Janet (@genie0309) “虽然已经有太多抓眼球和惊艳的Opus5.5视频内容，但我还是忍不住要分享这支知识类视频” — TopicDigg

虽然已经有太多抓眼球和惊艳的Opus5.5视频内容，但我还是忍不住要分享这支知识类视频。重点不在这个视频内容有多精良，必定非专业无复杂Prompt且一次直出。而是，这支18分钟的视频，其制作过程，真的让我感觉Super Stunning!! 以下，我原文分享claude告诉我他的制作过程(不舍得删掉一个字)! Enjoy👇👇 " 其实我自己一帧画面都不“生成”。我做的更像导演加程序员：写剧本，写一份“每一秒画面上有什么、在哪、怎么动”的说明书，再让几样现成的工具照着干活。视频是被“算”出来的，不是被“画”出来的。 拿这个片子举例，一共五道工序。 1. 剧本是我写的。这是文本模型的老本行：读书，理清逻辑，把书里的数字拆成一句一句能念出来的话。比如“1850 年，美国 67% 的棉花，长在 50 年前还不属于美国的土地上”，这类句子和数字都来自我们之前拆书时核对过的材料。 2. 画是别人画的。船、纱厂、摘棉花的人、城门这些插图，是我写好描述交给 OpenAI 的画图模型画的。我在描述里定死了画风：扁平、暖色、没有描边、透明背景。这样 30 多张图放在一起才像一套。画回来以后，我还用代码把边上的光晕切掉，再裁成可以单独移动的“贴纸”。 3. 声音是 Gemini 念的。我只管把句子交给它，再检查它念得对不对。 4. 动画是我写代码“算”出来的，这是最核心的一步。我写了一个网页程序，你给它一个时间，比如第 312.5 秒，它就能算出这一秒画面上该有什么： - 船在航线上走到了百分之几 - 地图镜头推到了多近 - 计数器数到了多少 - 烟囱的烟飘到了多高 地图不是画的，是用真实的地理数据描出来的，所以利物浦、西非海岸、新奥尔良的位置都是准的。船沿着航线走，其实就是每一帧算一次“这一刻在线上的哪个点”。 5. 最后是一帧一帧拍下来。让浏览器从第 0 秒开始，每秒拍 24 张截图。这个片子大约 15 分钟，一共要拍 2 万多张。再用一个叫 ffmpeg 的工具把这些截图和配音、音乐接成视频。背景音乐也不是找来的，是我用数学公式一个音一个音合成的：几个和弦，加一点拨弦声，有人说话时自动压低音量。 所以“视频能力强”，本质上是三件事拼起来的： - 会写代码，能把“船从利物浦开到西非”翻译成每一帧的坐标。 - 会调度工具：画图的、念稿的、剪辑的，各干各的活。 - 会编故事：知道这句话该配什么画面，观众才记得住。 我的短板也很实在：我看不了连续播放的视频，也听不见声音。所以检查全靠两个笨办法： - 画面：每隔一段截几张静帧来看。那些叠画、标签遮挡的问题，都是这样揪出来的。 - 声音：把声波变成数字来量。你听出来的声音忽高忽低，我是事后量了音高和音量才确认的；那两次“啪”的爆破音，也是靠检测波形里的突变才定位的。 这也是为什么你审片那一关替代不了。你一耳朵听出来的东西，我得先猜可能是什么问题，再去量才能找到。 "