AI短视频一键生成·选题脚本配音画面字幕全流程批量出片

AI 短视频一键生成 · 选题到成片

做口播类、科普类、图文解说类短视频,最枯燥的不是创意,而是重复工序:
写一版脚本、找一堆能用的画面、配音、对时间轴压字幕、挑一首不炸的音轨、导出成竖屏。
选题一多,这条流水线就压垮人。

给一个选题,按七道工序走完,出一条能发的短视频。
所有 AI 环节都走 api.a7w.cn,一把 Key 跑完,不用自己部署任何模型。

你最关心答案
多少钱按点数计费(1 元 = 100 点)。一条 60 秒竖屏约 8~15 元,大头在画面
要多久脚本与配音几秒;出图与视频逐段生成,一条片子约 5~15 分钟
要装什么什么都不用装。包里自带零依赖客户端;本地拼接需要 ffmpeg
什么画幅9:16 竖屏 / 16:9 横屏 / 1:1 方形,全流程锁一个
能商用吗可以。素材与音乐授权、内容合规责任由使用者承担

一、七道工序,各自调哪个应用

工序用什么接口输入 → 输出
1 选题脚本模型网关(OpenAI 兼容)POST /api/v1/chat/completions选题 → 口播稿 + 分段 + 画面关键词
2 配音voice_ttsPOST /api/v1/apps/voice_tts/tts(短)<br>.../tts_async(长)分段文案 → 逐段音频
3 出图nano_bananaPOST /api/v1/apps/nano_banana/submit画面关键词 → 配图 / 首帧
4 出片full_video(首选)<br>happy_horse(声画一起出).../full_video/submit<br>.../happy_horse/submit首帧 + 运镜 → 4~15 秒片段
5 字幕voice_tts/stt 或 分段累计POST /api/v1/apps/voice_tts/stt配音音频 → 文字与时间轴
6 音乐music_generation / music_search.../music_generation/create<br>.../music_search/search情绪描述 / 关键词 → BGM
7 合成超分本地 ffmpeg(+ 可选 flashvsr)POST /api/v1/apps/flashvsr/submit片段 + 配音 + 字幕 + BGM → 成片

接口路径一律是 /api/v1/apps/<应用代号>/<接口代号>,两个代号都用下划线。
现查:python3 scripts/a7w.py apps 与 python3 scripts/a7w.py schema <应用代号>。

两条可选支线

你的号是走哪条
口播号 / 带货号(要真人形象出镜)工序 2 之后直接上 image_human/submit:人物图 + 配音 → 数字人口播视频,跳过 3 和 4
素材混剪号(手上已有素材)用 smart_clip 系列:template → template_detail → broadcast_mixcut,跳过 3 和 4

二、三分钟跑通

第一步:拿到你自己的 Key

到 api.a7w.cn 注册,在控制台创建一个 API Key(形如 sk-...),
填进环境变量:

export A7W_API_KEY=sk-你的key      # Windows: $env:A7W_API_KEY="sk-你的key"

第二步:写脚本(模型网关)

让模型按「一个镜头一句话」分段输出 JSON,后面每一步都用得上:

curl -sS -X POST "https://api.a7w.cn/api/v1/chat/completions" \
  -H "Authorization: Bearer $A7W_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "DeepSeek-V4-Flash",
    "messages": [{
      "role": "user",
      "content": "你是短视频编导。围绕选题「人工智能如何改变日常生活」写一条 60 秒竖屏口播稿。要求:1) 开头 3 秒必须有钩子;2) 分成 8~12 个镜头,每个镜头一句话,不超过 25 字;3) 每个镜头给一个英文画面关键词(用于文生图)。输出 JSON 数组,每项含 shot_id、line、visual。只输出 JSON。"
    }]
  }'

换模型就是换 model 字符串,不用换地址、不用换 Key、账单还是同一份。
日常出稿用 DeepSeek-V4-Flash(快、省),要打磨用 DeepSeek-V4-Pro 或 Qwen3.7-Max。

第三步:逐段配音

python3 scripts/a7w.py call voice_tts tts \
  --body '{"text":"你有没有发现,手机越来越懂你了?","format":"mp3","prosody":{"speed":1.05}}' \
  --out dub/shot01.mp3

