AI 知识视频制作：从 Remotion 入门到可复用的实践方法

制作知识视频，可以把任务拆成六步：搜集 → 编排 → 找图 → 定样式与写分镜 → 检查修改 → 直出。每一步先产出可检查的文件，确认后再进入下一步。

本文根据截图整理。截图中的“定样式”和“写分镜”都标为第四步，因此合并为第四步的两个子环节；第五步按“检查修改”补充，相关提示词为补充模板。其余提示词保留截图中的主要内容，并调整换行，方便复制。

流程与文件准备

开始前，准备一个项目文件夹。下面是文件组织示例，文件会随着流程逐步产生：

知识视频项目/
├── 文章.md
├── 文案.md
├── 找图.md
├── 分镜.md
├── bgm.mp3
├── 素材/
│   ├── 01-开场.png
│   ├── 02-历史照片.png
│   └── 03-深蓝.png
└── 输出/
    ├── 开头10秒.mp4
    └── 完整视频.mp4

下面以“人工智能的发展简史”为例。实际使用时，统一替换主题、文件名、视频时长、画幅方向、所选风格和配乐文件名。

第一步：搜集资料，整理知识文章

这一阶段先把知识讲准确。发展史类主题可以选取关键节点，每个节点写清年份、人物、事件与意义，并附上可核对的来源。

提示词：

<role>
你是知识科普作者，最在意事实准确。
</role>

<task>
上网搜「人工智能的发展简史」，挑 8 到 10 个关键节点，
每个写清哪一年、谁、做了什么、为什么重要。
整理成一篇知识文章，存成 文章.md。
</task>

<check>
年份、人名、数字、原话都要有出处，链接写在每段后面；
找不到可靠出处的节点删掉。
</check>

按主题调整：

• 把“人工智能的发展简史”换成自己的知识点，例如“为什么天空是蓝的”。
• 如果讲的是原理，把“挑 8 到 10 个关键节点”换成“拆成 5 到 8 个要讲清楚的点”。

拿到文章后，打开来源链接，重点核对年份、人物、数字和直接引语。已有可靠笔记时，也可以直接用自己的笔记进入第二步。

第二步：编排成视频文案

知识文章要进一步改成适合观看的短句。先说明时长、横竖屏和是否有旁白，再让 AI 按幕编排。

提示词：

<role>
你是抖音知识视频的编剧，擅长把复杂的事讲给完全不懂的人听。
</role>

<context>
这篇要做成 2 分钟左右的横屏视频，没有旁白，
观众只看画面上的字配音乐，所以每句话都要短、一看就懂。
</context>

<task>
把 文章.md 改成视频文案，存成 文案.md，分成一幕一幕：
开头先抛一个问题让观众猜；
中间当故事讲，用至少一个生活里的比方，安排一次反转；
结尾落到普通人身上。
</task>

<avoid>
不解释就用专业术语；一屏超过 20 个字；文章.md 里没有的事实。
</avoid>

按发布形式调整：

• 时长按内容确定；如果发布竖屏视频，把“横屏”换成“竖屏”。
• 如果自己配音，把“没有旁白”换成“有旁白，字跟着旁白走”。
• 文章.md 可以替换为自己已经写好的笔记文件。

写完最好自己读一遍，检查开头是否能引起兴趣，句子是否容易理解，反转是否符合事实。比喻应帮助理解；文案里新增的事实要回到资料阶段核验。

第三步：找图并整理素材

为每一幕配一张能支持内容的图，例如历史照片、论文首页或机器实物图。让 AI 给出具体网址和截图位置，自己打开网页保存素材。

提示词：

<context>
视频不能只有字，每一幕都要有一张真实的图
（老照片、论文首页、机器的样子），看起来才不干巴。
图我自己去网页上截。
</context>

<task>
按 文案.md 一幕一幕列出要用的图：
在哪个网址、截网页上的哪一块、用在第几幕，存成 找图.md。
</task>

<avoid>
标着版权所有、来路不明的图。
优先用公有领域、自由许可的，每张写清出处和许可。
</avoid>

按素材需求调整：

• 把“老照片、论文首页、机器的样子”换成该主题适合的图，例如“光谱图、日落照片”。
• 如果使用生图工具，把“图我自己去网页上截”换成“图我用生图工具出，你写清每幕要什么”。生成的示意图应与真实历史素材区分，不能当作史料使用。

截好的图放进 素材/ 文件夹，文件名用幕号开头，例如 03-深蓝.png。在 找图.md 中保留文件名、来源链接、许可和所需署名；截图本身不会改变原素材的使用许可。

