我用 Remotion 做了条视频工业化流水线

技术栈：Remotion 4.x + MiniMax TTS + Whisper

---

目录

• 背景
• 整体架构
• 第一步：脚本
• 第二步：TTS 音频合成
• 第三步：字幕时间戳
• 第四步：场景配置
• 第五步：视频渲染
• 两套风格
• 环境管理
• 文件结构
• 总结

---

背景

做视频内容的人都知道，从拿到脚本到最终出片，中间有大量重复工作：切音频、对画面、调转场。每一秒成片背后可能有好几倍的无效操作。

核心思路：把这些机械劳动全部自动化。只要脚本一定，视频自动生成，不用手动一帧帧去调。

---

整体架构

选题 → 脚本 → TTS音频 → 字幕时间戳 → 场景配置 → 视频渲染 → 成片

像一条流水线一样，上游产出驱动下游执行。每一环节的产出物自动成为下一环节的输入，全程无需人工干预。

---

第一步：脚本

脚本是整个流程的起点，也是唯一需要人工提供的原材料。

脚本结构

采用三段式结构：

总字数控制在 180-220 字——太短表达不清，太长用户会跳过去。

脚本决定节奏

脚本不仅提供内容文本，还决定了视频的节奏：

• 哪里该快
• 哪里该停
• 哪里该强调

---

第二步：TTS 音频合成

拿到脚本后，第一件事是让它"开口说话"。

技术选型

使用 MiniMax 语音合成 API：

输出

API 返回音频二进制数据，直接保存为 MP3 文件。这个文件就是视频的主音轨。

---

第三步：字幕时间戳

音频有了，但视频画面还需要知道"什么时候该出现什么内容"。

Whisper 识别

使用 Whisper 语音识别模型，精确识别音频里每个字的时间位置，精确到毫秒级别。输出的 VTT 字幕文件里，每个字对应一个时间点。

术语校正机制

问题：Whisper 对技术术语、人名等专有名词的识别容易出错。

解决方案：用原始脚本的文本作为参照，根据字数比例重新映射时间轴。

• ✅ 保留 Whisper 的时间精度
• ✅ 保证文字准确性

---

第四步：场景配置

有了字幕时间轴，下一步是把它转换成视频场景的配置。

什么是场景配置

告诉渲染引擎：

• 第 0 秒到第 3 秒：放什么内容、什么动画、什么效果
• 第 3 秒到第 6 秒：又是什么

场景类型

每个场景有明确的开始帧和结束帧，以及该时间段内要显示的文字内容。

---

第五步：视频渲染

最后一步是真正的"生成"动作。

Remotion 登场

Remotion 是一个用 Web 技术做视频渲染的框架——可以理解为一个运行在代码里的视频播放器 + 渲染器。

核心工作方式

每个场景 = 独立的视觉组件
组件有自己的动画逻辑（出现时机、运动方式、消失时机）
帧率锁定 30FPS，确保时间轴精确对齐

输出规格

渲染命令执行后，音频和画面自动合成，输出最终的 MP4 视频文件。

---

两套风格

为了适应不同内容类型，预设了两套视觉风格：

两套风格共享同一套数据管道，只是视觉组件不同。

---

环境管理

流程中有两个关键变量：

这些变量在渲染开始前动态注入，确保同一套代码可以渲染不同选题的内容。

---

文件结构

每个选题对应一个独立的文件夹，所有中间产物都存在里面：

temp/{日期}_{选题}/
├── script.txt          # 原始脚本
├── output.mp3          # 语音音频
├── output.vtt         # 字幕时间轴
├── 场景配置.ts         # 场景映射结果
└── 渲染产物.mp4        # 最终视频

独立文件夹的好处：每个选题的生产状态一目了然，不会互相干扰。

---

总结

这条流水线的本质是用工程化思维做视频生产。

以前一条视频从脚本到成片可能需要数小时的手工调整，现在变成了：

脚本进去 → 视频出来
中间的转换全部自动化

核心价值

这套方式特别适合需要稳定产出、风格统一的内容团队——比纯手工操作更可控，比模板化工具更灵活。