SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场video-toolkit

video-toolkit

设计与创作

查看项目

更新于 11-08 16:04

技能介绍

用途 Video Toolkit 用于从一份文本简报开始，自动生成专业解说视频（explainer video）。它把配音、配图、音乐、数字人讲话头等环节交给在云端 GPU（Modal 或 RunPod）上运行的开源 AI 模型，再用 Remotion（React）负责画面合成与渲染。项目模板包括 product-demo（营销/产品解说）、sprint-review、sprint-review-v2（可组合场景）。

路径要求 工具包位于固定路径，运行任何工具命令前都必须先进入该路径： TOOLKIT=~/.openclaw/workspace/claude-code-video-toolkit cd $TOOLKIT 不要在项目目录内运行工具命令，因为工具按工具包根目录解析路径。

安装与配置

  1. 检查状态：运行 python3 tools/verify_setup.py，全部显示 [x] 可跳过后续安装。
  2. 安装 Python 依赖：pip3 install --break-system-packages -r tools/requirements.txt（Debian/Ubuntu 受管 Python 下需要该参数）。
  3. 配置云端 GPU 端点：在 .env 中填写 Modal 各工具的 endpoint URL。若未配置，可用 pip3 install --break-system-packages modal 并 python3 -m modal setup 完成认证，然后用 modal deploy 部署 docker/modal-qwen3-tts、modal-flux2、modal-music-gen、modal-sadtalker、modal-image-edit、modal-upscale、modal-propainter、modal-ltx2 等应用，并把输出的 URL 写入 .env 对应变量（如 MODAL_QWEN3_TTS_ENDPOINT_URL 等）。LTX-2 部署前需创建 huggingface-token secret 并接受 Gemma 3 许可。可选配置 Cloudflare R2 用于稳定文件传输。
  4. 验证与快速测试：重新运行 verify_setup.py，再用 qwen3_tts.py 生成一段测试 mp3 确认 GPU 管线可用。

创建视频流程

  1. 建项目：从 templates 复制 product-demo 到 projects/PROJECT_NAME 并 npm install。
  2. 写配置：编辑 src/config/demo-config.ts，设定产品名、标语、场景列表（title、problem、solution、demo、feature、stats、cta）及各场景时长。
  3. 写配音脚本：在 VOICEOVER-SCRIPT.md 中按场景写文案，词数预算约为 (durationSeconds - 2) * 2.5。
  4. 生成素材（命令均在工具包根目录运行）：
    • 背景音乐：music_gen.py，支持 corporate-bg、upbeat-tech、ambient 等预设。
    • 配音：qwen3_tts.py，须逐场景生成一个 mp3，而不是整片一个文件；可选说话人（Ryan、Aiden 等）与语气（neutral、warm 等），也支持用参考音频做声音克隆。
    • 场景图：flux2.py，支持 title-bg 等预设或自定义 prompt 与尺寸。
    • 视频片段（可选）：ltx2.py 生成 B-roll 或把图片做成动画，单段最长约 8 秒，宽高需被 64 整除。
    • 数字人（可选）：先用 flux2.py 生成人物肖像，再用 sadtalker.py 按场景生成讲话头片段，须使用 --preprocess full 和 --still。
    • 图片编辑与放大（可选）：image_edit.py、upscale.py。
  5. 同步时长：用 ffprobe 读取各场景音频实际时长，把配置中的 durationSeconds 改为 ceil(实际时长 + 2)。
  6. 审查静帧：用 npx remotion still 导出关键帧，检查文字截断、动画节奏、画中画位置与对比度。
  7. 渲染：在项目目录运行 npm run render，输出 out/ProductDemo.mp4。

合成要点 逐场景音频用 <Sequence from={30}> 延迟 1 秒播放；数字人画中画必须用 <OffthreadVideo> 而非 <video>；自定义转场从 lib/transitions/presentations/ 直接引入，不要从 barrel 引入。

成本与限制 文档给出的 Modal 成本参考：Qwen3-TTS 约 $0.01/场景，FLUX.2 约 $0.01/张，ACE-Step 约 $0.02-0.05，SadTalker 约 $0.05-0.20/场景，LTX-2.3 约 $0.20-0.25/段；60 秒视频总计约 $1-3。Modal Starter 每月含 $30 免费算力，空闲时应用会缩容到零，冷启动可能需 30-120 秒。LTX-2 生成结果约 30% 可能带有训练数据痕迹（logo/文字），可换 seed 重试。

适用场景 适合营销/产品解说视频、冲刺回顾视频，以及需要 AI 配音、配图、音乐和数字人出镜的自动化视频制作。其他平台的部署方式、收费与价格暂未提供。