第四步：先定样式，再写分镜

4.1 定样式：先看三个方案

先用开头同一幕做三张风格差异明显的样图，选定一个方向后，再扩展到整片。

提示词：

<task>
素材文件夹里是我截好的图。这条视频用 HyperFrames 来做。
先给我 3 个差别大的画面风格，
每个用开头那一幕做一张 1920×1080 的样图，
各说一句为什么适合。先别往下做，等我选。
</task>

<avoid>
深色背景配霓虹光；字都堆在正中间；紫色渐变；
所有东西都淡入淡出。
</avoid>

<avoid> 中写自己不想要的效果，也可以补充“不要卡通人物”等要求。竖屏视频的样图尺寸应改成 1080×1920。

选样图时，重点看文字是否清楚、图文关系是否明确、风格是否适合主题。选好后，记录风格编号，例如 A、B 或 C。

4.2 写分镜：明确每个镜头怎么做

分镜需要把文案和素材落实到时间线上：每个镜头多长、出现什么字、用哪张图、如何运动，以及何时切换。

提示词：

<role>
你是动效导演，最在意节奏。
</role>

<task>
用 C 这个风格，写分镜脚本 分镜.md：
每个镜头写几秒、画面、字、用哪张图、怎么动。
截图要处理成这个风格的样子，别直接贴上去。
配乐是文件夹里的 bgm.mp3，先找出拍子，镜头切换卡在拍子上。
写完先停，等我检查。
</task>

<specs>
横屏 1920×1080，每秒 30 帧，总长跟着文案走。
</specs>

把 C 换成选中的风格，把 bgm.mp3 换成实际配乐文件名。竖屏时改成“竖屏 1080×1920”，并与文案、样图保持一致。

截图的风格处理可以包括裁切、边框、配色和标注，但要保留关键内容。若当前工具无法分析配乐，应先说明能力限制，再提供可调整的切换时间，不能假装已经找到了拍点。

第五步：检查修改

这一阶段检查文章、文案、素材和分镜是否一致，把问题落实到具体幕号再修改。下面的提示词是根据流程补充的检查模板。

检查与修改提示词（补充）：

<role>
你是知识视频的审稿与分镜检查编辑，
重点检查事实准确、表达清楚、素材对应和节奏合理。
</role>

<task>
对照 文章.md、文案.md、找图.md、分镜.md 和素材文件夹，
逐幕检查，先列出具体问题，再修改对应文件。
每个问题写清：幕号、问题、修改建议。
涉及事实的修改要附可靠来源，无法核实的内容标出并删除或改写。
修改后说明改了哪些地方，先停在分镜阶段，等我确认。
</task>

<check>
1. 年份、人名、数字、引语是否有可靠出处；文案有没有新增未经核实的事实。
2. 开头问题是否清楚；专业术语是否解释；比喻和反转是否准确。
3. 无旁白版本是否一屏不超过 20 个字；停留时间是否足够读完。
4. 每幕图片是否对应内容；文件是否存在；出处、许可和署名是否齐全。
5. 分镜是否写清时长、画面、文字、素材文件名和动效。
6. 所有镜头时长相加是否符合目标时长；切换点是否与已确认的配乐拍点对应。
7. 横竖屏、分辨率、帧率和所选风格是否统一。
</check>

<avoid>
凭空补事实；为了反转夸大结论；未确认分镜就制作整片。
</avoid>

人工检查时，也要按幕号给出具体反馈。例如“第 3 幕拆成两屏，每屏停留 3 秒”，或“第 5 幕换成 05-机器实物.png”。确认修订后的分镜，再进入渲染阶段。

第六步：直出，先做开头 10 秒

分镜确认后，先制作开头 10 秒，检查实际的文字大小、动效与音乐节奏。预览满意后再制作整片。

提示词：

<task>
分镜可以，照着做。先只做开头 10 秒，渲成 MP4 给我看，
我满意了再做整片。
</task>

<check>
做完自己抽几帧看：字有没有出框、重叠、太小；
年份和文案对不对；切换在不在拍子上。
有问题改完再给我。
</check>

看预览时，抽帧检查排版，并连续播放检查阅读时间、转场和音乐同步。若有问题，按时间点反馈，例如“第 6 秒的文字太小，放大并延长停留时间”。

开头确认后的继续制作提示词如下，为补充模板：

<task>
开头 10 秒确认通过。按已确认的风格和修订后的 分镜.md 制作整片，
保持相同的画幅、分辨率和帧率，导出完整 MP4 到输出文件夹。
</task>

