文章写完之后,同一份内容还想变成一条视频。
这条线要解决的是:怎么让「做出一条片子」变成
「半年后换台机器还能再做出一条一样的片子」。
后者要求每个中间产物要么入库、要么能被精确重建,
而且重建的方式必须写在仓库里,不能靠某个人脑子里的记忆。
一、先说结论
这条线有三个产物:分镜契约、时间轴、成片。
中间还夹着片段。它们的关系是单向的:
契约入库(它是这一期的事实);时间轴不入库(能从契约和音频精确重建);
片段和成片不入库(同理)。
入库的是事实,不入库的是产物。
二、画面上写什么:分镜契约
一期的画面被切成若干视觉段,每段对应一组旁白句子和一张画。
契约文件就是这些段的清单。
它只有四个顶层字段:版本号(恒为 1)、期号标识、
画面标题、以及视觉段数组。
每个视觉段四个字段:
id:段号,不许重复;renderer:用哪个 Python 模块画;sentences:这几句旁白配这张图,0 起算的下标数组,不能为空;params:画面上要写的字和数字,必须是个对象。
params 里装的东西很具体:标题、副标题、角标;
左右两栏的标签和注解;核数、线程数、倍数这类数字;
还有结构化枚举——四种锁模式的兼容矩阵、位域的名字。
有一处容易搞混:契约里的 title 是画面标题,不是母版标题。
画面上写「两个事务改同一行,谁先谁后」,母版标题是另一个东西。
这两个值恰好同名但来源不同。
契约里没有时间轴。时间是渲染时算的。
三、参数缺失,当场报错
这是整条线最硬的一条规矩:参数缺了,当场报错,不许退回硬编码。
渲染之前会先检查每个场景需要的参数齐不齐。缺了就抛错,
消息里带着是第几个场景,而且一次性把所有缺项都报出来——
不是修一个跑一次、报一个。
为什么不能商量?因为硬编码是一条看不见的路。
假设某个数字当初写死在场景代码里,后来有人把契约里的这个参数删了
(或者契约换了格式、字段改了名)。如果渲染代码里有一份旧文案的兜底,
画面会照常渲染出来——用的是那句旧文案。
没有人收到任何提示,片子能出,字幕也能烧上,文件大小正常。
而技术讲解片里,一句写错的数字比一段空白的画面糟糕得多。
观众看到「32 核」被渲染成「32 概」,他不知道你写错了,
只知道这个博客不可靠。
更糟的是它会静默地稳定下来:兜底文案永远在,
每次渲染都用它,每次都「成功」。
要等到有人把那条兜底代码找出来删掉,问题才暴露。
当场报错的意思是:这件事要么一次做对,要么立刻停,
没有第三条路。
四、文案不许回流到代码
这条规矩跟上一条是一对。
规矩是:契约里的文案,不许以字符串字面量的形式出现在场景代码里。
有一份测试会解析场景源码,只要发现契约里的文案还留在代码里,测试就红。
为什么?因为一旦文案在代码里也有一份,它就有了两个真相。
改文案的人只改了契约,忘了改代码,代码里那份就成了下一个版本的真相。
更隐蔽的是有人为了「省事」直接改代码里的字——那期契约从此和画面对不上,
而画面是给观众看的,契约是给下一期作者看的。
还有一条元测试守着这条守卫本身:确保这个测试真的能抓到泄漏。
不然一个永远通过的安全网比没有安全网更危险。
分工原则就这么定了:
| 放哪 | 谁定 | |
|---|---|---|
| 文案、数字、标签、枚举 | 契约 | 每一期的作者 |
| 位置、尺寸、配色、动效 | 场景代码 | 模板 |
改文案不许动代码,改版式不许塞文案。
五、契约怎么变成时间轴
时间轴是算出来的,不是画出来的。
对齐这一步要做四件事:
- 读契约,拿到这一期有几个段、每段配哪几句。
- 读口播稿和字幕表——两者分别在一篇文档的两个小节里。
- 三方句数必须严格相等:口播的句数、字幕的行数、契约里的句数。
任一不等立刻报错——差一句,画面和声音就对不上。 - 切音频:用静音检测找出有声片段的边界,再把片段和句子配对。
段数正好等于句数就一一配;不等就走动态规划,
以「这段文字念出来大概多久」为目标时长,在所有连续分组里挑误差最小的。
然后切视觉段的边界:第一段从 0 开始,其余每段从本段第一句的起点开始,
最后一段一直到音频结束。
时间轴本身有一组校验:第一个场景必须从 0 开始、相邻场景必须严丝合缝、
最后一个场景的终点必须等于音频总时长、画布尺寸必须在调色板允许的范围里、
帧率必须是 24。还有一条最容易被忽略的:字幕单行视觉宽度不得超过 14。
中文按 1 算,半角按 0.5 算——字幕是烧进画面的,
一行太长就是字太小,或者出画。
六、片段:代码画出来的画面
一个视觉段渲染出来是一段无声的视频。