长文案(>500 字)用 tts_async。想用自己的声音,先 clone_voice 一次拿音色 ID。

第四步:出图与出片

# 出图(每个镜头一张)
python3 scripts/a7w.py call nano_banana submit \
  --body '{"action":"generate","prompt":"a smartphone interface with AI assistant, soft morning light, clean minimal, 9:16 vertical","aspect_ratio":"9:16"}' \
  --out imgs/shot01.png

# 图生视频(要动感时才做,能省则省)
python3 scripts/a7w.py call full_video submit \
  --body '{"content":[{"type":"text","text":"镜头缓慢推近,屏幕上的光晕轻轻流动"}],"ratio":"9:16","resolution":"720P","duration":5}' \
  --out clips/shot01.mp4

第五步:配 BGM

# 现成曲子
python3 scripts/a7w.py call music_search search --body '{"keyword":"轻快 科技","page_size":10}'

# 或者生成一首专属的
python3 scripts/a7w.py call music_generation create \
  --body '{"type":"generate","prompt":"轻快的科技感电子音乐,节奏明快,情绪向上,无人声","instrumental":true}' \
  --out bgm.mp3

第六步:本地合成

用 ffmpeg 按时间轴拼接画面、混入配音与 BGM、烧字幕:

# 1) 画面拼接(片单文件 concat.txt 每行 file 'clips/shot01.mp4')
ffmpeg -f concat -safe 0 -i concat.txt -c copy video.mp4

# 2) 配音拼接
ffmpeg -f concat -safe 0 -i dub.txt -c copy voice.mp3

# 3) 混音(BGM 压低,别盖过人声)
ffmpeg -i voice.mp3 -i bgm.mp3 -filter_complex \
  "[1:a]volume=0.18[b];[0:a][b]amix=inputs=2:duration=first[a]" -map "[a]" mix.mp3

# 4) 合成 + 烧字幕
ffmpeg -i video.mp4 -i mix.mp3 -vf "subtitles=sub.srt" \
  -c:v libx264 -pix_fmt yuv420p -c:a aac -shortest out.mp4

合成放本地做:便宜、可反复修改,不用重复扣点。

第七步(可选):超分

python3 scripts/a7w.py call flashvsr submit \
  --body '{"input_url":"https://你的存储/out.mp4"}'

平台会二次压缩的渠道(抖音 / 小红书 / 视频号),超分收益有限;
真要交付母版才做这一步。


三、字幕时间轴怎么来(两条可落地的做法)

字幕最容易卡住的地方就是「时间轴从哪来」。两条路都可行,按你的情况选。

做法一:分段合成,累计时长(推荐,最可控)

每句话单独合成一段音频,用每段音频的真实时长累加,生成 SRT。

shot01.mp3  时长 3.2 秒  → 00:00:00,000 → 00:00:03,200
shot02.mp3  时长 4.1 秒  → 00:00:03,200 → 00:00:07,300
shot03.mp3  时长 2.8 秒  → 00:00:07,300 → 00:00:10,100

优点:时间轴与画面一一对应(因为画面也是按镜头出的),不用再做对齐;
改一句台词只重做那一段。

# 取每段音频时长(ffprobe)
ffprobe -v error -show_entries format=duration -of csv=p=0 dub/shot01.mp3

一段 20 行的 Python 就能把「文案 + 时长」写标准 SRT,模板见
references/字幕与合成.md。

做法二:用 stt 拿精确时间戳

把整条配音传回 voice_tts/stt,把 ignore_timestamps 设为 false,
让平台返回精确时间戳,再转成 SRT:

python3 scripts/a7w.py call voice_tts stt \
  --body '{"audio_url":"https://你的存储/voice.mp3","language":"zh","ignore_timestamps":false}'

适合:文案是一整段、画面与句子不要求严格对应(如素材混剪号)。
先跑一次 python3 scripts/a7w.py schema voice_tts 核对参数与返回结构,
以实际返回为准。

两条路的取舍:画面按镜头出 → 用做法一;画面是现成素材池 → 用做法二。


四、画幅与形态

画幅尺寸适合
9:16 竖屏1080×1920抖音 / 快手 / 视频号 / 小红书
16:9 横屏1920×1080B 站 / YouTube / 视频号横版
1:1 方形1080×1080部分信息流投放位

