Hypit 是个开源视频生成项目，把一条参考视频丢给它，Agent 会自己拆出结构，再换内容、换主播、换语言出片。同一篇文章套上 MG 动画体、网页排版体、杂志体三种风格，42 秒 6 个片段一次跑完。

最近刷到一个开源项目叫Hypit，试了一下，跟之前用过的模板工具思路完全不同。

GitHub ：github.com/hypit-ai/hypit

模板工具是选个模板填文字换图片，出来的东西千篇一律。Hypit是你给它一条爆款视频，Agent 自己把结构拆出来，你换内容、换主播、换语言，出来的每条都不同。

01 先看效果

直接看东西。

我拿之前写的那篇Tutti·VM 多 Agent 协作的文章当素材，同一份内容，用Hypit套了三种风格，出来三条完全不同的视频。42 秒，6 个片段，一个字没改。

CASE 01 风格 A：MG 动画体

米黄底，大字标题配动画字幕。

讲到 Tutti 界面那段，直接把产品截图贴进画面了，关键词高亮。看起来像刷小红书时碰到的那种科普短视频。

CASE 02 风格 B：网页排版体

左边结构化排版，右下角真人小窗。讲到 Claude Code 接需求那段，左边自动画了一张流程图出来。每个片段有编号（01/06、03/06），讲到哪一目了然。

CASE 03 风格 C：杂志体

Ps. 好奇是怎么做的吗？简单说下思路：用Hypit的CLI，用的是Kimi K3 配置，利用多模态能力，把对应的参考视频给到 K3，让他负责调度，然后直接渲染剪辑进去。

蓝色、荧光绿、珊瑚红色块拼版，像翻杂志。三种风格里这个调性最强，我自己最喜欢这版。

同一篇文章，连带着中间的主持人，三种画面，全都是 AI 生成的。

02 视频写成代码

和别的 AI 软件相比，Hypit用下来最明显的感受：这东西是给 Agent 设计的。

传统工具你写一份分镜脚本，AI 能照着念台词，但画面上的动画、字幕、B-roll 切换，它不一定跟得上。你改一句台词，可能得手动调半天画面。

Hypit的做法是把视频写成一份.svml 文件，你可以理解成视频版的 HTML，一份文件把台词、画面、字幕、动画全写在一起，而且互相绑定。看一下它的工作台，左边是源码，右边是实时预览：

代码跳到哪，画面就跟到哪。每一小段台词就是一个segment（片段），台词里用@ 标签触发对应的画面和动画，类似 Word 里的批注，标到哪里就在哪里生效。

整体结构拆开看是这样的：

一份 .svml 里有五层：Script管台词和角色、Media Track管画面素材、Caption 管字幕、Speech Track 管语音合成，最后 Film 把这些合到一起渲染成视频。说白了，写剧本、配画面、加字幕、生成语音、导出成片，全在一个文件里搞定。

这里有个最关键的设计：

传统剪辑工具里，素材绑的是时间轴。你删一段音频，字幕和动画还杵在原位，音画不同步，得手动一个个挪。

Hypit里所有东西绑的是台词：一段台词下面挂着语音、字幕、动画，删掉这段台词，三样全部自动移除。改一句话，整条视频自动跟着调。

回头看前面图解笔记体那条视频，每个片段左上角都标着“01/06”“03/06”，就是 .svml 里的segment 编号。

一个 segment 对应一段台词，下面挂着这段台词的画面、字幕、动画。你在三种风格里看到的“别再当传话筒”“Claude Code → 工具”，都是同一个 segment，只是渲染模板换了。

Agent 处理起来也更顺手。.svml 是结构化的文本，读写文本本来就是 Agent 最擅长的事。不用先抽帧、转字幕、跑视觉识别绕一大圈，直接改文本就是改视频。

实际的源码长这样：

一份.svml 描述整条视频。import 引入组件（类似 PPT 里插入模板），script 写台词和角色，media 管人物和画面生成，caption 管字幕，film 合成竖屏输出。整个流程跟写文档差不多，只是最后输出的是视频。

03 开放框架，模型随便换

框架本身是开放的：

语音合成、视频生成、图片生成、语音转文字、视觉理解，都是可替换的模块。这里我用的 MiniMax H3 生成的视频，你换 Seedance、可灵都行。不绑定任何一家。

用起来也简单。它提供了一个 Skill，一行命令装好，在任意 Agent 对话框里就能用。

安装好了之后，能直接在 Codex、CC、WorkBuddy、豆包工作等等 Agent 中直接调用即可~

一条爆款出来，换人换内容再跑一遍就是新的。一条参考视频进去，拆出结构，换人换风格，批量出片。

同一条视频换个主播就是新的一条，真人版、猫咪版，一条变一百条。

04 结语

做视频的门槛一直在降。

模板工具降的是操作门槛，不会剪辑也能出片，但出来的东西都一个样。

Hypit降的是另一层：你看到一条好视频，怎么把它的结构拿过来，换成自己的内容，快速出片。

还有一点，最近的视频模型更新太快了。。

框架搭好了就搭好了，但上面跑的模型还在进步。今年的语音合成、视频生成比去年好一大截，明年只会更好。框架不用动，模型升一代，出片质量自动涨一截。

换句话说，今天用Hypit做出来的视频已经能用了，半年后同一套流程再跑一遍，效果只会更好。

工具不用换，东西不用重新学。

最重要的是开源！开源！开源！

直接就能本地部署一套，

以后每篇文章发完，就能顺手就出一条视频。

9 月 7 号开源。GitHub 搜Hypit。