只传一段配音，不用剪映、不用 AE、不用录音、不用会编程，Claude 就能把一期知识短视频从选题做到成片。这套方法已经连续做了 5 期抖音知识视频，每期 2～4 分钟、1080p，风格完全不同：星链新闻口播、AI 幻觉 Vibe 大赏、云的综艺漫画风、键盘 3D 动画短片、海獭纸片拼贴。
整条流水线只用三个 AI：Muse 负责选题和写稿，MiniMax 把稿子生成配音，Claude 把配音做成视频。Claude 这一段包括识别字幕、对时间轴、设计分镜、画画面、对口型、配乐音效、导出成片，全部用代码完成。
时间成本
以 3～4 分钟一期算：Muse 选题加写稿加改稿 20～40 分钟；MiniMax 生成配音加试听修正 5～15 分钟；Claude 识别加对齐加风格预览 10～30 分钟；Claude 写分镜和画面代码 30～90 分钟，看镜头数；渲染成片 2D 风格约 10～30 分钟，3D 风格慢得多，每帧 1～2.5 秒，2 分钟的片子要 1 小时以上。Claude 干活时不用一直盯着，可以先去准备下一期的选题。
准备：三样东西缺一不可
需要三个账号：Muse、MiniMax、能跑代码的 Claude。做 3 分钟的视频要跑很长时间、写大量代码，免费额度通常不够，建议用付费计划和能力较强的模型。最关键的一条铁律：交给 MiniMax 的稿子和交给 Claude 的稿子必须是同一份，一字不差。配音是照着稿子读的，Claude 对齐字幕时就几乎不会出错。
第一步：Muse 选题和写稿
选题直接发给 Muse，方括号里换成自己的账号信息：你是知识区的选题策划，账号定位和目标观众写清楚，让它给 10 个选题。要求就四条：有反常识或强好奇心的切入点、2～4 分钟能讲清楚、有画面感、每个选题给标题、开头第一句钩子、三个核心知识点、为什么可能会火。挑选题的小标准：能画出来的东西越多越好，有数字和对比，中间有反转。海獭那期就是典型：动物可爱、有“300 倍”这种数字、有“不是秀恩爱”的反转。
选定后在同一个对话里接着发：就用第 X 个选题，写一篇 3 分钟左右的口播配音稿。要求：一句一行，每行不超过 15 个字，每一行就是一条字幕；全文约 700～900 字；前 3 句之内抛出问题或反常识；每 20～30 秒一个小转折或新知识点；多用具体数字、对比和比喻，方便做成画面；结尾有一句情感升华或金句；不要括号、表情符号、英文缩写和小标题，只要能直接读出来的正文；正文写完后，另起一段列出稿子里所有事实和数字的来源。
拿到稿子后自己念一遍：拗口的地方改掉，疑似不对的数字追问来源。后面 Claude 还会再核实一遍，比如海獭那期的“20～30 公斤”，就是 Claude 核实时指出只对母海獭成立。
第二步：MiniMax 生成配音
打开 MiniMax Audio 网页版或开放平台，选音色：用平台自带的音色，或者用“音色复刻”克隆自己的声音，只克隆自己或已经授权的声音，配音的性别要和数字人形象一致。把整篇稿子粘贴进去，一句一行的换行和标点会变成自然的停顿。先试听一小段调语速，短视频建议比正常说话稍快一点。生成后从头听一遍，重点听多音字、数字和英文的读法，读错了就改稿子再生成。下载 MP3。
两个小技巧：整篇一次生成，不要分段拼接，否则前后音色和音量可能不一致；为了读对而改过的稿子，就是交给 Claude 的那一份。
MiniMax 语音模型介绍：
https://www.minimax.cn/news/minimax-speech-26
第三步：交给 Claude，十个环节走完
手里应该有三样东西：MiniMax 导出的 MP3、最终版稿子（一句一行）、下文的系统提示词，可选再加一张数字人形象图。开一个新对话，把东西一次发齐，最后加一句：“这是这一期的配音，题目是《XXX》，发在抖音，横屏。”一期视频用一个对话，做完这期再开新对话做下一期，不容易串。
