开源框架 Hypit 的思路是先拉片再生成：把参考视频丢给 Agent，拆出逐句时间轴与镜头切点，先出一份灰色草稿确认结构，再渲染成片。台词挂载字幕与动画，改一句词整条自动重排，本机重渲即可，不必重新生成素材。

现在网上做 AI 视频，路子基本就两条

要么用 Remotion 那种代码动画，要么就是套个 PPT 模板；再往上一层，可能就是 AI 剪辑。

可这些说到底，都得自己备干粮、备素材，脚本、画面、字幕一样一样自己攒。

那有没有办法，直接拿一条现成的视频，复刻过来、直接出片？

巧了，最近开源了一个框架，叫 Hypit。

我拿它试的第一刀，就是把小 Lin 说一条讲 AI 资本圈的视频，直接复刻了两个版本。

原片讲的是谷歌拿 400 亿美元投 Anthropic，前两个月两家还打得你死我活，突然要钻一个被窝。台词照搬、节奏照搬，画风随便换。

这次玩法就一句：给 Agent 一套做视频的语言和系统，让它把参考片拆开读，复刻成 Clone，一套能换人的模板。别人的爆款，拆下来就能当你的底子。

下面就是流程教程。我尽量压着说，重点放在它到底替我把哪一步接走了。最后再换两次人，你看到底灵不灵。

01 从拉片到成片，就四步

Hypit 的使用方法非常简单，并且只要发给 Agent 都能用。

第一步，装工具

把 Hypit 的链接发给 Agent，它自己装。我就说了一句：

你帮我把 Hypit 这个工具装上 + Github 链接

装完 Agent 多两个本事：拉片（把一条视频从头到尾拆开读）和生成（照着读出来的做一条新的）。我用 Cursor 里的 Agent，Claude Code、Codex 一样能接，你手上有什么用什么。

第二步，拉片，先读不生成

你帮我去给这个片做个参考：每句话几点说、画面几点切，都给我标出来

原片丢进去，它给我两份东西。

一份是这个视频的完整拉片，细节到人在中间说话、字幕一句一换贴嘴边、48 秒后上下两排品牌卡把人围起来。另一份是时间账，细到帧：0.07 秒「朋友们」出口，8.33 秒切进钱和名录，39.3 秒一个大「乱」字铺在人后面，48.2 秒底排淡入、48.4 秒顶排跟上，55.7 秒硬切海报。

后来换别的形象，效果都很好，框架都在，靠的就是它。

第三步，打草稿，先看灰样。

PROMPT/hypit clone this video: 原片.mp4画面改成疯狂动物城，主播换成一只原创红狐，构图、道具、镜头照原片来

它先给我一份草稿，里面就三样东西，各管一段：

1. Brief：这活儿要什么。多长、给谁看、什么调性，先说明白，省得后面跑偏。
2. Treatment：这条片子怎么拍。开场怎么进、主播怎么摆、字幕放哪、牌子什么时候上，等于一份拍摄大纲。
3. main.svml：台词和画面怎么对上。谁在第几句开口、说到哪个词该弹出什么，全写在这儿。

关键是这时候画面全是灰的，一分钱没花。 结构不对就当场改，改到满意它才报预算，我点头才真生成。平时买工具都是先掏钱再验货，这回反过来了。

第四步，出画面、回工作台、瞄一眼代码

CMDbuild it

图片用平台自带那档，会动的镜头接我自己账号的视频接口。定妆和分镜静帧长这样：

书房 A-roll 也直接出：

生成完回工作台看一眼。

下面这张是官方的演示素材，左边是代码，右边是画面：

你把右边画面拨到哪一帧，左边代码就跳到那一段；反过来在左边改一句话，右边画面立刻跟着变。榜、字幕、卡、切镜全在这套对应关系里，哪一秒的画面是由哪句台词带出来的，一眼就能对上，不用来回猜。

