用 Opus 5.5 在 Cursor 里生成 Remotion 视频：给它 Key，一句话出成片

配套项目：remotion-demo/。环境：Remotion 4.0.538、Node.js 22、Cursor + Claude Opus 5.5，旁白来自豆包语音合成 2.0 的真实调用。

先看成品：一支 28 秒、1920×1080 的产品介绍短片，有动画、有中文旁白、有背景音乐。

开场	三步说明	结尾

成片文件：docs/intro.mp4

这支视频的画面代码、配音脚本、配乐脚本，全部是 Opus 5.5 写的。我做的事情只有三件：建项目、给 Key、说需求。

1. Remotion 是什么，为什么适合交给 AI

Remotion 是一个用 React 写视频的框架。传统剪辑软件是在时间轴上拖素材，Remotion 则是写代码：视频的每一帧就是一次 React 渲染，组件根据「现在是第几帧」决定画面长什么样。

1.1 它是怎么把代码变成视频的

本项目的视频是 30fps、约 28 秒，一共 849 帧。渲染时，Remotion 把帧号 0、1、2……依次交给组件，Chromium 把每一帧的画面截下来，FFmpeg 再把这些画面和音频合成 MP4。

1.2 读懂代码只需要 6 个概念

你不需要会写 Remotion，但能读懂 AI 写的代码，改起来心里更有数：

最小的例子，标题在第 1 秒内淡入：

export const Title = () => {
  const frame = useCurrentFrame();
  const { fps } = useVideoConfig();
  const opacity = interpolate(frame, [0, 1 * fps], [0, 1], { extrapolateRight: "clamp" });
  return <h1 style={{ opacity }}>你好，Remotion</h1>;
};

这里有一条铁律：动画只能由帧数驱动。因为渲染是一帧一帧截图的，CSS transition、setTimeout 这类「按真实时间走」的动画，在预览里看着能动，渲染出来却是静止的。

1.3 为什么适合交给 AI

• Opus 5.5 写 React 得心应手，而 Remotion 视频本质上就是 React 组件。
• 改视频就是改代码，一句话就能改，结果完全可复现。
• 能接任何 API。你把 Key 给它，配音、配乐它自己去调接口生成，再精确地放到时间轴上。

2. 准备：两样东西

1. Cursor：模型选 Opus 5.5，模式选 Agent。
2. 火山引擎的 Key（没有也能做，只是没有声音）：

把 Key 写进项目根目录的 .env，告诉 AI 变量名就行：

DOUBAO_API_KEY=你的APIKey
VOLC_ACCESSKEY=你的AK
VOLC_SECRETKEY=你的SK

直接把 Key 贴进聊天框也能用，但 Key 会留在对话记录里。写进 .env 更稳妥，记得确认它在 .gitignore 里。

先去试听，挑一个音色

旁白的声音决定了视频给人的第一印象。开通语音合成后，进入豆包语音控制台的 音色库，每个音色都可以直接点播放试听：

挑音色时注意三点：

• 优先选名字带「2.0」的音色，比如推荐区里的 Vivi 2.0、小何 2.0、云舟 2.0、刘飞 2.0。它们属于语音合成 2.0，和本文用的模型 seed-tts-2.0 配套；选了 1.0 的音色会报 resource ID is mismatched（见第 9 节）。
• 按视频类型看场景标签：产品介绍、教程类，选标着「通用场景」「教学场景」「有声阅读」、语气平稳清晰的音色；想要纪录片那种厚重感，选低沉的男声；轻松的短视频，可以试试活泼一点的声音。
• 用自己的旁白文案试听：同一个音色念不同的内容，感觉可能差很多。

选好后，把音色名称或音色 ID 告诉 Opus 5.5 就行，例如「旁白换成云舟 2.0」。本项目用的是 Vivi 2.0（音色 ID zh_female_vv_uranus_bigtts）。

3. 建项目

npx create-video@latest --yes --blank remotion-demo
cd remotion-demo
npx remotion skills add   # 给 AI 装上 Remotion 官方最新写法
npm run dev               # 打开 Remotion Studio

npx remotion skills add 这一步建议做：Remotion 更新很快，装上官方 skills 后，Opus 5.5 会按最新 API 写代码，而不是用训练数据里的旧写法。

这几条命令其实也可以直接让 Opus 5.5 替你跑。

Remotion Studio 是干什么的

npm run dev 会在浏览器里打开 Remotion Studio，它是 Remotion 自带的预览和调试工具。Opus 5.5 负责写代码，Studio 负责让你看到代码变成了什么画面。

