Make Video

make-video 是一个可通过 npx 运行的通用 AI 视频制作 CLI，也保留为 Agent Skill。它把用户的视频需求转化为可执行的视频项目：生成 brief、口播稿、镜头规划、字幕，调用 FFmpeg 完成媒体探测、音频贴合、字幕烧录和基础渲染；如果本机存在 IndexTTS、HyperFrames/html-video 或 JianYing/剪映，则作为可选增强启用。

第一版以可配置 AI provider 负责脚本、规划和文本生成，支持 OpenAI、DeepSeek、GLM、MiniMax 和 Claude；FFmpeg 负责可落地的视频处理。IndexTTS、HyperFrames 和 JianYing 这类重型视频后端不随 npm 包安装，而是自动探测、可用则启用、不可用则明确降级。

快速开始

临时运行：

npx make-video --help
npx make-video doctor
npx make-video auto \
  --provider deepseek \
  --brief "做一个 90 秒 AI 工具演示短视频，竖屏，中文旁白，带字幕" \
  --out ./ai-demo

全局安装：

npm install -g make-video
make-video doctor --strict

全局安装时，包会自动检查 npm 全局命令目录是否在 PATH 中。如果不在，会尝试在用户已有 PATH 的可写目录中创建 make-video 命令 shim；如果无法自动创建，会在安装日志中打印需要加入 PATH 的目录。

需要 AI 规划或口播改写时，先设置对应 provider 的 API Key：

export OPENAI_API_KEY="sk-..."
npx make-video plan --brief "做一个 90 秒 AI 工具演示短视频" --out ./ai-demo
npx make-video script --input article.md --out narration.txt

基础媒体处理依赖本机安装 ffmpeg 和 ffprobe。可以用 npx make-video doctor 检查环境；发布或 CI 前可运行 npx make-video doctor --strict，必需后端缺失时会返回非零退出码。IndexTTS 缺失不会阻塞基础 CLI 使用。

系统依赖

make-video 是一个 Node.js CLI，但视频生产依赖本机工具链：

• Node.js >=18.20。
• ffmpeg 和 ffprobe，用于探测、转码、字幕烧录、音频贴合和混流。
• IndexTTS/IndexTTS2，可选，用于 auto 命令自动生成旁白；设置 INDEXTTS_HOME 指向包含 indextts/cli_v2.py 的 checkout。缺失时仍可生成脚本、字幕、项目规划、自动素材视频和无旁白 preview。
• AI provider API Key，仅在运行 plan 或 script 时需要。支持 OPENAI_API_KEY、DEEPSEEK_API_KEY、GLM_API_KEY、MINIMAX_API_KEY、ANTHROPIC_API_KEY。
• 素材 API Key，可选，用于自动下载 stock footage：PEXELS_API_KEY、PIXABAY_API_KEY。缺失时会写入人工 fallback 来源，不阻塞规划。
• HyperFrames/html-video，可选，用于动效标题、数据卡、callout 和转场。
• JianYing/剪映后端，可选，用于生成可编辑草稿。

环境检查：

make-video doctor
make-video doctor --strict

Demo 视频

GitHub 和 npm 的 README 会过滤第三方播放器脚本，因此这里使用 GIF 动图做内嵌预览；点击动图可以打开对应 MP4 预览文件。原始完整视频体积较大，不随包发布。

Demo 1

打开 MP4 预览

Demo 2

打开 MP4 预览

一键生成视频

make-video auto 是推荐入口。它的目标是不要求用户提前准备视频素材，也不要求提前准备旁白音频：CLI 会先根据主题生成脚本和镜头规划，再按主题去素材站搜索下载视频素材，生成 render/base.mp4、subtitles.srt 和 footage_manifest.md。

自动素材下载优先使用 Pexels / Pixabay 官方 API；references/sourcing.md 中列出的 Mixkit、Coverr、Videvo、爱给网等素材站会作为 fallback 资源写入 footage_manifest.md，方便人工补充或后续自动化扩展。

自动配音依赖本地 TTS 后端。配置 INDEXTTS_HOME 后，auto 会在没有现成音频时调用 IndexTTS/IndexTTS2 合成 audio/voiceover.wav，再把字幕和旁白一起渲染成 exports/final.mp4。未配置 TTS 时，CLI 会先产出口播稿、字幕、基础视频和无旁白 preview，不会要求你提前准备音频文件。

完整自动流程

export DEEPSEEK_API_KEY="你的 DeepSeek Key"
export PEXELS_API_KEY="你的 Pexels Key"
# 可选：export PIXABAY_API_KEY="你的 Pixabay Key"
# 可选：export INDEXTTS_HOME="/path/to/index-tts"
# 可选：export INDEXTTS_VOICE="/path/to/reference-voice.mp3"

npx make-video auto \
  --provider deepseek \
  --model deepseek-chat \
  --brief "做一个 90 秒 AI 工具演示短视频，竖屏，中文旁白，带字幕" \
  --duration 90 \
  --ratio 9:16 \
  --out ./ai-demo

