写作 · 编译 · 交付 —— 为视频而生
用 vibe coding 做一部约 10 分钟的二战纪录片——剧本 == 源代码。
要解决的问题？
编剧的工作，到剧本为止。对白、旁白、场景说明，偶尔来一句"这里在照片上缓缓推近"——这就是交付物。把这些纸面文字变成成片，向来是另一门手艺：剪辑师、时间线、NLE，外加好几天的拖拽素材和关键帧调试。
本项目目标是优化和自动化后期的重复性工序——要求编剧集中她他们的创造力和想象力，完成剧本，让AI将剧本编译成为满意的影像产品。
剧本始终是唯一的真实来源。在这个项目里就是 script.md，上面再加一份 outline.md：创作者照旧写下分镜、旁白和画面文字，需要时直接用行业术语——"Ken Burns 运镜""下三分之一字幕""交叉淡入淡出"。不用学新的创作工具，也不用学剪辑软件。
剩下的交给机器。Vibe coding 加上一套 SKILL，把这些人类语言翻译成可构建的 shell 脚本（.sh），脚本再执行成可发布的 .mp4。
这就是把开发者的循环套用到影片上。Java 程序员写 .java，编译器把它变成可运行的东西；这里，创作者的 outline.md 和 script.md 是源文件，项目把它们编译成 .sh，shell 一跑就产出视频。同一个形状——用人类可读的源文件创作，编译、执行、交付。
传统方式的投入成本
十分钟的成片可不是小事。行业经验法则的报价：最低端约每分钟 1,000 美元，比较现实的起步价是每分钟 2,000–4,000 美元，电视级则要 10,000 美元以上——所以单是一章约 10 分钟的片子，在还谈不上"专业级视频"之前，就已经是一个 1 万到 4 万美元以上的项目。
像本章这样以档案照片加旁白为主的片子省掉了摄制组，但预算只是换了个地方：花在资料研究与档案授权、一位编剧、一位配音，以及——重头戏——一位动态图形剪辑师，逐张照片做动画。剪辑通常每小时 75–150 美元，定制动画往往超过 40 小时——而十分钟的 Ken Burns 运镜、烧录字幕、聚光揭示和交叉淡入淡出，是一大堆定制动画。
它还需要三个人沿着流水线接力：编剧写、设计师做画面、剪辑师剪。每一次交接都有交流成本和意图损耗流失、周期被拉长成数周的地方。
成本基准（2025–2026）：每分钟成片的纪录片报价参考 Desktop Documentaries、Wind & Sky Productions 和 Academy Voices；剪辑与定制动画费率参考 Vidico。
新的AI方式
写一个分镜条目(cue)，让它构建，看片段。就这么个循环。
script.md 里的一个 cue，读起来就像编剧本来就会在旁边记下的东西：要出现的照片或影像、旁白台词、画面上的字幕，以及运动方式——"Ken Burns 向大桥推近""下三分之一字幕：1941 年夏 · 旧金山""交叉淡入下一镜"。大白话，加上编剧本就熟悉的行业术语。
然后你叫 Claude Code 去构建。Vibe coding 把这份 cue 表变成 build_clip.sh，跑一遍，交回 clip.mp4。第三镜不满意？改一句旁白，或把 "zoom-in" 换成 "pan-up"，只重建那一个 cue（CUE=3 bash build_clip.sh），几秒钟就能重看。把做好的片段串成整章，方法一样。
没有时间线，没有关键帧，不用把素材在设计师那里来回倒腾。创作者全程待在剧本里——画面只是不断追上文字。
底层是一条自底向上的流水线——镜头组成片段，片段组成成片：
chapter.mp4。从头到尾，创作者只碰三样东西，其余交给机器：
- 写 —— 在
outline.md里铺陈故事，再在script.md里写逐镜头的 cue：图像、旁白、字幕、运动。 - 备料 —— 放进照片和档案影像；旁白由剧本里的台词通过文字转语音合成。
- 指挥并构建 —— 让 Claude Code 去构建。它根据 cue 写出
build_clip.sh/build_chapter.sh并运行；你审一个 cue、改一句、重建（CUE=n）、再来一遍。把片段串成整章——.mp4就出来了。
这是一个 cue 的完整呈现——script.md 里描述的单个镜头，经构建加上旁白、字幕和动画：
AI的新工作流
那条三人流水线坍缩成一个人。编剧保留自己的位置；设计师和剪辑师的活儿被机器吸收，剧本一要求，画面就构建出来。没有交接——于是没有什么在传递中流失，也没有什么排队等待。
迭代从几小时降到几秒。在时间线里重剪一镜意味着重新导入、重打关键帧、重新导出。这里，你在 script.md 改一行，只重建那一个 cue——片子其余部分纹丝不动，从不重渲染。给同一张照片试五种取景，是五条小命令，而不是在剪辑软件里来回五趟。