如果你用过剪映，打开 Studio 会觉得很眼熟：左边是素材和项目，中间是预览画面，下方是时间线，右边是属性面板。剪映里的概念，在 Studio 里几乎都能找到对应：

图层的上下关系也和剪映一样：上面的图层盖住下面的。区别在于，Remotion 里是代码中越靠后的元素越在上层。看本项目的结构：

<AbsoluteFill>
  <Background />        {/* 最底层：深色背景和光斑 */}
  <BackgroundMusic />   {/* 音频不占画面 */}
  <Series>              {/* 上层：三个场景依次播放 */}
    <Series.Sequence>…</Series.Sequence>
  </Series>
</AbsoluteFill>

所以时间轴上的每一行，就是代码里的一个组件；时间轴上色块的起止位置，就是 <Sequence> 的开始帧和时长。

最大的不同：剪映主要靠手拖，Studio 的时间线主要用来「看」和「定位」。右侧面板虽然也能添加文字、素材，但大部分修改还是落在代码上，也就是对 Opus 5.5 说一句话。这正是它适合交给 AI 的原因：剪映的操作没法复现，代码可以。

其他要点：

• 实时刷新：AI 每改一次代码，这里自动更新。改完立刻看效果，不满意接着说。
• 对齐检查：在时间轴上一眼就能看出卡片弹出和旁白是不是对得上。
• 报错：画面上出现红色报错时，原文贴给 Opus 5.5 就行。
• 预览不等于成片：Studio 是浏览器实时播放，最终渲染是逐帧截图。预览卡顿不代表成片会卡。

4. 一句话生成整支视频

在 Cursor 里发送类似这样的提示词，按你的产品改就行：

用 Remotion 做一支 1920x1080、30fps 的产品介绍短片，主题是
「用 Opus 5.5 + Remotion 一句话生成视频」，分开场、三步说明、结尾三个场景，深色科技风。

- 中文旁白用火山引擎豆包语音合成 2.0，Key 在 .env 的 DOUBAO_API_KEY。
- 背景音乐用豆包音乐生成纯音乐，AK/SK 在 .env 的 VOLC_ACCESSKEY / VOLC_SECRETKEY。
- 场景时长跟着旁白长度走，背景音乐压低音量，不要盖过旁白。
- 配音和配乐做成 npm 脚本，以后改了文案能一键重新生成。

Opus 5.5 实际做了什么：

接口鉴权（包括火山引擎的 V4 签名）、跑脚本、检查结果、运行 lint，这些都由它自己完成。配音脚本的实际输出：

✓ intro  9.02s  → public/voiceover/intro.wav
✓ steps  10.619s  → public/voiceover/steps.wav
✓ outro  5.01s  → public/voiceover/outro.wav

本项目编写时没有配音乐的 AK/SK，所以 public/music/bgm.wav 是脚本本地合成的和弦占位。配好 Key 后运行 npm run music 就会换成真实配乐。

5. 拆开看：Opus 5.5 是怎么做到的

一句话出成片，背后是它把需求拆成了一个个具体问题，再逐个用代码解决。下面挑五个例子，每个都是「要达到什么效果 → 它怎么做的」。

5.1 文案和画面分开：改文案不用碰代码

目标：以后改标题、改旁白，不想去翻组件代码。

做法：它把所有文案放进 src/storyboard.json，组件只负责「怎么呈现」。配音脚本、配乐脚本、画面组件都读这同一份数据（节选）：

{
  "music": { "prompt": "科技产品发布会的背景纯音乐，轻快、明亮……", "durationInSeconds": 45 },
  "scenes": [
    { "id": "intro", "kicker": "Opus 5.5 × Remotion", "heading": "一句话，生成一支视频", "voice": "只用一句话……" },
    { "id": "steps", "heading": "从提示词到成片", "points": ["Opus 5.5 写动画代码", "豆包语音合成旁白", "豆包音乐生成配乐"], "voice": "第一步……" },
    { "id": "outro", "heading": "改一句提示词，重新渲染", "voice": "视频就是代码……" }
  ]
}

