用 Claude Code 串起视频制作流程

用 Claude Code 做视频，起点可以是一个空文件夹：让它学会生成图片、配音、合成音乐，再用 FFmpeg 拼成短片。作者给出的演示结果是，约一小时做出一段 101 秒的太空故事，包含 10 张插画、旁白和镜头运动，账本记录的生成费用为 $0.62。

值得学的是这条制作路径：先跑通单项能力，再把成功步骤保存成 skill，最后用成本记录、时间轴和版本管理把素材串起来。不过，$0.62 的账单范围，以及模型和套餐的具体说法，都需要分开看。

先让一个步骤成功，再让 AI 记住它

作者把编程助手当成制作环境。它负责读文档、写调用脚本、运行程序、处理报错，再把流程保存下来。真正需要补齐的能力只有两类：生成素材，以及剪辑视频。

skill 在这里是一份可以按需读取的操作说明。短描述告诉助手什么时候使用它，正文保存具体步骤、脚本位置、参数和示例。作者的做法是先让助手完成一次真实调用，再要求它「记住成功路径」。

最值得复用的，是把试错结果沉淀成下一次能执行的流程。

演示最终形成 8 个 skill：图片用 gpt-image、nano-banana，配音用 gemini-voice、kokoro-voice、elevenlabs-voice，音乐用 python-music，剪辑用 ffmpeg，转录用 transcript。

但「记住」不等于以后永远一次成功。API、依赖和模型都可能变化。作者偏爱 skill，理由之一是按需加载正文可以节省上下文；他认为 MCP server 会塞入更多内容。这个比较没有给出上下文用量实测，不能直接推广到所有 MCP 实现。

更实用的是项目规则。作者把要求写入 CLAUDE.md：每次付费调用都向 costs.csv 追加日期、服务、模型、用途和美元费用；每次生成文件，都在 WORKLOG.md 记录工具、完整提示词、输出路径和成本。价格要求查官方页面，不能靠模型记忆。

每个视频放在 projects/NAME/，内部划分 images/、voices/、music/、cuts/、final/，测试图片移到 projects/tests/images/。这些文件让后续修改有据可查，也让换一次会话后继续制作更容易。

图片和声音怎么选，才能控制试错成本

作者先用同一个场景测试图片模型：冰冻卫星上的孤独研究站，天空中挂着巨大的土星。

原文将主力模型写为 OpenAI GPT Image 2.5，标识为 gpt-image-2.5-sunburst。演示中的一张 1536x1024 图片耗时 32 秒、费用 $0.04；作者还给出 4K 图片约 $0.12 的价格描述。备选是 Nano Banana 2.1，标识为 gemini-nano-banana-2.1。

这些名称、可用性和价格在此都只能按原文转述，不能当作已经核验的选型清单。保留下来的方法更稳妥：拿同一份素材需求测试不同模型，再决定主力和备选。

作者建议一部作品尽量使用同一个图片模型，以减少风格变化；需要修细节时再切换。这有助于控制变量，但不保证角色、场景和构图自动一致。

密钥则由脚本从 macOS Keychain 读取。示例账户是 ai-video-demo，OpenAI、Gemini、ElevenLabs 分别使用 vid-oai、vid-gem、vid-el 服务名，并明确要求不要打印密钥。可借鉴的是凭据管理方式，具体账户名只是演示配置。

声音部分用了三个档位。Gemini 的 gemini-3.8-flash-tts 接受自然语言描述音色；本地 Kokoro-82M 在 CPU 上运行，作者要求适配 16 GB 内存的 Mac；ElevenLabs 使用 eleven_multilingual_v2。三者朗读同一句话，保存到 projects/tests/voices/，方便试听。

这里也要区分事实与评价：作者确实安排了同句对比，但「ElevenLabs 最好」是他的判断，文中没有盲听评分或系统成本对照。Kokoro 则适合承担草稿和长文本试听，免费指没有云端生成调用费，本地仍要下载并运行模型。

音乐更简单：让助手用 Python 合成约 60 秒的电子氛围音，不用采样，保存在 projects/tests/music/。它适合这类安静、略带诡异感的科幻背景，却不等于通用音乐制作方案。助手画了频谱图检查结果，但频谱只能帮助观察信号，不能代替人耳判断是否好听。

从能播放到能看下去，关键是时间轴

第一版视频的任务很具体：写一个 8 到 10 句的太空故事，生成 6 张风格一致的 16:9 插画，用 Gemini 配音，用 Python 做低音量背景音乐，再通过 FFmpeg 输出 1920x1080 的幻灯片视频。

流程跑通后，问题马上出现：每张图停留约 17 秒，节奏太慢。

作者没有直接增加昂贵动画，而是先调整画面密度：保留已有 6 张图，补齐到每句话一张。最终成片共有 10 张插画。

但图片数量够了，还要知道在哪一刻切换。为此，作者加入本地转录模型 faster-whisper，提取逐词时间戳，并保存成 transcript skill。它解决的是声音与画面的对齐：旁白讲到下一句时，画面也进入对应场景。

接着才增加运动。FFmpeg 可以慢慢推近、沿宽图平移，也可以在无线电响起时震动，在灯光亮起时改变亮度。静态素材因此有了叙事节奏，不必每个镜头都生成完整动画。

这里有一个很具体的坑：缩放过程中，尺寸计算取整可能带来轻微抖动。作者看到了，助手没有识别出来，于是他要求修复并把处理方法写回 skill。原文没有公开修复命令，所以这只能作为排查线索，不能算拿来即用的解决方案。

修改版保存为 v2，同时保留 v1。全部源文件和时间信息都在项目里，后续改一句旁白、换一张图，再渲染即可。这种可局部修改的能力，比第一次就生成完整成片更实用。

我的判断

我认同作者把幻灯片作为起点。它把图片质量、配音、切镜和混音拆开，出问题时更容易定位，也适合练习素材生产与合成流程。

但标题里的 $0.62 需要限定范围。原文没有在提供的正文中列出完整逐项账单，无法确认是否覆盖全部测试、重试和备选素材。它也不能直接代表从零开始的全部开销。

作者列出的月度选择还有 $100 档的 Claude Code 或 Codex，以及 Kimi $20/$40、GLM $20/$80、MiniMax $11/$30；正文另提到 Claude Code 搭配 Opus 5.5 的 $100/月加素材费用。这些都是原文报价，套餐权益和可用性没有展开说明，不能据此推算自己的实际预算。

作者还称，自己制作 4 分钟音乐视频会花约 $100。这能说明他的制作经验，不能证明动画普遍需要这个成本。

至于「创作者应该自己造工具」，我会保留意见。自建流程的价值在于可复用、可追溯和便于批量修改；如果只做一条简单短片，现成编辑器可能更省事。原文没有提供两种方式的工时、质量或维护成本对照，这部分属于经验主张。

能拿来做什么

• 做项目演示或教程视频时，可以先选一小段脚本，跑通插画、旁白和 FFmpeg 合成，再决定是否增加动画，避免一开始就搭建过大的流程。
• 在日常 AI 编程中，可以把成功的素材调用封装为脚本，再用 skill 记录参数、输出位置和使用条件，让后续任务有明确入口。
• 每次调用都保留成本与生成记录，比较不同模型时使用同一场景、同一句旁白，结合试听和账单作选择。
• 修改视频时保留源素材、时间戳和旧版本，重点检查切镜、配音可懂度、背景音乐音量与缩放抖动，最后亲自看完成片。