它凭什么能做到这样？因为这里的东西全都挂在台词上，没钉死在时间轴的某一秒。

传统剪辑里，素材是钉在时间线上的。你删掉一段音频，字幕和动画还杵在原地，得一个个手动掰。这里你删掉一句台词，挂在它下面的语音、字幕、动画跟着一起走；你改一句词，整条自己重排。

也是因为这个，改完本机重渲就行，不用重新生成素材，也不再花钱。

代码这层不用看懂。它用的是一种叫 SVML 的描述语言，当一份「视频的源文件」看就行：台词、画面、字幕、特效，全写在一处。

比如后面柴犬那条视频，写在代码里就是这样（示例）：

<ranking> <HOST>哎给你排个。@fifth 第五 @/fifth，袜子后跟破个洞，你不换，直接穿去上班了。 @first 第一 @/first，门一推，眼直接闭上了，呼吸都调匀了。 </ranking>

嘴里说到「第五」，第五行才从旁边落下来；说到「第一」，第一行才坐实。词一改，画面跟着走。这套文件能存、能改、能版本管理，也能拿去批量出变体。

说句实话，它做不到一键出片。主播手势循环还是同一段 6 秒，对不上原片里的竖指、摊掌；有个镜头视频生成超时，我拿静帧转圈兜的底。这些要人再过一遍。

02 换个人：柴犬版

第一条跑完我就明白了一件事：框架能一直用，换的只是人。

像是这里，TikTok有个特别火的排行榜视频：

同一套榜单模板，人直接换成穿蓝冲锋衣的柴犬，口播、画面、字幕全部重做，只有榜和节奏没动。

这条我更省事，榜和字幕的组件一个字没改，只让口播和画面重来。

PROMPT你把这版的主持人换成一只穿蓝冲锋衣的柴犬，词和画面重新来，榜单和节奏别动

从「上班这些破事」一路排上去：袜子破洞、外卖到了装没在看、半夜一个人站厨房开灯、开会满脑子晚饭，第一名是门一推，眼闭上，呼吸调匀，装睡装到位。

上一句还在讲「钻一个被窝」，这一句换成了「外卖到了那一秒，手机啪往桌上一扣，装没在看」。说话那股劲儿还是同一股，人已经换了个物种。

WARN人和口播得一起换。只换个身子还念原词，那就是套壳。真正让人记住的是那句台词落在哪儿喘气。

03 换个框架：松鼠版

同一套路子，换一条参考片，又是另一套

你换一条参考片，做个 AI 博主 Top5 榜，主播换成戴蓝圆框眼镜的松鼠

顶栏钉死「办公松鼠 / 最离谱的翻车」，人在右边说话，左边整列留给榜，从第五名往上爬：忘字幕、当新脸、先抱抱、窗已满，第一名是把幻觉当真直接拿去开会，落地之后画面还停着不走。

跟柴犬那条比，这一回连榜的排布、顶栏、镜位都换了，只借走「倒序填榜、说到哪儿填到哪儿」那个机制。框架拆下来就能接着用，不用对着空白重搭一遍。

写在最后

成本账。动物城那条，Hypit 这头只打了定妆和分镜静帧，$0.17；柴犬那条口播 TTS 免费、转写几分钱，整条不到两美元。官方自己跑的三条英文样片，一条成片成本也就在一块一上下。

局限也很明显：

• 它很吃 Agent 的脑子。 台词是 Agent 写的，碰上不太会聊的，写出来一股 AI 味：句子碎、逻辑跳，成片看下来一头雾水。
• 笑点还是得你自己定。 生成的细节得人过一遍，指望一口气全自动交付，会失望。

上手有没什么门槛，你只需要发个 Agent、会下指令、找对参考。说到底，它把重复的执行接走了，审美和判断还留在你自己手里。

框架开源、免费。Clone 是最好上手的入口，也可以从官方模板开始，或者把想要的东西描述清楚，让 Agent 从零写一套