5.2 三张卡片依次弹出：让动画「晚一点开始」

目标：「三步说明」里的三张卡片，跟着旁白里的「第一步、第二步、第三步」依次出现。

做法（SceneView.tsx）：

{points.map((point, i) => {
  const progress = spring({
    frame: frame - Math.round((0.8 + i * 2.8) * fps), // 第 i 张卡片延迟 0.8 + i × 2.8 秒
    fps,
    config: { damping: 14, stiffness: 120 },
  });
  return <div style={{ opacity: progress, translate: `0 ${interpolate(progress, [0, 1], [60, 0])}px` }}>…</div>;
})}

关键是 frame - 延迟帧数：把当前帧往回减，spring 就晚一点开始。progress 从 0 弹到 1，同时驱动透明度和位移，卡片就「弹」了出来。这正是 1.2 节那几个概念的组合。

5.3 拿到旁白的精确时长：选 PCM 而不是 MP3

目标：每个场景该多长，取决于旁白念多久，所以必须精确知道每段旁白的时长。

做法（scripts/tts.mjs）：调用豆包语音合成时，它没有要 MP3，而是要了未压缩的 PCM（24000Hz、16 位），自己加上 WAV 头保存。原因很简单：PCM 的时长可以直接算出来，

不需要额外装音频解析库。算出的时长写进 src/generated/voiceover.json，交给下一步使用。

5.4 画面跟着旁白走：时长由数据算出来

目标：改了旁白文案、重新配音后，场景切换点自动对齐，不用手动调。

做法：src/timeline.ts 用旁白时长算出每个场景的帧数，前后各留一点呼吸时间：

const seconds = PADDING_BEFORE_SECONDS + voice.durationInSeconds + PADDING_AFTER_SECONDS; // 0.4 + 旁白 + 0.8
return { scene, voiceFile: voice.file, durationInFrames: Math.ceil(seconds * fps) };

src/Root.tsx 用 Remotion 的 calculateMetadata 把各场景加起来作为视频总长；src/ProductIntro.tsx 用 <Series> 把场景首尾相接，每段旁白放进自己的场景：

<Series>
  {timeline.map(({ scene, voiceFile, durationInFrames }) => (
    <Series.Sequence key={scene.id} durationInFrames={durationInFrames}>
      <SceneView scene={scene} />
      <Audio src={staticFile(voiceFile)} from={Math.round(VOICE_DELAY_SECONDS * fps)} />
    </Series.Sequence>
  ))}
</Series>

于是整条链路是：改文案 → npm run voice → 时长变了 → 场景帧数和总长自动跟着变。

5.5 背景音乐：异步生成，再用音量曲线混音

目标：生成一段配乐，并且不盖过旁白。

做法分两半：

• 生成（scripts/music.mjs）：豆包音乐是异步接口，生成要花一些时间。它先调 GenBGM 提交任务拿到 TaskID，再每 5 秒调 QuerySong 查询，状态变成成功后下载音频。火山引擎 OpenAPI 要求 V4 签名（HMAC-SHA256 逐级派生密钥），它没有引入 SDK，而是直接用 Node 自带的 crypto 实现了。
• 混音（ProductIntro.tsx）：volume 也可以按帧变化，它用 interpolate 做了一条「淡入、保持、淡出」的音量曲线：

<Audio
  src={staticFile(music.file)}
  loop
  volume={interpolate(
    frame,
    [0, 1 * fps, durationInFrames - 1.5 * fps, durationInFrames],
    [0, 0.18, 0.18, 0], // 1 秒淡入到 0.18，结尾 1.5 秒淡出
    { extrapolateLeft: "clamp", extrapolateRight: "clamp" },
  )}
/>

和画面动画一样，声音也是由帧数驱动的。

6. 一句话改视频

满意之前，就是不停地在 Cursor 里说、在 Studio 里看：

因为场景时长跟着旁白走，改完文案重新配音，画面会自动对齐，不用手动调时间。

连想要什么风格都说不上来？或者希望每次做出来的风格都一致？见第 12 节的进阶用法。

7. 渲染导出

npm run render   # 等价于 npx remotion render ProductIntro out/intro.mp4

调试时加 --scale=0.5 出个低清版会快很多。

共享内存捕获：新版 Remotion 自动提速

回到 1.1 节的流程图：Chromium 截下每一帧，交给 FFmpeg 编码。传统做法中间多了一来一回：

「压缩成图片、再解码回位图」纯属浪费，JPEG 压缩还会损失一点画质。从 Remotion v4.0.534 开始，Remotion 用一个特制的 Chromium 把每一帧的未压缩位图通过共享内存直接交给 FFmpeg，省掉了这两步。不需要任何配置，满足条件就自动开启：