<check>
逐幕抽帧检查文字出框、重叠、过小和素材对应问题；
完整播放检查阅读时间、镜头切换、配乐同步与结尾是否完整。
核对年份、文案和总时长，有问题修正后再交付。
</check>

这次实践：我实际做了什么

这篇笔记补充记录 2026 年 10 月的一次真实实践。我前前后后大约花了 100 元 Token，用 Codex、DeepSeek 和 Claude Opus 5.5 反复摸索如何制作这种无旁白、靠画面文字和音乐讲清知识的 AI 视频。最终沉淀下来的完整提示词是：E:\trae\1016vibe\视频制作最终提示词.md。它比前面的六步模板更完整，已经把锚词、17 秒概念定名、无旁白阅读时间、镜头连续性、拍点、动作音效、Remotion 工程、渲染和成片验收都写进去了。

这次做得比较好的两个成片如下。它们已经放在本网站的静态资源中，可以直接播放：

成片一：Claude Opus 5.5 主导的《纳什均衡：不敢走》

这是 Claude Opus 5.5 参与度最高的一条。它的优势是故事感强，能够把抽象概念变成一个观众愿意跟着走的处境；音乐、音效和画面动作的配合也比较自然，画面质感更完整。代价是 Token 消耗高，而且每次都让模型从头构思，难以稳定复用。

成片二：Claude 构思、Codex 完成的《赌徒原理》

这条视频由 Claude 参与构思，Codex 负责后续调整和完成。它说明一个很实用的组合：让更擅长叙事的模型先帮助建立故事和解释角度，再让 Codex 在已有约束下完成 Remotion 工程、动画调整和渲染。Codex 的初稿往往需要我持续指出问题，例如“这里需要音效”“这个动作要落在拍点”“字幕停留时间不够”，但约束足够具体后，也能做出不错的成片。

Remotion 是什么

Remotion 可以先理解成：用 React 和 TypeScript 写视频的网页界面，再按时间轴把它渲染成 MP4。普通网页根据用户的点击和滚动变化；Remotion 则给每一帧一个确定的时间 frame，代码根据当前帧决定文字、形状、图片和声音的位置、透明度与大小。

例如，下面这段代码表示一个标题从小到大出现：

const frame = useCurrentFrame();
const scale = interpolate(frame, [0, 20], [0.8, 1], { extrapolateRight: 'clamp' });

return <h1 style={{ transform: `scale(${scale})` }}>纳什均衡</h1>;

Remotion 的价值不在于“自动生成视频”，而在于它把视频变成了可编辑、可复现的代码工程：可以修改主题、文字、颜色、时间和素材，再重新渲染；同一段动画也可以稳定地产生同样的结果。它适合知识科普、数据解释、产品演示和需要精确同步音乐的内容。

需要区分三件事：Remotion 是视频工程框架，Claude/Codex/DeepSeek 是协助完成工程的模型，MP4 是最后导出的成片。模型可以帮你写代码，但不会因为用了 Remotion 就自动保证故事好、事实对、字幕读得完或音画同步。

三个模型各自适合做什么

这次实践得到的分工不是绝对规则，但可以作为低成本的起点：

高价模型最值得复用的不是某一次完整回答，而是它做得好的中间方法：如何找锚词、如何把概念变成故事、如何安排前提—动作—结果、如何把音效作为叙事的一部分。把这些方法固定进提示词，之后就不必每次重新支付一遍“从零构思”的成本。

两条成片中可以复用的共同方法

1. 先找锚词，再写脚本

锚词不是概念名，而是普通人真正遇到的处境，例如“不敢走”“怕输”“已经投入”。它要能同时完成三件事：开头让观众代入，中段让原理解释这个处境，结尾让观众对这个词有新的理解。锚词确定后，标题、开场动作、关键字幕和结尾都围绕它展开，叙事会比“把知识点全部讲一遍”更集中。

2. 让知识通过动作发生

每个推导步骤都按这个顺序写：呈现条件 → 发生动作 → 看见结果 → 用一句话点明含义。不要先堆一张写满定义的卡片，再配一个无关动画。观众应该能看见“为什么会得到这个结论”。数字、箭头、筹码、人物和状态的变化都要有原因。

3. 17 秒正式命名，前面先让观众经历现象

这次提示词中固定了一个很有效的结构：前 17 秒只讲一个具体处境，在第一次主要重拍上用超大中文概念名正式命名，再放英文小字和一句补充说明。这样观众先产生“这不就是我吗”的感觉，再得到术语，理解会比开头直接放标题更顺。