典型输出：

ai-demo/
├── brief.md
├── script.md
├── shot_plan.md
├── subtitle_notes.md
├── production_notes.md
├── footage_manifest.md
├── audio/voiceover.wav
├── subtitles.srt
├── assets/footage/
├── render/base.mp4
└── exports/final.mp4

如果没有配置素材 API key，auto 不会中断整体规划，会在 footage_manifest.md 中记录可用素材站、搜索链接和版权检查提示。设置 PEXELS_API_KEY 或 PIXABAY_API_KEY 后重新运行即可自动下载素材。

只生成脚本和镜头规划

如果只想先做策划，可以设置任意支持的 provider 后运行。默认使用 OpenAI：

export OPENAI_API_KEY="sk-..."
npx make-video plan \
  --brief "做一个 90 秒 AI 工具演示短视频，竖屏，中文旁白，带字幕" \
  --out ./ai-demo

也可以切换到其他模型：

# DeepSeek
export DEEPSEEK_API_KEY="sk-..."
npx make-video plan --provider deepseek --model deepseek-chat \
  --brief "做一个 90 秒 AI 工具演示短视频，竖屏，中文旁白，带字幕" \
  --out ./ai-demo

# GLM / 智谱
export GLM_API_KEY="..."
npx make-video plan --provider glm --model glm-4-flash \
  --brief "做一个 90 秒 AI 工具演示短视频，竖屏，中文旁白，带字幕" \
  --out ./ai-demo

# MiniMax
export MINIMAX_API_KEY="..."
npx make-video plan --provider minimax --model MiniMax-Text-01 \
  --brief "做一个 90 秒 AI 工具演示短视频，竖屏，中文旁白，带字幕" \
  --out ./ai-demo

# Claude
export ANTHROPIC_API_KEY="sk-ant-..."
npx make-video plan --provider claude --model claude-3-5-haiku-latest \
  --brief "做一个 90 秒 AI 工具演示短视频，竖屏，中文旁白，带字幕" \
  --out ./ai-demo

只下载素材并生成基础视觉轨

如果已经有项目目录，也可以只根据主题下载素材并生成 render/base.mp4：

export PEXELS_API_KEY="你的 Pexels Key"
npx make-video source \
  --project ./ai-demo \
  --query "AI tools product demo" \
  --count 5 \
  --ratio 9:16 \
  --duration 90

适用场景

适合使用本 Skill 的任务包括：

• 制作短视频、产品演示、宣传片、解说视频或社交媒体剪辑。
• 将文章、报告、书面稿改写成适合视频播出的自然口播稿。
• 为已有视频添加字幕、旁白、动效标题、转场、数据卡或关键词高亮。
• 替换视频音频，并把 TTS 或旁白长度贴合原视频。
• 生成带字幕、配音、素材、音效和最终 MP4 的完整视频。
• 创建可继续编辑的 JianYing/剪映草稿。
• 在需要精致动效时接入 HyperFrames/html-video 渲染标题卡、字幕动效、callout 和转场。

不适合的任务包括纯文本写作、单张图片生成、泛泛的视频建议、只做资料研究但不产出媒体文件的请求。

CLI 命令

• make-video init <dir>：创建视频项目目录，生成 brief.md、assets/、audio/、render/、exports/。
• make-video plan --brief <text|file> --out <dir>：调用 AI provider 生成 brief.md、script.md、shot_plan.md、subtitle_notes.md 和 production_notes.md。
• make-video auto --brief <text|file> --out <dir>：生成计划、按主题下载素材、自动尝试 TTS 配音、生成字幕，并导出有声最终 MP4；TTS 不可用但素材可用时会导出无旁白 preview。
• make-video script --input <file> --out narration.txt：把文章、报告或书面稿改写成自然口播稿。
• make-video source --project <dir> --query <text>：从 Pexels/Pixabay 下载素材，生成 footage_manifest.md 和 render/base.mp4。
• make-video subtitles --script narration.txt --duration <seconds> --out subtitles.srt：根据口播稿和目标时长生成基础 SRT 字幕。
• make-video mux --video base.mp4 --audio voice.wav --out final.mp4：把旁白音频贴合视频时长并替换为唯一音轨。
• make-video render --project <dir>：基于项目目录执行基础 FFmpeg 渲染，支持字幕烧录和音频混流。
• make-video probe <file>：输出媒体文件的 ffprobe JSON 信息。
• make-video doctor：检查 FFmpeg、AI provider keys、IndexTTS 和可选视频后端；--strict 只会在 FFmpeg/ffprobe 等必需后端缺失时失败。