全流程锁一个画幅:nano_banana 传 aspect_ratio,
full_video 传 ratio,本地合成的输出也保持一致。
中途换尺寸,最后拼接一定要重裁,白花时间。


五、批量:一个清单跑一批

把选题写成 JSONL(一行一个),循环跑整条流水线:

{"topic": "人工智能如何改变日常生活", "aspect": "9:16", "seconds": 60}
{"topic": "三个让厨房变整齐的小习惯", "aspect": "9:16", "seconds": 45}

批量纪律:

纪律做法
先跑通一条一条完整成片验证后再铺开,别一上来就 50 条
并发 2~4 路视频生成从低并发起步;429 说明排队上限到了
一条一张任务表记 topic / shot_id / task_id / status,断了能续
给 Key 设上限批量前把 quota 设成预算的 1.2 倍,参数写错时能止损
边出边抽检每条出完抽查:字幕对得上、音量不炸、画幅正确

references/批量出片.md 里给了清单结构、续跑规则与批量脚本骨架。
需要更贴合你流程的批量方案,加微信聊。


六、包里有什么

sanjianke-short-video-maker/
├── SKILL.md                    本文件
├── README.md
├── LICENSE.md
├── references/
│   ├── 出片流水线.md            七道工序的衔接、每步参数与验收
│   ├── 字幕与合成.md            两种时间轴做法、SRT 生成、ffmpeg 合成命令
│   ├── 批量出片.md              选题清单、并发、续跑、对账
│   ├── 接口速查.md              全部用到的应用与接口参数
│   ├── getting-started.md      注册、领 Key、配置
│   └── 通用说明.md              权限、异步机制、错误码、计费口径
└── scripts/
    └── a7w.py                  零依赖客户端(库 + 命令行,只用 Python 标准库)

零安装用法

export A7W_API_KEY=sk-你的key

# 看平台上有哪些应用、某个应用有哪些接口与参数
python3 scripts/a7w.py apps
python3 scripts/a7w.py schema voice_tts
python3 scripts/a7w.py schema nano_banana

# 配音 / 出图 / 出片(异步接口自动轮询到结束,--out 直接落盘)
python3 scripts/a7w.py call voice_tts tts --body '{...}' --out shot01.mp3
python3 scripts/a7w.py call nano_banana submit --body '{...}' --out shot01.png
python3 scripts/a7w.py call full_video submit --body '{...}' --out shot01.mp4

# 查任务(免费)
python3 scripts/a7w.py task <task_id>

七、素材要求

素材要求
图片 / 视频 / 音频入参一律公网可访问的 URL,不支持本地路径、不支持 Base64
生成用的提示词画面关键词建议英文,出图稳定性更好
配音文案单段 ≤500 字走同步 tts;更长走 tts_async(≤10000 字)
音频格式mp3 / wav / ogg;单文件建议 ≤50MB,时长 ≤30 分钟
参考音色mp3 / wav / ogg / flac;干净单人声效果最好
本地文件先传到对象存储拿到公网直链,再来调

八、常见坑

坑表现怎么避
拿本地路径当入参报参数错误一律用公网可访问的 URL
应用代号写成连字符404用下划线:nano_banana、voice_tts、happy_horse
用 endpoint_path 拼 URL打不通只用 /api/v1/apps/<应用代号>/<接口代号>
全流程没锁画幅拼接时尺寸不一要重裁开工就把 9:16 写进每个接口
每个镜头都生成视频成本翻几倍静态画面用图片 + 本地缓慢推拉(ffmpeg zoompan),只给需要动感的镜头出片
字幕对不上画面用整段转写的粗糙时间轴画面按镜头出就用「分段累计时长」的做法一
BGM 盖过人声听不清台词BGM 压到 0.15~0.2 倍音量再混
长文案走同步 tts报错或截断>500 字改用 tts_async
重复提交扣两次钱先记 task_id,用查询接口(免费)确认状态
拿 code == 0 判断成功明明成功却判成失败平台成功码是 1;模型网关看有没有 choices

