AI 热榜雷达给好奇心,找个好工具
← 继续发现工具
Agents365-ai /

video-podcast-maker

趋势观察中

面向编程 Agent 的视频播客制作技能,将主题、配音、素材管理与 Remotion 合成串成视频创作流程。

中文简介经编辑校订 · agent-skill / ai-video / bilibili / claude-code / idea-to-video / remotion

GitHub 仓库 ↗

README / 项目原文

README_CN.md ↗抓取于 2026/10/24 00:37:30

视频播客生成器

License: MIT GitHub stars GitHub forks Latest Release Last Commit

SkillsMP Agent Skills

English

自动化流程,从主题生成专业视频播客。支持 B站 (Bilibili)、YouTube、小红书、抖音和微信视频号,多语言输出(zh-CN、en-US)。集成研究、脚本撰写、内置本地 TTS(edge 免费,外加 azure)、Remotion 渲染和 FFmpeg 混音。当前版本:v5.3.0 —— 版本历史见 CHANGELOG.md。

支持工具: Claude Code · OpenClaw · OpenCode · Codex · Pi — 任何支持 SKILL.md 的 coding agent

发布平台: B站 · YouTube · 小红书 · 抖音 · 微信视频号

无需编程! 用自然语言描述你的主题,coding agent 会一步步引导你完成。你做创意决策,agent 处理所有技术细节。

提示: 本项目仍在持续迭代完善中,部分功能可能还不太成熟。欢迎提出宝贵意见和建议 — 可以 提交 Issue 或直接联系作者!

功能特点

  • 主题 → 4K 成片 - 研究、旁白脚本、TTS 音频、Remotion 合成、4K 渲染 + BGM 一条龙
  • 本地 TTS 后端 - Edge(免费,无密钥)和 Azure —— 内置合成,无需外部组件技能
  • 资产引擎 - 每视频 manifest 记录角色/来源/许可;生产者包括用户文件、assetseeker 图库、imagencn AI 图片、videogencn AI 视频、Hyperframes 透明叠层——付费生成必先确认
  • 4K 输出 + Remotion 原生字幕 - 3840×2160;SRT 在 Remotion 内以 React 4K 渲染(传统 FFmpeg 烧录仍可用)
  • 设计学习 - 从参考视频/图片提取风格档案;主题匹配时自动套用
  • 竖屏短片 - 从长视频章节生成 9:16 精华片段
  • 多平台 & 多语言 - B站 / YouTube / 小红书 / 抖音 / 微信视频号 × zh-CN / en-US,按平台生成发布信息
  • 发音控制 - 全局 + 项目级多音字词典

快速开始

1. 安装: 用 skills CLI 安装完整版技能:

npx skills add Agents365-ai/video-podcast-maker/skills/video-podcast-maker -g

去掉 /skills/video-podcast-maker 后缀会安装全部三个变体(完整版、-lite、-nano);也可以直接克隆本仓库。下文路径均按仓库根目录书写,通过 CLI 安装时同一批文件位于 agent 的 ${SKILL_DIR} 下。

2. 环境准备 — Python 3.8+、Node.js 18+、FFmpeg,以及一个 Remotion 项目:

brew install ffmpeg node python3          # macOS(Ubuntu: sudo apt install ffmpeg nodejs python3)
pip install -r skills/video-podcast-maker/requirements.txt
npx create-video@latest my-video-project   # 或复用已有的 Remotion 项目
cd my-video-project && npm i

一次性成本: 全新的 Remotion 项目需下载约 2.2 GB npm 包 + 约 90 MB Chrome headless shell。为下一个视频优先复用已存在的 Remotion 项目(已装好 node_modules/)——重安装在每个项目只发生一次,而非每支视频。Lottie 动画为可选(@remotion/lottie + lottie-web),只有用到 LottieAnimation 时才按项目安装。

3. 配置 — 设置 TTS_BACKEND 及其 API 密钥(见 TTS 后端 和 环境变量)。

4. 告诉你的 agent:

"帮我制作一个关于 [你的主题] 的视频播客"

agent 会自动跑完整个流程(研究 → 脚本 → TTS → Remotion 合成 → Studio 预览 → 4K 渲染 + BGM)。渲染前可在 Remotion Studio(npx remotion studio src/remotion/index.ts)预览迭代;agent 会等你说出明确的"渲染 4K"才进行最终渲染。

⚠️ 给读到这里的你(不是给 AI 看的):podcast.txt 必须人工反复打磨

这一节是写给你这个真人的,不是写给 agent 的。 整条流水线后面所有环节 — TTS 朗读、字幕、章节切换、动画节奏、最终成片 — 全部由这一份 podcast.txt 决定。脚本不行,4K 渲出来的也是垃圾。

AI 生成的初稿只是起点。请你亲自做下面这些事,不要交给 AI 代劳:

  1. 按口播节奏在脑子里默读。 每句话当成一口气说完 — 哪句让你"换气换不过来"、哪句要回头重读才懂,立刻改。读得舒服 ≠ 听得舒服,TTS 卡住的地方往往就是你默读时也卡的地方。
  2. 至少改三遍。
    • 第一遍:抓错别字、明显语病、绕口处
    • 第二遍:砍废话、砍套话、砍"那么我们今天就来聊一聊"这种开场
    • 第三遍:调节奏 — 哪里断句、哪里加停顿、长句切短、重音落在哪个词上
  3. 逐章节通读。 每个 [SECTION:xxx] 块从头看到尾,确认开头有钩子、结尾能自然过渡到下一节,不是一堆并列要点堆在一起。
  4. 数字 / 专有名词 / 英文术语单独审一遍。 TTS 念错的 90% 都集中在这里。读音不对的,去 phonemes.json 加词条;读着别扭的,直接换说法。
  5. 心里要有时长账。 中文按 每分钟约 280 字 估算(英文约每分钟 150 词)。目标 5-10 分钟 ≈ 1400-2800 字,不要凑。