• macOS：Apple Silicon + macOS 15 及以上；
• Linux：x64 或 ARM64，glibc 2.35 及以上（Ubuntu 22.04 及更新）；
• 只对视频渲染生效，Studio 预览不使用。其他环境会自动退回传统方式，不影响渲染。

确认是否生效：加 --log=verbose，日志里出现 Remotion shared-memory capture uses the POSIX shared-memory backend. 即可。

在 4 核 Linux 云主机上渲染本项目（849 帧，1080p），开启比关闭快约 5% 到 10%。画面越复杂、分辨率越高，提升越明显。用 npx remotion benchmark 测自己的项目最准。

8. 想让它更稳：可选的两件事

Opus 5.5 不靠这些也能做出来，但项目大了、要反复迭代时，下面两样能让它少走弯路：

• Cursor Rule：把项目约定写进 .cursor/rules/remotion.mdc，比如「动画只能由 useCurrentFrame() 驱动，禁止 CSS transition」。可以直接让 Opus 5.5 帮你写。
• Agent Skill：让它把配音、配乐的用法整理成 .agents/skills/doubao-tts 和 doubao-music。以后在 Cursor 或 Codex 里说「重新配音」，它就知道该跑哪个脚本、出错怎么查。

9. 常见问题

动画在 Studio 里能动，渲染出来却是静止的？ 代码里用了 CSS 动画或 setTimeout。告诉 Opus 5.5「所有动画改成 useCurrentFrame 驱动」。

中文显示成方块？ 让它用 @remotion/google-fonts 加载 Noto Sans SC。

配音报 resource ID is mismatched？ 豆包的音色和模型版本要配套：*_uranus_bigtts 音色配 seed-tts-2.0。把报错贴给 Opus 5.5，它会自己改。

没有火山引擎账号能做吗？ 可以，让它在没有 Key 时生成占位音频，视频照样能预览和渲染。

Remotion 收费吗？ 个人、非营利组织和 3 人及以下的公司免费；更大的公司需要购买 Remotion 公司授权。

10. 实战案例一：一条消息做出比赛解说短片

这是一个真实需求：技术运营大赛结束后，要做一支赛后题目解析短片，用主视觉海报上的企鹅当虚拟主持人，替代真人主持。这一节记录的是第一步：从一条消息到「开场 + 第一题」的第一版成片。这一步是 one-shot 完成的，内容上我没有提过一次修改意见，中间唯一的来回是配音 Key 的事（下面会讲）。

这个项目是在 Cursor 的 Project（云端 Agent）里用 Opus 5.5 做的：主 Agent 负责跟我沟通、拆任务，把具体制作交给一个叫「Build penguin-hosted explainer video」的 worker。从建项目到交付第一版，大约 50 分钟。

10.1 成品（第一版）

2 分 43 秒、1920×1080：片头 → 开场 → 第一题，第一题按「题目回顾 → 陷阱在哪 → 正确思路 → 常见失分 → 一句话考点」讲完。企鹅的嘴跟着配音音量开合，会随讲解换手势；右边的面板在旁白念到关键词时弹出对应的卡片、终端和示意图。

片头	开场
陷阱在哪：四层拉起链	正确思路：终端演示
常见失分	一句话考点

10.2 输入：一张海报 + 一段朗读稿

素材只有大赛的主视觉海报：

和这样一条消息（朗读稿较长，这里折叠了第一题的细节）：

我的目标是利用以上这些视觉元素（特别是那只企鹅），去构建《技术运营大赛》的短片，
用来进行主持和题目的讲解，替代掉主持
————————————————
2026 运维操作赛 · 赛后题目解析（主持人朗读稿）
使用说明：每道题按"题目回顾 → 陷阱在哪 → 正确思路 → 一句话考点"组织，每题约 1~2 分钟。
命令名尽量口语化，括号里的内容可读可不读。

开场
各位选手，大家辛苦了！比赛已经结束，接下来我们用十几分钟时间，把今天的十道操作题逐一过一遍。
今天的题目有一个共同特点：现场布满了"看起来很对"的线索——笔记、注释、日志、grep 结果，
很多都是故意放的干扰。能拿高分的选手，靠的都是同一个习惯：不信表象，以实测为准。
下面我们一道一道来看。