环境变量

• OPENAI_API_KEY：OpenAI provider 使用。
• DEEPSEEK_API_KEY：DeepSeek provider 使用。
• GLM_API_KEY：GLM / 智谱 provider 使用。
• MINIMAX_API_KEY：MiniMax provider 使用。
• ANTHROPIC_API_KEY：Claude provider 使用。
• MAKE_VIDEO_AI_PROVIDER：可选，设置默认 provider，例如 deepseek、glm、minimax、claude。
• MAKE_VIDEO_AI_MODEL：可选，设置默认模型。
• MAKE_VIDEO_AI_BASE_URL：可选，覆盖 OpenAI-compatible provider 的 base URL。
• PEXELS_API_KEY：可选，Pexels Videos API 自动素材下载。
• PIXABAY_API_KEY：可选，Pixabay Videos API 自动素材下载。
• INDEXTTS_HOME：可选，指向 IndexTTS/IndexTTS2 checkout，目录内需要存在 indextts/cli_v2.py。
• INDEXTTS_VOICE 或 MAKE_VIDEO_TTS_VOICE：可选，IndexTTS 自动配音使用的参考音色文件；也可在 auto 中传 --voice <file>。
• INDEXTTS_DEVICE：可选，IndexTTS 设备，默认 mps，失败时 auto 会尝试退回 cpu。
• HYPERFRAMES_HOME：可选，指向已构建的 HyperFrames/html-video checkout。
• JIANYING_HOME 或 JIANYING_EDITOR_HOME：可选，指向 JianYing/剪映自动化后端。

核心工作流

Skill 的主流程定义在 SKILL.md 和 references/production-workflows.md 中：

1. 明确生产约束：平台、比例、时长、语言、语气、素材、版权、配音、字幕和导出格式。
2. 判断制作路线：本地渲染、HyperFrames/html-video 动效层、JianYing/剪映草稿或混合流程。
3. 建立独立项目目录，按需生成 brief.md、script.md、narration.txt、shot_plan.md、sources.md、footage_manifest.md 等生产文件。
4. 优先整理用户提供的素材，再按版权要求补充网页素材、官方素材、截图、生成视觉、音乐、音效和声音参考。
5. 制作视觉轨、音频轨、字幕、动效、叠加层、转场和版式。
6. 导出 final.mp4、字幕文件、透明 overlay、HyperFrames 渲染资产或剪映草稿。
7. 使用 ffprobe 和关键帧截图做最终质量检查。

代码架构

make-video/
├── package.json
├── bin/
│   └── make-video.js
├── src/
│   ├── cli.js
│   ├── ai/
│   ├── backends/
│   ├── commands/
│   ├── media/
│   ├── utils/
│   └── workflow/
├── SKILL.md
├── manifest.json
├── agents/
│   ├── interface.yaml
│   └── openai.yaml
├── evals/
│   ├── semantic_config.json
│   └── trigger_cases.json
├── references/
│   ├── production-workflows.md
│   ├── spoken-scriptwriting.md
│   ├── sourcing.md
│   ├── social-reference-patterns.md
│   ├── hyperframes-motion.md
│   ├── captions-audio.md
│   ├── jianying-integration.md
│   ├── qc-and-fallbacks.md
│   ├── indextts2-notes.md
│   └── local-backends.md
└── scripts/
    └── mux_tts_voiceover.py

顶层配置

package.json 定义 npm 包名、npx make-video 的 bin 入口、运行依赖、发布白名单和 smoke test。

bin/make-video.js 是可执行入口，负责启动 src/cli.js。

SKILL.md 是 Skill 的主入口，定义触发边界、核心流程、参考文档索引、质量规则和最终响应契约。

manifest.json 描述项目元信息，包括名称、版本、维护者、生产状态、目标平台和组件构成。

CLI 实现层

src/cli.js 注册所有命令，并把参数交给 src/commands/ 下的具体实现。

src/ai/ 封装多 provider AI 调用，用内置 references/ 作为上下文生成视频规划和口播稿。

src/media/ffmpeg.js 封装 ffmpeg 和 ffprobe，提供媒体探测、音频贴合、音轨替换、字幕烧录和基础转码能力。

src/media/subtitles.js 把口播文本按中英文可读长度切分为 SRT 字幕。

src/backends/detect.js 探测必需后端 FFmpeg/ffprobe，以及 IndexTTS、HyperFrames/html-video、JianYing/剪映等可选后端，并给出降级提示。