九、计费

工序口径参考价
脚本撰写(模型网关)按点数/百万 Token一条 60 秒口播稿约几角钱
配音 voice_tts/tts输入 50 点/千字(实测)200 字台词约 10 点 = 0.10 元
克隆音色 clone_voice按次200 点/次(租户价,做一次长期用)
出图 nano_banana按张24 点/张(1K)
图生视频 full_video按分辨率 × 秒参考 20 点/秒(1080P);720P 更省
口播数字人 image_human按驱动音频秒fast 2 / standard 3 / 2k 6 / 4k 12 点每秒(实测)
字幕 voice_tts/stt按次40 点/次(实测 3 次一致;租户字段写的是 30)
BGM music_generation/create按次65 点/次
搜曲 music_search/search按次10 点/次
超分 flashvsr按秒见 schema flashvsr 的 tenant_*
查任务—免费

1 元 = 100 点。一条 60 秒竖屏(8 个镜头 + 配音 + BGM,含 30% 废片率)约 8~15 元,
其中画面占大头。

省钱按优先级:
1. 静态画面别出视频 —— 用图片 + 本地缓慢推拉(ffmpeg zoompan),免费做出「活」的感觉;
2. 少出图 —— 同一场景复用配图,别每句都重出;
3. 分辨率锁够用档 —— 竖屏短剧平台会二次压缩,720P 通常够;
4. 音色克隆只做一次 —— 之后所有片子复用同一个 reference_id。

平台同时给出标准价与租户价字段(tenant_*,平台侧报价),两者都未必等于实际结算价;以返回里的 data.usage.points_cost 为准。
每次返回的 data.usage.points_cost 就是本次真实扣费。


十、权限与边界

能力是否申请用途
网络访问申请调用 api.a7w.cn 的模型网关与生成应用(本 Skill 唯一的联网行为)
读取文件仅读取你指定的输入文件用作素材入参
写入文件仅在传入 --out 时保存返回的 JSON 或下载产物
凭证读取你自己提供的 API Key从环境变量或 ~/.a7w/config.json 读取
子进程 / 后台常驻不申请脚本执行完即退出;本地拼接由你自行调用 ffmpeg

不内嵌任何密钥。 请求只发往 api.a7w.cn,不发送到其他任何地址。

  • 不提供 Key、不代付费用:Key 必须你自己在 api.a7w.cn 申请
  • 不替代素材与音乐授权审查:用于商用或对外发布前,请自行确认各来源的授权条款
  • 不替代内容合规审查:生成内容的标识与合规责任由使用者承担

关于这个 Skill

作者亲测实操后发布,下载后可直接使用,自用商用都可以。

所有 AI 能力都走 算力集市 api.a7w.cn —— 一把 API Key 打通
大模型、语音、图像、视频、数字人等全部算力,注册即送点数,按量计费、没有月费。

你可能想问答案
要不要额外部署不用。下载本包即可使用,不必去别处找源码
怎么开始到 api.a7w.cn 注册领 Key → 填进 A7W_API_KEY → 一条命令跑起来
能不能商用可以
遇到问题找谁见文末「联系我们」,作者本人答疑

使用中碰到任何问题 —— 报错、效果不理想、想省钱、想批量 —— 都欢迎加微信聊。
加好友时说一下是从哪个 Skill 找过来的,直接给你配套的示例。


联系我们

  • 技术微信:9872659 —— 加好友时说一下是从哪个 Skill 找过来的,直接给你配套的 API Key 与能跑的示例。
  • 要算力 / 要 API Key:算力集市 · 注册领 API Key —— 一个 Key 调用全部 AI 算力,注册、充值、创建 Key 都在这里。
  • 更多 AI 插件与接口:AI 插件市场。

相关链接

链接地址说明
算力集市 · 注册领 API Keyapi.a7w.cn一个 Key 调用全部 AI 算力;注册、充值、创建 Key 都在这
AI 插件市场aigc.a7w.cn浏览全部 AI 插件与接口说明
三剪客 · 一句话批量出片ks.a7w.cn短剧二创 / 影视解说 / 矩阵号批量混剪桌面客户端
视频超清 · 在线批量超分vr.a7w.cn网页版视频超分,批量处理,最高 4K
0人公司 · AI Agent 平台a7w.cn主站,了解整套 AI Agent 生态

同类文章