第一题：清除"杀不死"的恶意进程 dc-agent（8 分）
题目回顾：……
陷阱在哪：……
正确思路：……
常见失分：……
一句话考点：……

注意这条消息里没有提 Remotion，也没有说怎么做。用什么工具、画面长什么样、配音怎么来，都是它自己定的。

主 Agent 收到后先回了一段思路，然后直接开工：

主持人：用 KV 里那只戴 NO ERRORS 护目镜、穿蓝色卫衣的企鹅，会做简单动画（晃动、说话、手势），整体沿用主视觉的紫粉渐变配霓虹台阶。 配音和字幕：中文 TTS 配音，严格按你的朗读稿念，字幕直接烧进画面。 每道题的画面：按"题目回顾 → 陷阱在哪 → 正确思路 → 常见失分 → 一句话考点"切换信息卡，配终端风格的命令片段。第一题会单独画一张四层拉起链的示意图。 技术方案：用代码生成视频（Remotion），脚本放在数据文件里，后面九道题只要补文字就能重新渲染。

10.3 过程：worker 是怎么做出来的

第一步，做出会说话的企鹅。 海报里的企鹅只有一个姿势，没法「主持」。它先照着海报生成了 4 个姿势（待机、讲解、提醒、点赞），每个姿势各一张张嘴、一张闭嘴：

然后用 rembg 抠掉背景，并且只把张嘴图的「嘴部区域」贴到闭嘴图上，保证两帧逐像素对齐，切换时不会抖。播放时按配音每一帧的音量决定张嘴还是闭嘴，就有了口型。

第二步，把朗读稿变成数据。 所有内容放在一个 content/script.json 里，配音和画面都从这里读。每句旁白配一个企鹅姿势；每张卡片带一个 cue，旁白念到这几个字时卡片才出现。下面是「陷阱在哪」这一段的节选：

{
  "kind": "trap",
  "lines": [
    { "id": "q1-trap-1", "pose": "warn", "text": "陷阱在哪：如果你执行 grep dc-agent 去找，会搜出几十个文件——但它们全是诱饵。" },
    { "id": "q1-trap-2", "pose": "present", "text": "真正负责拉起它的四层机制，名字里一个 dc-agent 都没有：……" }
  ],
  "visuals": [
    {
      "type": "chain",
      "cue": "真正负责",
      "title": "四层拉起链 · 名字里没有 dc-agent",
      "target": "dc-agent 本体",
      "layers": [
        { "name": "systemd 主服务", "detail": "Restart=always，进程退出即拉起", "cue": "systemd 主服务" },
        { "name": "伪装成 ktune 的拉起脚本", "detail": "名字像内核调优工具，实为守护循环", "cue": "伪装成" },
        { "name": "脱离会话的看门狗", "detail": "setsid 脱离终端，父进程 PID = 1", "cue": "看门狗" },
        { "name": "每分钟触发的 timer", "detail": "OnCalendar=*:0/1，兜底重建一切", "cue": "timer" }
      ]
    }
  ]
}

朗读稿里只有文字，「grep 搜出 47 个文件全是诱饵」的终端画面、四层拉起链的示意图、被划掉的错误笔记，都是它根据讲解内容自己设计的。它还准备了一份发音表，只给语音合成用，字幕保留原文。比如 systemctl 读成「system C T L」，10 秒 读成「十秒」。

第三步，配音。 这是这一步里唯一卡住的地方：

• 我先给了一组腾讯云的 Key，它测出这个子账号只有语音识别权限，没有语音合成权限，并告诉我要在 CAM 里补哪几个权限；
• 我又给了一个火山方舟的 Key，它测出这个 Key 能调 135 个模型，但豆包语音合成不在它的调用范围内；
• 备用的 edge-tts 在云端机器上也连不上。

它没有停下来等，而是换成了能在本地离线运行的 Kokoro 中文语音先把第一版做完，同时把配音写成可切换的流水线：豆包 → 腾讯云 → edge-tts → Kokoro，哪个能用就用哪个。拿到能用的 Key 后只要重跑配音、重新渲染，不用改代码。它还专门检查了 systemctl、pkill、timer 这些命令名念得准不准。

第四步，字幕对齐。 字幕按标点切分，但不会从引号中间断开；时间先按语速估算，再吸附到音频里检测到的停顿上。

第五步，自查后交付。 渲染前先截了片头、开场、陷阱、终端、失分、考点 6 张预览图；渲染完每隔 6 秒抽一帧检查中文字体、字幕同步和画面裁切。交付时它还主动说明了两点不足：Kokoro 念英文命令带口音；终端里的服务名（如 sysperf.service）是按「名字里没有 dc-agent」虚构的，给它真实名字就能替换。

