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_tts | POST /api/v1/apps/voice_tts/tts(短)<br>.../tts_async(长) | 分段文案 → 逐段音频 |
| 3 出图 | nano_banana | POST /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 | 1920×1080 | B 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 Key | api.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 |