TL;DR
“文案 + 声音进，成片出”的 AI 讲解视频流水线已经开源成型，2026-09 至少有三条可走：cs-board（一条命令全自动，适合先跑通）、BoomEarth（Agent 组织 + 确定性工具，适合要可控和质量）、自建 Skill（适合已有稳定选题与风格的熟手）。共同结论：你只负责把文案写好，其余环节全部可以流水线化；先跑 30 秒短片打通链路，再谈长度与风格。
准备
- Node.js 22+、Git、FFmpeg（三条路线的公共底座）
- 一段 100–300 字的定稿文案（先定稿，后生产——文案没定稿就开工是最大返工源）
- 本地算力或 API 额度（配音/生图环节二选一）
三条路线怎么选
| 路线 | 思路 | 适合谁 | 代价 |
|---|---|---|---|
| cs-board 全自动 | 丢文案 + 声音，配音/分镜/画面/字幕/合成全自动，内置十种封面风格 | 想最快出片的入门者 | 风格受限于内置模板 |
| BoomEarth Agent 组织 | Agent 理解并组织制作，确定性工具生成可播放、可检查的视频；本地 IndexTTS2 配音 + 词级时间戳字幕 | 要可控、要质量、愿意配环境的人 | 首次环境投入与本地算力 |
| 自建 Skill | 把自己验证过的选题→脚本→素材→剪辑流程写成 Claude Code Skill | 已有稳定风格、日更压力大的熟手 | 前期开发时间 |
流水线的四个环节与组件清单
无论哪条路线，环节和可选组件是同一张清单：
- 配音——本地 IndexTTS2（BoomEarth 实测明确不能用上游 2.5 替代，需绑定授权参考音频）或云端 TTS；音色一旦选定就固定，系列感的一半来自声音
- 字幕——关键不是生成字幕，是词级时间戳：BoomEarth 的做法是提交锁定 WAV 给火山/豆包 flash 换取真实词级时间戳，字幕才不会飘
- 画面/分镜——cs-board 全自动按文案切分镜；BoomEarth 走 Agent 环境内的运行时 ImageGen；素材类视频可以直接用图库 + 转绘配方批量做风格化底图
- 合成与封面——FFmpeg 合成；封面交给 cs-board 的十种风格模板或自建模板，尺寸一次锁定
落地顺序（三步，别跳）
- 30 秒打通：选 cs-board 或 BoomEarth，跑一条 30 秒短片，目标不是好看，是全链路跑通、产物可检查
- 锁定产物：配音音色、字幕样式、画面风格跑通后全部锁定——“已锁定的产物不随意重做”（BoomEarth 作者原话），每条视频的边际成本才降得下来
- 再谈自建：跑通 10 条后，把你固定的流程写成 Skill（参考”把视频制作流程做成 Skill”的思路：流程固化 = 高频更新的底层能力）
成本与红线
- 成本项：首次环境投入、本地算力、Agent/生图额度、ASR 用量、人工审阅时间
- 红线：解说素材的版权与二创边界自己把关；配音克隆只用有授权的参考音频；AI 生成内容按平台规则标注
成品对照
实测成片将由实测补充（R-004）。自检标准：30 秒短片全链路无人干预完成；字幕与配音逐词对齐；同文案重跑两次，产物结构一致。
常见坑
- 文案未定稿就开工：流水线省的是生产时间，省不了返工——先定稿后生图配音
- 追求首条即精品：第一条的作用是暴露链路问题，不是涨粉
- 组件追新：TTS/生图模型月月换，流水线已经验证的组件别轻易替换；要换就单点换、单独测
下一步
- 动手装环境：cs-board 与 BoomEarth 的仓库见情报速递对应条目（boomearth-video-pipeline、cs-board-ai-video-pipeline）
- 只想做单条视频不搭流水线：看图生视频工具怎么选
- ComfyUI 动画路线：看第一条 ComfyUI 工作流
方法致谢：三条路线来自 @ChenshuoAI 的 cs-board、@姜老师AI历险记 的 BoomEarth与 @大雷 的自建 Skill 复盘，本文为选型视角的整理。