10.4 后来又做了什么

第一版之后的迭代就不是 one-shot 了，简单列一下，方便你看完整的走向：

• 换成豆包语音合成「天才童声 2.0」重新配音；
• 把比赛口号「AI 能力无上限，古法手搓有底线」加进片头和开场；
• 第一题换成比赛里的真实服务名；
• 主 Agent 把剩下的九道题拆给 3 个 worker 并行制作，最后合成 12 段分段视频和一版完整片，推到私有 GitHub 仓库。

10.5 这个案例说明了什么

• one-shot 的前提是输入完整：目标（替代主持）、视觉素材（海报）、内容（朗读稿）都在一条消息里，它就不需要来回问。
• 结构化的稿子就是分镜：朗读稿本身分好了「题目回顾、陷阱在哪……」，它直接变成了画面上的章节切换。
• 卡住时它会先交付能用的版本：配音 Key 不可用，它没有停工，而是用离线语音先出第一版，把「换声音」留成一个随时可做的步骤。
• 后续扩展很便宜：数据驱动的结构，让补九道题变成「往 JSON 里加内容」。

11. 实战案例二：两分钟的 e/acc 纪录片

案例一和前面的产品短片，画面都是「自己画的」。这一节换个难一点的题目：让 Opus 5.5 抓取真实的名人访谈片段，剪成一支电视纪录片风格的短片。下面是完整记录：提示词、过程、踩的坑和成品。代码在 eacc-documentary/。

11.1 成品

一支 2 分 24 秒、1920×1080 的短片：中文旁白、中文字幕、人名条、章节标题、宽银幕黑边和胶片颗粒，穿插 9 段名人原话。

名人原话 + 人名条	动画讲概念

11.2 提示词

最初只发了这么一段：

用电视纪录片的风格解释一下什么是 e/acc：
• 把一些名人的片段抓下来剪辑好
• 加上字幕，配上比较专业的配音
• 时长大概 2 分钟
• 要求给人希望

之后 Opus 5.5 问了几个它自己定不了的问题，我只需要点选：

看完它给的方案，我追问了一句「没有 Elon Musk 吗？」，它就去补了马斯克的片段，并调整了结构。整个过程里我做的事情就这些：回答问题、给豆包的 Key、允许它读取浏览器里的 YouTube 登录状态。

11.3 它定的片子结构

这个结构是它根据「给人希望」和「保持批判思考」两个要求自己权衡出来的：正反两方都让当事人亲口说话，结尾给的是有分寸的希望。它还主动提醒了一点：马斯克从没公开自称 e/acc，旁白只能说他「目标和 e/acc 最接近、对 AI 却最警惕」，不能给他贴标签。

11.4 过程：它是怎么做出来的

第一步，找原话。 它用 yt-dlp 在 YouTube 上搜索访谈，先只下载自动字幕，在字幕里定位原话，再决定要哪几段。最后选定 4 个来源：Lex Fridman 播客（维尔东、安德森）、SpaceX 官方视频、SXSW 2018（马斯克）、CBS 60 Minutes（辛顿）。

第二步，绕过下载限制。 这里踩了两个坑，都是它自己排查出来的：

• YouTube 要求「登录验证不是机器人」。升级 yt-dlp、换客户端都没用，它判断是 IP 被限制，于是问我能不能用 Chrome 里的登录状态（--cookies-from-browser chrome）。
• 过了验证又报「拿不到视频格式」：新版 YouTube 要先执行一段 JavaScript 解签名，它给 yt-dlp 加上 --js-runtimes node，借用本机的 Node 解决了。

第三步，精确剪辑。 它只下载需要的几十秒（--download-sections），再用 whisper 做逐词时间戳，把每句原话的起止精确到 0.1 秒。辛顿那句「人类知道自己在做什么吗？不知道」被背景音乐盖住，第一次没识别出来，换成更大的 large-v3-turbo 模型才找到。

第四步，检查画面。 它把每段素材每秒抽一帧拼成长条图来看，发现安德森说「最好的一件事」时，镜头一直对着主持人。于是改用纪录片的常见做法：原声不变，画面换成安德森的静帧缓慢推近，避免人名条贴在别人脸上。