而且真实来源从不移动。每一次改动都是一个文本文件的 diff：可审查、可回退、像代码一样用 git 管理。没有 final_v3_REAL.prproj——剧本就是项目，视频只是它当前的构建产物。
来点粗略的数字。本章约 9 分 44 秒，由 41 张照片、7 段档案影像、20 条旁白和约 67 次剪辑操作——Ken Burns 运镜、字幕、聚光揭示、交叉淡入——构成。这正是上文那个 1 万到 4 万美元以上、三个人、好几周的活儿。而这里是一个人指挥 Claude Code，以天而非周为单位迭代——设计与剪辑这两项通常占预算大头的开销，缩到接近零的边际成本：一份 Claude Code 订阅，加上几美元的文字转语音，而不是按天计费的摄制组。（这里的工作量是从成片估算的，并非记录在案的工时表。）
为什么要重造轮子？
好问题。简短的回答：不是为了造轮子而造轮子——而是为了造一个更好的轮子，并让"造轮子"这件事本身更高效。我先试过现成的工具；每一个都很接近，又都差了一口气。
Descript —— 我喜欢它的方向：通过编辑文字来编辑视频。但它把开发者和编剧两套思维方式糅在一起，那个混合不合我的用途。接近，但不到位。
CapCut（剪映） —— 社交媒体视频里数一数二的好工具，模板库很深。但这恰恰是问题：它为大批量产出和快速周转而生，不是为独一无二的创意作品。它的前 AI 时代设计意味着工作流仍然依赖大量人工照看——没法交给 agent 去驱动和串流，编程的入口还比较稚嫩，而且由于已有设计的考虑，比较难于从根本上适应2026的AI发展。
文字转语音（ElevenLabs 对比 Fish Audio） —— 两个都能用，也都达到了"可接受"的水准。我选 Fish Audio，因为它把中文旁白处理得更好。两者目前都还难以推到"足够像真人"；但 Fish Audio 正在积极完善它的可编程 API——当整件事的重点就是一条可自动化的流水线时，这一点恰恰最要紧，所以我更看好它。
Claude Design —— Anthropic 刚发布的可视化创作工具（research preview，隶属 Anthropic Labs）：把需求说给它，它就生成设计稿、原型、幻灯片与宣传物料。我第一时间就上手试了——初见 demo 确实惊艳。但 Anthropic 自己也坦言，它还停在"research lab"阶段；用下来正是这种感觉：功能简陋、打磨不足，对我这条流水线而言，现阶段连最基本的要求都还谈不上满足。它是这几款里最"AI 原生"的一个，却也最早期——方向让人期待，但还没到能用的时候。
共同的线索：现成工具要么不可编程，要么不是为 AI 端到端驱动而设计的。这道缺口，正是"剧本即源代码"这套思路要填上的。
开源库
这里的一切都是开源的——有兴趣的话可以把如下github repo克隆下来，重建这部片子。
video-production-kit —— 可复用的引擎。20 个独立的 shell recipe（ken_burns.sh、caption_overlay.sh、crossfade.sh、subtitle_burn.sh、text_spotlight.sh 等等）、7 篇参考文档（端到端流水线、cue 格式规范、ffmpeg/zoompan 与文本渲染的深入解析），外加一个项目脚手架——全部是零依赖的 bash。可以当工具箱做零散的镜头，也可以用来搭起一整个纪录片系列。
AIeditor · Flying Tigers —— 就是本文这个范例，也让你看到十分钟背后真实的复杂度：41 张历史照片、7 段档案影像（剪自 2 段新闻片）、20 条旁白、2 段音乐床，由 7 个构建脚本编排进 4 个片段加片头片尾——总共约 67 次剪辑操作。把它克隆到 kit 旁边，跑一遍构建，就能看着整部片子拼装出来。
写在最后
值得老实说一句：什么没有变。
本项目的例子是历史纪录片。一部高质量的纪录片，靠的还是老办法去赢得这份准确：找到合适的档案照片、确定新闻片的年代、核实画面里的人是不是字幕所说的那位。AI 缩短了机械的部分——下载影像、抓取自动字幕作翻译源、起草一段检索——但什么是真的、什么值得呈现，这份判断仍归人类。Vibe coding 让剧本编译得更快，它并不替需要创新，依赖人类灵光乍现的创造力的研究。
而创意内核原封未动——因为那才是全部意义所在。一次揭示的节奏、一句正中要害的旁白、在一张脸上多停一拍的决定：那是编剧的手艺，也正是这条流水线要保护的东西。机器接手了编剧从来不想干的部分——打关键帧、反复导出、来回交接——好让只有人能做的部分得到全部注意力。顶级作品从来不是卡在剪辑上，而是卡在讲故事上，现在依然如此。
这就是值得做的交换。写作、编译、交付——把省下来的时间花在故事上。
观看成片（约 9 分 44 秒）：
构建工具
video-production-kit
