用 AI 做视频，模型本身够强，真正折腾人的是模型之外那一堆事：画面要找可灵、即梦、Seedance，配音找豆包或 ElevenLabs，音乐找 Suno，每家一套账号、充值和参数；素材有了还得自己剪。作者因此做了一个会自己做视频的助手。

这段时间我一直在用 AI 做视频，越做越觉得：模型本身已经够强了，真正折腾人的，是模型之外的那一堆事。

随便列几个我踩过的坑。

• 平台太多。 画面要找可灵、即梦、Seedance、Veo，配音要找豆包或 ElevenLabs，音乐要找 Suno，图片要找 FLUX 或 Seedream。每家一个账号、一套充值、一套参数，光是把这些配齐，一下午就没了。
• 不知道该做哪种视频。 我脑子里想的是「给产品做个宣传」「把这期播客剪成短视频」，但这类视频该走什么流程、分几步做，得自己一点点摸索。
• 不知道该用哪个工具。 同样是生成视频，有的便宜但不稳，有的效果好但贵，有的擅长人物，有的擅长风景。每次都要试一轮，钱就这么花出去了。
• 素材有了，还得自己剪。 打开剪映，一段段拖进时间线，对字幕、对节奏。忙活半天，做出来的经常是「几张图配上念稿」，不太像一条视频。
• 想批量就更难了。 比如做投放，要同时测十几条不同卖点、不同开头的素材，一条条手工做，根本做不过来。

我也找过能把这些串起来的开源项目，确实有做得不错的，但都要自己装环境、会用 AI 编程工具。这个对于很多人来说，还是太复杂了。所以我想着能不能做一个真的很低门槛，大部分人都可以无痛使用的呢？

所以我做了个「宝葫芦」

我基于开源项目 OpenMontage 重新开发了一个会自己做视频的 AI 助手，起名叫「宝葫芦」。

名字的意思很直白：想要什么视频，跟它说一声，它就给你倒出来。

它整合了几十家 AI 服务，可以配置到飞书群，或者企微群里，也可以配置到微信的ClawBot中。你在群里跟宝葫芦说一句话，它自己写脚本、出分镜、生成素材、配音配乐、剪辑合成，最后把成片发回群里。

先看看它能做什么：

一共 13 种。从零生成的有动画讲解、动画短片、角色动画、电影感短片、纪录片蒙太奇、数字人口播；用你自己素材的有口播剪辑、录屏演示、长视频切片、播客转视频、混剪、翻译配音。再加上我自己用得最多的：批量做投放素材。

光看列表可能没什么感觉，下面我就拿投放素材举个例子，完整走一遍。

举个例子：在群里批量做投放素材

假设我要给一个周报工具做一批抖音投放素材。

第一步，发素材。 把一条觉得不错的同行视频、产品截图和录屏丢进群。发视频的时候，宝葫芦会问一句：这是「参考视频（学它的结构）」，还是「产品素材（要剪进成片）」。

第二步，填需求。 @宝葫芦 说「投放」，它回一张表，填产品名、卖点、目标人群、用户痛点、行动引导、投放平台、时长、要几条。

第三步，挑脚本。 它出一张「脚本矩阵」卡片。我给了 2 个卖点，它配上不同的开头方式（戳痛点、制造好奇、抛问题……），每条写清楚开头钩子、口播全文、画面安排、预计花多少钱。我勾选想做的，点「生成」；不满意就写意见让它重写。到这一步，还一分钱没花。

第四步，看样片。 素材生成好后，它发来每条的开头画面和已经花了多少，我点「通过」它才开始合成。

第五步，收成片。 带配音、字幕、配乐的竖屏成片，直接发回群里。

整个过程我只做了三件事：发素材、填表、点按钮。

但真正让我放心的，是它做投放素材时守的那些规矩：

• 一条只测一个卖点：卖点和开头方式排列组合，一次出 6 到 12 条，跑完数据就知道哪个卖点、哪种开头好使
• 前 3 秒必须抓人：第一帧就要有钩子文案，不放 logo 开场，也不慢慢淡入
• 固定节奏：15 秒一条，钩子 3 秒、痛点和证明 7 秒、效果 2 秒、行动引导 3 秒
• 广告法自查：每句口播都过一遍禁用词，「最」「第一」这类词自动改写
• 优先用真实产品画面：截图和录屏最有说服力，优先用；拍不到的场景（深夜加班、用完很爽）再用 AI 生成
• 直接出竖屏：9:16，按抖音、快手、视频号、小红书的界面留好安全区，字幕不会被按钮挡住

其他类型的视频也是一样的路子：在群里说需求，它按那类视频的做法一步步做，关键节点停下来让你确认。

回头看那几个坑

例子走完，再回头看开头那几个坑，宝葫芦分别是这么解决的。

平台太多？我都接好了。 20 多个视频生成模型、15 个左右生图模型、10 个配音服务、7 个音乐来源，都整合在里面。可灵、即梦、Seedance、Veo、FLUX、Seedream、豆包、ElevenLabs、Suno 这些常用的都在，用的人不用再注册任何一个平台。另外也留了免费的路子：本地配音、免费素材库、免费曲库，能用免费的就不花钱。

不知道做哪种视频？说大白话就行。 13 种视频，每种都写好了分几步做、每步注意什么。你只要描述想要什么，它会自己对上号；说不清楚，它会反过来问你。实在不知道怎么描述，直接丢一个喜欢的视频给它，它会拆解这个视频的节奏、结构和风格，再给你 2 到 3 个改编方案。

不知道用哪个工具？让它自己挑。 每一类工具都有一个「挑选器」，从 7 个角度打分：对不对口、质量、可控程度、稳定性、价格、速度、前后画面能不能保持一致。选完会把理由记下来，某家服务挂了也会自动换备选。

钱也管得住。它会先估算要花多少，我点头了才开始生成，过程中一直记账。它也不会无脑全用最贵的视频模型，能用图片加镜头运动、特效解决的画面，就不花视频生成的钱。参考开源社区公开的案例，一条 60 秒的动画短片成本在 1 美元出头，用图片做的风格化短片能压到 1 块钱人民币左右。

素材还得自己剪？不用了。 剪辑、配音、配乐、字幕、合成，都是它在后台做完的，你收到的就是成片。

要装环境、会写代码？不用。 在群里 @它 就行（微信也在接）。

它背后是怎么运转的

简单讲讲原理，感兴趣的可以看看。

宝葫芦本身就是一个会做视频的 AI 助手（现在流行的叫法是 Agent），它跑在服务器上。你不需要在自己电脑上装任何 AI 软件，在群里 @它，它就在后台开工。

它肚子里装了三样东西：

1. 会思考的大脑：一个大模型，负责听懂你的需求、做决定、推进进度，像一个导演
2. 制作手册：每种视频该怎么做、分几步、每步的标准是什么，我都提前写好了，大脑照着做，不会乱来
3. 工具箱：一百多个现成的小工具，生图、生视频、配音、配乐、剪辑、合成都有，大脑按需调用

每条视频都按固定的 7 步走：

想法 → 脚本 → 分镜 → 素材 → 剪辑 → 合成 → 发布

每一步做完，它会先自己检查一遍：画面有没有问题、音量对不对、字幕齐不齐、是不是做成了「PPT 翻页」。关键节点再停下来给我看，我说行才往下走，说不行它就按意见改。

步骤和标准写死在手册里，保证它不会乱来；用什么风格、选什么工具、怎么剪，交给大脑根据需求判断。这是我觉得宝葫芦最靠谱的地方。