第五步，挑配音。 它用开场旁白给 7 个豆包男声各生成一段试听。它自己听不见声音，就算了每个音色的平均音高，挑了最低沉的 zh_male_m191_uranus_bigtts（约 101Hz），语速调慢一点，更像纪录片旁白。

第六步，用 Remotion 搭起来。 和前面的产品短片一样，文案和画面分开。所有内容写在 src/script.json 里，旁白和原话交替排列，每段原话记下裁剪位置、中文字幕和人物信息：

{
  "type": "clip",
  "id": "musk_nukes",
  "person": "musk",
  "source": "SXSW 2018 · Global News",
  "from": 7.8,
  "to": 13.95,
  "subtitles": [
    { "start": 0.1, "end": 1.9, "text": "记住我的话，" },
    { "start": 2.0, "end": 6.1, "text": "AI 远比核武器危险，危险得多。" }
  ]
}

组件按职责拆开：胶片质感（黑边、颗粒、暗角）、字幕、人名条（人物第一次出镜时出现）、章节标题、静帧推近，以及几个用代码画的概念动画（地平线亮起的灯光、四个目标、「加速」和「刹车」合成「掌舵」、日出）。背景音乐会自动避让：旁白时压低，名人原话出现时压到更低，片尾再放开。

第七步，检查和渲染。 渲染前它先截了十几个关键帧检查，发现人名条的金色小字在米色背景上看不清，就加了一层深色渐变底。整片 4314 帧，渲染用了约 3.5 分钟。

11.5 几点提醒

• 版权：名人访谈片段有版权。自己学习、内部分享问题不大；公开发布前要评估风险，本片每段只截了 2 到 17 秒的原话，并在画面上标注了出处。
• 字幕时间是估算的：豆包不返回逐字时间戳，旁白字幕按字数和标点估算，个别地方可能有轻微偏差。
• 配乐是占位：这支片子的背景音乐是代码合成的氛围铺底，配好豆包音乐的 AK/SK 可以换成真实配乐。
• 把关还得靠人：AI 能看画面、算音高，但听不见声音。音色、节奏、混音是否舒服，最后要你自己听一遍。

12. 进阶：风格拿不准、或者想更可控时，试试 Lemo-Opuscar

前面的例子里，风格都是一句话带过的：「深色科技风」「电视纪录片风格」。Opus 5.5 会自己发挥，效果往往不错，但有两种情况光靠一句话不够：

• 你还没想好视频该长什么样，说不出具体风格；
• 你想让风格更可控：每次做出来都是同一种调性，配色、字体、节奏、镜头语言不要每次都变。

这时可以用 Lemo-Opuscar。它是一套「用代码做片」的风格工具箱，以 Agent Skill 的形式提供，收录了 59 种现成风格，并且是专门按 Claude Opus 5.5 调出来的。每种风格都有一支示范片，外加一份写给 agent 看的风格说明（STYLE.md），把「这个风格长什么样、听起来什么样」写得很具体。agent 照着说明做，风格就不再靠它临场发挥。

不知道选什么：先看风格图鉴

打开它的 风格图鉴，像逛画廊一样挑一个顺眼的，然后报风格名就行。风格按「剪辑与纪实」「信息与发布」「手绘与绘画」等 11 个分类排好，每张卡片都能直接播放示范片：

比如 字幕新闻（Caption News）风格，属于它的「剪辑与纪实」分类：用大字幕把一条新闻讲清楚，关掉声音也能看懂，很适合大家习惯静音刷视频的平台。说一句：

用字幕新闻风格做一支 40 秒的片子，讲 Remotion 新版的共享内存捕获怎么让渲染变快。

下面是这个风格的示范片《The Bee Ledger》：美国一年死掉 130 万箱蜜蜂，总数却涨了 6%。可以试试静音看：

同一个分类里还有 1920s 新闻影片、电视新闻包装、视觉调查等风格，做资讯类、复盘类视频时都可以翻一翻。

如果是本文这种产品介绍片，可以看看「信息与发布」分类里的 暗色科技发布（Dark Tech Keynote），示范片是一个虚构 app 的发布片：

想更可控：把风格改成你自己的

如果你有自己的品牌色、logo、字体或账号调性，它还支持「改成你自己的风格」：在库里某个风格的基础上改配色、字体、节奏、声音，或者从空白描述一个新风格。它会先出一张风格图、再出一支 15 到 30 秒的 demo 片，你满意了才保存。保存后的风格放在 ~/lemo-my-styles/，以后做片直接叫它的名字，每支片子的调性就能保持一致。

