认 1.3 倍，脚本会按实际时长算，安全区间 1.2 到 1.7，算出来超过 1.7 就判定脚本太长，回去精简而不是硬压。生成场景配图，教程类文章还会复用文章里真实的截图。填进 HTML 模板，用 Edge 无头浏览器逐帧渲染。ffmpeg 合成 MP4。再出封面、发布物料和片尾引流。

产物目录里你会拿到视频 MP4、封面 PNG，还有一份「视频号发布物料」文档，标题、描述、短标题都写好了，基本能直接填。下图为使用千问办公生成短视频的截图。

指令：

请使用 D:\Workbench\ContentFerry\assets\skills\wechat-video-creator 中的技能 为《你从IDE切到ADE了吗？智能体开发环境赛道地图——智能体基建系列》文章生成短视频

几个设计

第一，配音是克隆自己的声音，不是临时念稿。它用 Inworld 的克隆接口（之前的《免费的TTS API》一篇中有介绍过），第一次传一段参考音频，拿回一个 voiceId，之后永久复用，不用每次重新克隆。密钥和 voiceId 都存在本地配置文件，仓库只放示例，真实凭据不进 Git。自己多申请几个，多 key 还能轮询，某个 key 限额了自动切下一个，但不许降级到其他 TTS，音色必须守住。

第二，结巴检测比对的是转写文本，不是脚本。真实结巴是音频把同一段播了两遍，但脚本里那句话只写了一遍。所以它用 faster-whisper 把配音转写出来，拿相邻两句做相似度比对，重复了才标出来建议切掉。这个判断口径比简单比脚本聪明。

第三，所有时间参数只认一个真值来源。分段处理输出的 segments.json 记着每段的真实起止时间、总时长、调速比例，后面场景切换、字幕进出、总时长全从它来，不写死在代码里。改脚本重跑，时间自动跟着变。

第四，渲染用浏览器逐帧，不是录屏。它开一个 Edge 无头实例，用 CDP 协议把每一帧截出来，再交给 ffmpeg 压成视频。好处是确定性强，界面改版、字体加载慢这种事不会让成片翻车。代价是要装 Edge 无头加 ffmpeg。

第五，脚本哲学是钩子优先。视频不是文章的全文搬运，而是钩子版。竖屏短视频的任务是用前 5 秒的痛点或反常识把人留住，再把想深入的观众引回公众号看完整版。所以长文更要只挑一到三个最有反差的点做爆点，其余留给文章。

说点实话

它不是开箱即用的 SaaS。要自己装 Edge 无头、ffmpeg、Python 的依赖，还要 faster-whisper 做转写，外加一个 Inworld 的配音 key，再加一个生图服务的 key ( 之前的《长期免费的文生图API》一文有介绍过)，ModelScope 或 Agnes 二选一。环境齐了才跑得动。好在现在有智能体，缺啥可以找智能体帮忙安装。

片尾那段引流配音，现在默认是给「围炉聊科技」录的。换别的公众号用，得自己替换同名的 mp3，再用 ffprobe 确认实际时长，别直接套。

视频号对短标题的字符管得严，逗号、顿号、括号这些一律不让用，逗号都得用空格代替。这条细节坑过我，技能文档里写清楚了。

skill代码在哪看

代码在 github.com/weiluliaokeji/content-ferry，技能在 assets/skills/wechat-video-creator。MIT 协议，想自己搭一套视频号内容流水线的，照着改就行。它本来就是为我自己的公众号写的，但你换个账号、换套配图风格，一样能用。

以上。既然看到这里了，顺手点个赞、在看、转发三连吧，想第一时间收推送也可以给我个星标。

谢谢你看我的文章，我们，下次再见。

/ 围炉聊科技