第 1 步，Claude 确认音频时长，检查环境里有没有 ffmpeg 和 Python 库，缺什么装什么，你检查它报的时长和配音对不对得上。第 2 步，语音识别加字幕对齐：用离线语音识别模型（SenseVoice 或 Whisper）转出每个字的时间点，再拿文稿去对齐，得到每句字幕几秒出现、每个关键词几秒说出口。它会发你一份字幕对照，重点看专有名词、数字、英文。如果它说下载不了识别模型，就用剪映识别字幕导出 SRT 发给它。
第 3 步是选风格，最重要的一步：让它给 4 个不同风格的预览，比如插画、漫画、拼贴、复古印刷，每张都是用这期的真实内容画的 1920×1080 预览图，配一句说明。选错风格后面很难改，宁可让它多画一轮，也可以混搭。第 4 步分镜表：把配音切成 20～40 个镜头，每个镜头说清楚从哪句话开始、画面是什么、屏幕上跳什么大字、动效卡在哪个词上。赶时间就回一句“分镜你定，直接做”。系统提示词里还要求它把屏幕上的大数字查一遍。
第 5 步先看样帧再出全片：写好全部画面代码后，先从每个镜头抽一帧拼成一张大图自己检查，文字重叠、元素出画、文字被挡这类问题它会自己修掉，这一步改方向成本最低。第 6 步渲染全片：把视频分成几段并行渲染，逐帧画好交给 ffmpeg 编码，你等着就行，可以问“进度怎么样”。第 7 步配乐、音效、混音：用代码合成一段原创配乐，不存在版权问题，在每个画面元素出现的时刻加音效，人声出现时音乐自动压低，整体响度调到 -14 LUFS。想自己换抖音热门音乐，就告诉 Claude“只要人声和音效，不要配乐”。
第 8 步自检：从头到尾解码一遍确认没有坏帧，核对时长和音频对得上，量响度，在分段接缝和转场处抽帧看一遍。第 9 步你审片，提意见要具体到时间点和现象，比如“1:23 那个大字和字幕重叠了”，它只重渲有问题的那一段，再重新混音导出。第 10 步拿成片：它会把最终 MP4 发给你，说一句“工程源码不用给我，只要最终视频”，就不会发一堆文件。
系统提示词：复制即用
把下面这段放进 Claude 项目的“项目说明”里，以后每期只传配音；或者每次新对话第一条消息就贴上它。方括号里的内容按自己的情况改：角色是短视频制作团队，导演加分镜加动效设计加剪辑加混音，用代码完成从配音到成片的全部工作。成片规格：平台抖音，画幅横屏 1920×1080 或竖屏 1080×1920，24 或 30 fps，H.264 加 AAC 48kHz，响度 -14 LUFS，真峰值不超过 -1.5 dBTP，文件尽量控制在 200MB 以内，只交付最终 MP4。
工作流程严格按顺序：环境检查，确认 ffmpeg、Python 库和中文字体可用；转写用离线语音识别得到字级时间戳，模型下载失败就停下来让用户提供剪映导出的 SRT，绝对不要凭空估计时间戳；对齐用文稿纠正识别结果，逐字对齐，生成每句字幕的起止时间和每个字的时间，写两个工具函数 L(i) 等于第 i 句开始时间，W(i, “词”) 等于第 i 句里某个词说出口的时间，把字幕对照发用户核对；风格预览画 4 张风格完全不同的预览图，等用户选定前不要开始做全片；分镜要求前 3 秒必须有钩子，平均 3～8 秒换一个镜头，每个动效都卡在对应的词说出口的瞬间，数字、关键词、结论用大字上屏，每个镜头只有一个视觉焦点，屏幕上出现的事实和数字先联网核实，发现配音里有错误告诉用户，但不要擅自改配音。