它自己给的例子：以库里的 瑞士动态排版（平面网格、一个信号色、动作卡着节拍）为底子，保留网格、节拍和字体，把平面图形换成陶土、塑料、绒布、玻璃和铬的实物，做成了新风格「材质网格」。左边是原风格，右边是改出来的版本：

怎么装、用之前要知道什么

• 安装：Claude Code 用户两条命令装成插件：claude plugin marketplace add lemomo-ai/lemo-opuscar，再 claude plugin install lemo-opuscar@lemolab。在 Cursor 或 Codex 里，把仓库的 plugin/skills/lemo-opuscar/ 复制到项目的 .agents/skills/ 目录。
• 它有自己的一套做法：画面用 Canvas 和 WebGL 逐帧渲染，不走本文的 Remotion 流程。可以把它当成「换一种风格重新做一支」，也可以只借它的 STYLE.md，让 Opus 5.5 在 Remotion 里照着做。
• 比较费时：官方说一支片子 agent 大约要做 30 到 60 分钟，token 用量也不小。

本节的示范片和截图来自 Lemo-Opuscar，© LemoLab，按 CC BY 4.0 授权使用；为了控制文章体积，视频已压缩为 720p。

总结

1. 建项目，装 Remotion skills；
2. 把火山引擎的 Key 放进 .env；
3. 一句话说清楚要什么视频，Opus 5.5 负责写画面、接配音、接配乐；
4. 在 Studio 里看，一句话一句话地改；
5. npm run render 出片，新版 Remotion 自动加速。

完整代码在 remotion-demo/，npm install && npm run dev 就能打开。想看真实项目怎么做，见第 10 节（一条消息做出比赛解说短片）和第 11 节（抓取名人素材剪成纪录片）；风格拿不准或想更可控，见第 12 节。

课外读物

Opus 5.5 视频合集：看别人一句话做出了什么

Opus 5.5 videos: viral prompts and live remakes

别人用 Opus 5.5 做出来的视频合集（四百多支），每支都附了创作者用的原始提示词，以及用同一条提示词重新生成的对照版本。想看「一句话能做出什么样的视频」，可以从这里翻。

video-shotcraft：给 Remotion 用的「镜头配方库」

video-shotcraft 是一个给 Claude Code 和 Codex 用的 Agent Skill，专门做产品宣传片，底层用的就是本文讲的 Remotion，可以看成本文流程的「专业加强版」。

它解决的是「动效不够高级」的问题。我们让 Opus 5.5 自由发挥时，动画往往是淡入、弹出、平移这几样；video-shotcraft 则准备了 124 张调校好的镜头配方卡、共 150 个镜头，分成开场与品牌、运镜与空间、转场、文字与字卡、界面登场、数据与指标、光效、收尾等 10 类。每张卡都有一份写给 agent 的说明和对应的 Remotion 实现，在它的 镜头库 里能直接看动效预览、复制卡名：

对它说一句「给我的产品做一支宣传片」，agent 会按这样的流程走：抓取你产品的真实页面 → 从配方库里挑镜头、排分镜 → 用 Remotion 做动画 → 按背景音乐的节拍卡点剪辑、配音效 → 渲染并逐帧检查 → 交付 MP4。

几个值得一看的点：

• 画面来自你的真实产品：它不是视频生成模型，每一帧都是代码基于你自己的截图和文案画出来的，品牌、文字都准确，也能逐项修改。
• 可以点名用哪个镜头：比如「参考 spotlight-hero-card，为这个页面设计一个产品特写镜头」，卡名直接从镜头库复制。
• 交付后还能像剪映一样改：它会在浏览器里打开一个「动效工作台」，成片按镜头拆成多条轨道，可以改文案、挪镜头、变速、换镜头，改完用 Remotion 导出；也能导出成剪映草稿。这和第 3 节讲的 Remotion Studio 是同一个思路，只是更进一步，可以直接动手编辑：

安装方式最简单：把仓库链接丢给 agent，说 帮我安装这个 skill：https://github.com/Vincentwei1021/video-shotcraft。在 Cursor 里用的话，也可以把仓库克隆下来，放到项目的 .agents/skills/ 目录。

本节截图和动图来自 video-shotcraft 的 README 和官网，项目以 Apache-2.0 协议开源。