4. 同一视觉对象持续演变

好视频不会每十秒清屏换一套图。可以让同一组筹码、路线、人物、球或图表继续运动，逐步改变条件并导向新的结果。转场优先承接已有对象的位置、轮廓、颜色和方向，这既更有质感，也能减轻观众重新建立空间关系的负担。

5. 音乐是时间轴，音效是因果标记

先分析配乐的重拍，再安排概念出现、数字揭示和关键动作；不要为了追拍而把一个完整的解释切碎。除此之外，每个有解释作用的动作都可以配一个短促音效：落定用低鼓或木琴，关系建立用拨弦或钢琴，高潮用低频和弦。Codex 往往不会主动补这些细节，所以要把“动作、拍点、音效”明确写进要求。

6. 无旁白视频必须给阅读留下时间

画面上的字不是讲稿，而是观众唯一能听到的解释。每一屏只保留当前必要的信息，复杂前提不要在同一秒同时出现。渲染后要完整观看，而不是只看代码或几张截图；字幕来不及读、数字突然变化、转场遮住条件，都是成片问题。

可直接复用的提示词骨架

下面这段是从最终提示词中提炼出来的“核心约束版”。每次只替换主题，其他部分作为默认规则保留：

请使用 Remotion 制作一条可直接发布的中文知识科普视频。

主题：【填写主题】
默认规格：1920×1080，30fps，横屏；无旁白，使用背景音乐、动作音效和嵌入式简体中文字幕。

制作前先完成：
1. 从普通人的具体处境中找一个 2–4 个字的锚词；说明它在开头代表什么，结尾如何被重新理解。
2. 把主题收束成一个核心问题、一个准确的中文概念名和一句观众能复述的结论。
3. 只选 2–4 层必要知识点，核对事实、数字、公式和适用条件。

叙事要求：
- 前 17 秒只用一个具体情境引出问题，不提前展示完整概念名。
- 第 17 秒的主要重拍上，用超大中文概念名完成正式命名；下方放准确英文名和一行补充说明。
- 每一步遵循“条件 → 动作 → 结果 → 含义”。
- 让同一视觉对象连续演变，减少无意义清屏和新案例切换。
- 结尾回到锚词，但必须用前面已经解释的机制给出新的理解。

视听要求：
- 先分析实际音乐的拍点，再安排镜头交接、数字揭示和高潮。
- 关键动作配与材质和动作匹配的短音效；不要所有动作使用同一个提示音。
- 无旁白时给字幕足够阅读时间，每屏只保留必要信息。

交付前：
- 运行并渲染完整 MP4、SRT、封面和可复现的 Remotion 工程。
- 实际观看 MP4，检查文字边界、重叠、阅读时间、事实、音画同步、黑帧和结尾。
- 发现问题后继续修改并重新检查，不要只报告“代码编译通过”。

这个骨架不能替代主题研究，也不能保证一次生成成片。它的作用是把已经验证过的高价值约束固定下来，减少每次从零描述制作标准的工作量。

从提示词到工程：建议的低成本工作流

1. 用 DeepSeek 或其他低成本模型先发散 3–5 个切口，只输出锚词、核心问题和故事草案。
2. 把选定切口交给 Claude，要求它只负责叙事结构、关键转折和视觉隐喻，不直接生成整套工程。
3. 把叙事方案和“核心约束版”提示词交给 Codex，让它在现有 Remotion 项目中实施，先渲染前 10 秒。
4. 你自己按时间点反馈具体问题，例如“第 6 秒字幕太小”“第 17 秒概念名没有重拍感”“筹码移动没有音效”。
5. Codex 完成整片后，实际观看并检查 MP4，再要求它修复问题。

这样做的核心是让昂贵的模型负责最难复用的“找到好故事”，让代码模型负责可以反复迭代的“落地和修改”。随着案例增加，还可以把常用的 Remotion 组件、字幕样式、音效函数和验收清单沉淀成自己的模板库。

这次实践的结论

Claude Opus 5.5 的突出优势是叙事、故事和音效配合，画面质感也更容易到位；Codex 的优势是能在项目中持续修改、运行和渲染，但需要人不断给出明确的视觉和听觉反馈；DeepSeek 适合低成本发散和补充。真正可迁移的成果不是某个模型的一次神奇输出，而是已经提炼出的约束：锚词、单一案例、条件到结果的动态解释、17 秒命名、拍点和音效、实际成片验收。

以后制作新主题时，可以先复用这套骨架和工程组件，再把模型预算花在新的知识切口、故事和素材上，而不是反复解释“什么叫一个好的知识视频”。