画面全部用代码画，2D 用 Pillow、numpy、opencv，3D 用 Three.js 加无头浏览器，不要使用有版权的角色、logo、网图。数字人口型按字级时间戳加每个字的拼音决定嘴型，再用音量包络控制开合大小，每 3～5 秒眨一次眼，头部只用缓慢的正弦小幅摇摆，绝对不要跟着音量抖动。字幕底部居中，一次一行，1080p 下字号不小于 48px，带底板或描边，和画面风格统一，不能和画面大字重叠。渲染先渲染每个镜头的样帧拼图自己看一遍，逐帧把像素通过管道送进 ffmpeg 编码，按 CPU 核数分段并行，每段先写成 .part 文件，完成后再改名。音频用代码合成原创配乐，在元素入场、转场、强调处加音效，人声出现时自动压低音乐，音乐整体比人声低约 12dB，最后 loudnorm 到 -14 LUFS。自检交付前必做：ffmpeg 完整解码一遍无报错，时长、分辨率、帧率、音频核对，测响度，在分段接缝、转场、片尾抽帧拼图并亲自看一遍。沟通方式：只在真正需要用户决定时提问，每完成一个阶段用一句话告诉用户，提修改意见时只重做有问题的部分，不要推倒重来，命令或下载失败时换一种方法，不要反复重试同一个命令。
风格菜单：题材决定风格
新闻口播加数字人适合新闻解读、科技动态、行业分析，渲染快；Vibe 动效风适合 AI、互联网、科普反常识，渲染中等；综艺漫画风适合生活科普、自然现象，渲染中等；火柴人适合心理学、职场、生活技巧，渲染快；3D 动画适合有故事情节的话题，渲染慢；纸片拼贴适合动物、温情科普、历史，渲染快；水彩绘本适合亲子、自然、故事，渲染快；复古印刷适合文艺、设计、读书，渲染快。发给 Claude 时直接说风格名即可。提醒一句：代码画不出写实照片的质感，想要写实画面，就把 AI 生图工具生成的素材图发给 Claude，让它在视频里组合和加动效。
踩过的坑
数字人一直抖，是头部摇摆跟着音量走，改成缓慢的正弦运动，切镜时的推拉幅度减半。字串到了别的镜头上，是带缓存的图片被直接在上面画了字，在缓存图上画东西前先 copy。不同镜头的元素互相串位，是两个镜头用了同一个元素名，缓存名前面加上镜头编号。成片只有一半长，是某一段渲染中途报错退出，合并时没发现，每段先写 .part，完成才改名，合并前检查每段都在。并行渲染互相打架，是用 shell 的 & 同时启动，进程被提前杀掉，每段单独用后台任务启动。某一秒突然爆音，是同一个时刻叠了 17 个一样的音效，音效按时间去重，导出前查峰值。配乐盖过人声，是音乐只比人声低 6dB，压到低 12dB 左右，并且人声出现时自动压低音乐。文件太大近 300MB，是画面加了纸张颗粒，码率上去了，限制最大码率 6Mbps，4 分钟约 190MB。识别模型下载不了，是有些环境不能访问模型网站，用剪映识别字幕，导出 SRT 发给它。命令被安全检查拦下，是运行从网上下载的程序会被拦，或者官方服务在出故障，对于可自行实现的功能，让它自己写代码，服务故障就去 status.claude.com 查看，恢复后重试。
常见问题
MiniMax 把字读错了，修改稿子后重新生成配音，多音字可以换成同义词，数字读错可以改写成汉字，修改后的最终稿就是交给 Claude 的版本。能不用 MiniMax、自己录吗？可以，在安静环境下用手机录音即可，念错或临时修改的内容必须同步更新到稿子里，确保文稿和配音一字不差。Muse 写的事实可靠吗？不一定，让 Muse 列出信息来源，Claude 制作分镜时再联网核实屏幕上的数字和关键事实。可以做竖屏吗？可以，开始制作时直接说明“竖屏 1080×1920”，让 Claude 按竖屏比例重新设计排版，不要直接裁剪横屏视频。不想要数字人可以吗？可以，纯动画、纯拼贴、纯 3D 都行。能用自己的照片当数字人吗？技术上可以，但只能使用自己的照片或已经获得明确授权的人物形象。画面里能放动画角色或品牌 Logo 吗？不建议未经授权使用受版权或商标保护的素材，让 Claude 设计原创角色或原创视觉元素。中途对话太长断了怎么办？在同一个对话里输入“继续”，如果工程文件和上下文仍然存在，Claude 可以继续制作，如果上下文丢失，则需要重新提供工程文件和制作进度。