校验通过的唯一标准:脑子里走完一遍,没有任何一句让你皱眉。 达不到就不要进 Step 7(TTS),否则你只是在用 4K 渲染一段连你自己都不想听完的内容。

工作流程

流程

相关技能

本仓库内的变体(skills/):

  • video-podcast-maker —— 完整制作管线(本 README 的主角)
  • video-podcast-maker-lite —— 极简个人管线:Azure SSML TTS + Remotion,不带模板
  • video-podcast-maker-nano —— 工具无关的纯逻辑管线(任意 TTS 后端、任意视频工具);默认全自动,审查级别按项目配置

外部技能:

  • remotion-best-practices - 推荐;Remotion 核心模式与规范(缺失时使用内置最简规则)
  • assetseeker - 可选;许可核验的图库/视频/BGM/音效/图标/字体
  • imagencn - 可选;AI 图片与封面(付费 API)
  • videogencn - 可选;AI 视频片段,用于 B-roll(付费 API)
  • Hyperframes - 可选;透明动画叠层(Node 22+)

环境要求

软件 版本 用途
macOS / Linux - 已在 macOS 测试,兼容 Linux
Python 3.8+ TTS 脚本、自动化
Node.js 18+ Remotion 视频渲染
FFmpeg 4.0+ 音视频处理

通过 skills CLI 安装的? 届时 SKILL.md / scripts / templates 位于 agent 暴露的 ${SKILL_DIR} 路径下;README 中的路径写法是仓库根目录视角,也就是克隆安装后的样子。

TTS 后端(本地)

TTS 内置合成,无需外部组件技能。TTS_BACKEND 直接填平台 id,只需配置当前平台的环境变量:

TTS_BACKEND 平台 所需环境变量 获取密钥
edge(默认) 微软 Edge TTS (无 —— 免费) —
azure 微软 Azure Speech AZURE_SPEECH_KEY、AZURE_SPEECH_REGION(默认 eastasia) Azure 门户

想要更多平台? 原先的 ttscn 组件技能(cosyvoice、豆包、腾讯云、百度、MiniMax、讯飞、ElevenLabs、OpenAI、Google)不再是依赖。如需这些平台,请单独安装并直接调用。

环境变量

添加到 ~/.zshrc 或 ~/.bashrc:

export TTS_BACKEND="edge"                  # edge(默认)/ azure
export TTS_VOICE="zh-CN-XiaoxiaoNeural"    # 可选;不设置则用后端默认音色
export TTS_RATE="+5%"                      # 可选;也可写入 user_prefs.json(global.tts.rate)
export TTS_STYLE="gentle"                  # 可选;仅 azure 生效
export AZURE_SPEECH_KEY="..."              # 仅 azure 需要(见上表)
export AZURE_SPEECH_REGION="eastasia"      # azure 语音区域
export GEMINI_API_KEY="..."                # 可选:AI 封面(imagencn)
export DASHSCOPE_API_KEY="..."             # 可选:AI 封面(imagencn;ark/混元/智谱/step 亦可)

然后重新加载:source ~/.zshrc

配置文件

可变用户级文件位于 ~/.video-podcast-maker/(所有项目共享,技能更新不会覆盖);其余文件位于技能根目录(本仓库为 skills/video-podcast-maker/,通过 skills CLI 安装后为 ${SKILL_DIR}):

文件 位置 说明
phonemes.json ~/.video-podcast-maker/ 全局多音字词典;首次运行自动从内置模板复制;项目级覆盖放 videos/{名称}/phonemes.json
user_prefs.json ~/.video-podcast-maker/ 你的偏好(TTS、BGM、平台、视觉覆盖、风格档案);首次运行自动从模板复制
user_prefs.template.json / phonemes.template.json 技能根目录 默认模板 — 用户级副本的来源
prefs_schema.json 技能根目录 偏好校验的 JSON Schema
tsconfig.json 技能根目录 Remotion 模板的 TypeScript 配置

输出结构 — 每个视频渲染到自己的 videos/{名称}/ 目录:

videos/{视频名称}/
├── topic_definition.md      # 主题定义
├── topic_research.md        # 研究笔记
├── podcast.txt              # 旁白脚本
├── phonemes.json            # (可选)发音覆盖
├── assets/manifest.json     # 资产清单(角色 / 来源 / 许可)
├── podcast_audio.wav        # TTS 音频
├── podcast_audio.srt        # 字幕文件
├── timing.json              # 章节时间轴(驱动动画同步)
├── thumbnail_*.png          # 视频封面
├── publish_info.md          # 标题、标签、简介
├── output.mp4               # 4K 原始渲染
├── video_with_bgm.mp4       # 含背景音乐
├── bgm.mp3                  # 背景音乐
├── final_video.mp4          # 最终输出
└── shorts/                  # (可选)9:16 竖屏短片

背景音乐: 内置曲目位于 skills/video-podcast-maker/assets/ —— perfect-beauty-191271.mp3(轻快积极)和 snow-stevekaldes-piano-397491.mp3(舒缓钢琴)。各平台行为(封面、章节、CTA、发布格式)见技能内 references/platform-matrix.md。

❤️ 支持作者

如果这个项目对你有帮助,欢迎支持作者:

微信支付
微信支付
支付宝
支付宝
Buy Me a Coffee
Buy Me a Coffee
打赏
打赏

💬 支持

如有问题、功能建议或疑问,请在 GitHub 提交 Issue。

👤 作者

Agents365-ai

📄 开源协议

MIT — 免费使用、修改、再分发,只要包含版权与许可声明。