src/workflow/ 负责项目目录模板和内置知识库加载。

Agent 适配层

agents/interface.yaml 定义通用 Agent Skill 接口，包括中文展示名称、简短说明、默认提示词、兼容目标和执行策略。

agents/openai.yaml 提供面向 OpenAI 适配目标的轻量接口描述。

触发与评测

evals/semantic_config.json 定义语义触发信号，包含正向概念、排除概念、输入类型和预期产物。

evals/trigger_cases.json 提供应该触发、不应该触发以及相邻但不确定的样例，用于验证 Skill 路由是否准确。

制作知识库

references/ 是项目的核心知识库，每个文件负责一个制作维度：

• production-workflows.md：项目目录结构、从 brief 到成片的完整制作流程，以及长视频、社交短视频、分层修订等模式。
• spoken-scriptwriting.md：把文章、报告、提纲改写成自然口播稿的规则。
• sourcing.md：素材来源策略、版权记录要求和常用免费/付费素材站索引。
• social-reference-patterns.md：短视频参考拆解、节奏复刻和社交平台常见结构。
• hyperframes-motion.md：接入 HyperFrames/html-video 生成动效标题、数据卡、callout、字幕动画和转场。
• captions-audio.md：字幕拆分、TTS、IndexTTS、音频修复、配音贴合和混流规则。
• jianying-integration.md：剪映/JianYing 草稿生成、导出限制和混合流程注意事项。
• qc-and-fallbacks.md：视觉检查、透明 overlay 兜底、最终验证和降级规则。
• indextts2-notes.md：IndexTTS2 的安装、运行和排错经验。
• local-backends.md：本地后端路径、环境变量和依赖说明。

辅助脚本

scripts/mux_tts_voiceover.py 用于把一段 TTS 或旁白音频贴合到已有视频长度，并将其作为唯一音轨封装进输出视频。

它会：

• 使用 ffprobe 读取视频和音频时长。
• 在时长不匹配时生成 FFmpeg atempo 链。
• 输出贴合后 WAV 文件。
• 使用复制视频流和 AAC 音频编码生成最终视频。
• 打印最终文件的 ffprobe JSON 元数据。

示例：

python3 scripts/mux_tts_voiceover.py \
  --video /abs/path/base_video.mp4 \
  --audio /abs/path/voiceover.wav \
  --output /abs/path/final_video.mp4

典型产物

一次视频制作任务可能产生以下文件：

• brief.md：需求、平台、比例、时长、风格和交付格式。
• narration.txt 或 script.md：口播稿或视频脚本。
• shot_plan.md：逐场景镜头规划。
• sources.md：事实来源和参考资料。
• footage_manifest.md：素材来源、版权说明和镜头映射。
• audio/：旁白、音乐、音效和最终混音。
• subtitles.srt 或 subtitles.ass：字幕文件。
• render/overlay.mov：透明字幕、标题、callout 或动效叠加层。
• render/hyperframes_<slug>.mp4：HyperFrames/html-video 渲染片段。
• jianying_draft/：剪映可编辑草稿。
• final.mp4：最终交付视频。

后端集成

本 Skill 会根据任务选择不同后端：

• FFmpeg：基础剪辑、转码、字幕烧录、音频替换、混流和最终导出。
• IndexTTS/IndexTTS2：可选增强，用于中文口播、TTS、参考音色合成和配音修复；auto 会在没有音频时自动尝试合成旁白。缺失时仍会生成脚本、字幕、素材基础视频和无旁白 preview。
• HyperFrames/html-video：可选增强，用于 HTML/CSS/GSAP 风格动效、标题卡、数据卡、关键词字幕和转场；缺失时降级到 FFmpeg 字幕滤镜或程序化 overlay。
• JianYing/剪映：可选增强，需要可编辑草稿、剪映原生字幕、效果、转场或人工继续精修时使用；缺失时仍可导出本地 MP4。
• InfiniteTalk：当可见人物口型需要与新音频同步时使用。

质量控制

Skill 要求最终交付前进行媒体验证：

• 用 ffprobe 检查时长、分辨率、编码、音频流和文件元数据。
• 抽取开头、中段、结尾关键帧检查画面。
• 检查字幕是否可读、是否越界、是否挡住人脸、UI 或产品细节。
• 检查音频是否存在、清晰、未叠加重复旁白。
• 如果后端不可用或效果降级，需要明确标注为 preview-only、partial 或 local-render-only。

扩展方式

新增能力时优先放在对应层级：

• 新的视频制作规则放入 references/。
• 新的触发样例放入 evals/trigger_cases.json。
• 新的语义路由权重放入 evals/semantic_config.json。
• 新的 Agent 适配配置放入 agents/。
• 可复用的本地工具脚本放入 scripts/。

项目特定的视频工程文件不应该写进本 Skill 目录，应放在每次视频任务自己的项目文件夹中，避免污染通用 Skill。

发布检查

维护者发布 npm 包前建议运行：

npm run smoke
npm pack --dry-run
npm publish

package.json 使用 files 白名单发布 CLI 源码、内置 references、Agent Skill 入口和文档，不发布 node_modules、本地视频工程、媒体素材或临时渲染产物。