片段目录按期分开——各期的段号都从 s01 起步,共用会互相覆盖。
画面的画法值得说明:它既不是视频生成模型,也不是视频渲染引擎,
是代码一笔一笔画出来的。
流程是:开一块画布 → 逐帧调用场景模块的绘制函数 → 把原始像素喂给编码器。
帧数按场景时长算。
场景模块的形状是一个纯函数:给它画布、当前进度、时间点,
它把这一帧画出来。没有全局状态,所以可单测、可重放、可并发——
同一帧永远画出同样的像素。
字幕是在这一步直接烧进画面的,不是后期贴上去的。
原因很实际:本机的编码器没编字幕支持库,贴不了。
同时另出一份字幕文件作副产物。
还有一条:调色板里的字体常量在启动时要校验能不能加载,
加载不了就直接报错退出,不静默降级。
静默降级在这里等于「画面上的字悄悄变成方框」。
增量渲染靠一组依赖模块的修改时间取最大值:片段比它新就能复用。
这里有个陷阱:新增一个依赖模块却忘了登记,
后果是「改了它画面没变」,而且没有任何报错——
片段被判定为可复用,跳过重渲。
七、成片:拼接与混音
成片这一步做三件事:把片段按顺序拼成无声整片;
把旁白、品牌片音轨和背景音乐在同一个滤镜图里对齐混音;
再编码。
品牌片音轨比旁白长,要延后对齐再混;
背景音乐在旁白出现的地方要闪避(压低),
不然人声会被盖住。混完统一成 48 kHz 立体声,
并加「前置索引」标记——不这么做,手机端要等整片下完才起播。
编码参数里有一个数字是被平台逼出来的:
关键帧间隔定死 10 秒。B 站的接口文档要求关键帧至少 10 秒一个,
而分段渲染会让段边界拉长间隔——实测有一期的最大间隔是 10.417 秒,超标。
所以不是「挑一个好看的编码参数」,是照着平台的门槛定参数。
成片出三个文件:带品牌的正片、横版无品牌版、竖版 1080×1920 版。
八、为什么不用视频生成模型
这条线最早的做法,是整片交给视频生成模型。
算完账就放弃了。按 2K 画质实测,生成大约 120 积分/秒,
一条 35 秒的片子就是 4200 积分。而技术讲解片的主体恰恰是技术图示——
数据流、线程拓扑、核数对比。
三条否决理由:
- 用规则描述最准确,用模型生成最容易出错。
- 文字和数字一旦生成错,没法撤回。 视频模型不给你回滚粒度。
- 改一句话要重生成整段,成本按秒计。
于是改成「技术图示全代码绘制,模型只出静态底板」:
| 整片交给模型 | 现在的做法 | |
|---|---|---|
| 画面里的文字数字 | 模型生成 | 代码绘制,零模型生成 |
| 改一处文案 | 重生成整段 | 只重渲一个场景 |
| 返修粒度 | 整片 | 单个场景文件 |
连三秒的品牌片头也不用视频生成——那个模型最短只能出 4 秒。
所以品牌片改成「模型出静态背景底板 + 代码合成角色与文字」。
九、下一站:长视频的三档
现在的六期全是 35 秒左右的精简版。长视频的设计已经定了,
但还没实施——骨架目录、解析器、生成器都不存在。
三档的阈值是这样定的。语速取 7.19 字/秒(六期实测均值):
| 档位 | 时长 | 口播字数 | 母稿散文覆盖 | 压缩比上限 |
|---|---|---|---|---|
| 精简版 | ≤ 60 秒 | ≤ 431 | 一个反直觉结论 + 一个数字 | ≤ 100:1 |
| 进阶版 | 300 ~ 600 秒 | 2,157 ~ 4,314 | 主线机制链路 | ≤ 12:1 |
| 完整版 | ≥ 600 秒 | ≥ 4,314 | 散文全读 | ≤ 1.5:1 |
压缩比这一列有个细节:分子用的是母稿散文,不是母稿全文。
代码和表格在成片里是画面,不是被念出来的字——
把它们算进「被扔掉的比例」是错的。
母稿先被机器解析成骨架,再按每个段落的角色裁剪成三档。
角色只有五种:钩子、机制、证据、结论、旁白。
精简版是钩子加结论,进阶版加上机制和证据,完整版全要。
其中一条设计要特别提:不做自动裁剪。
裁剪结果落不进字数区间,守卫就报红,由人改角色标记。
因为自动裁剪和「不静默截断」直接冲突——
自动裁出来的稿子读起来会莫名其妙地断在半句话上,
而没人知道为什么。宁可报红让人看一眼。
验收标准定得很死:迁移前后同一期的分镜文件必须逐字节一致。
十、现在的进度
六期成片全部完成,混音验收全合格。视频侧的状态快照有 18 份,其中 3 份已发布。
有个口径要提醒:口播「字数」有两个算法——
规格用的是去掉空白的字符数(六期 241256),275)。
各期口播稿自己写的那行数字是另一个口径(260
引用时要说清是哪个。