陈与小金 · 视频幕后 · 2026.10.10 – 10.13

这条片讲我怎么做视频，它自己也是这么做出来的

Q: 这条视频里，人做了什么，AI 做了什么？

人（陈与小金）出想法、录口播、剪口误和气口、给口播调色美颜、看片挑毛病、拍板，4 天里发了 159 条消息；字幕拖上时间线和改字幕样式这两步达芬奇脚本做不了，也是他在界面里点的。其余都是 AI：Claude Code 在 13 段对话里动手 1,898 次；claude -p 另跑了 21 次、操作 1,495 次，做 8 段画面、MCP 段三档对比、合并后修补和改 4:3。

Q: 给 claude -p 的提示词是怎么写的？

每段一份，约五六千字：这段是什么、整条视频讲什么、这段逐句口播和帧号、现版代码和真素材在哪、作者看片时说过的原话、一段导演要求、硬性要求（只改这段、人声不动、守安全框、只用真网页和核过的数字）、怎么自己看效果、交片时写一份出片说明。Claude Code 自己的想法一句没写进去。

成片《这是我用 AI 做了5个月的视频制作流程》，5 分 47 秒，4:3。片子里讲的那条流程，就是做这条片时走的流程。我录口播、剪气口、看片挑毛病、拍板；初剪、包装、混音、音效、字幕定位、导出和体检，都是 AI 动的手。

4天初剪到导出

159条我发的消息

1,898次Claude Code 动手

21次claude -p 跑画面

四天

10-10 初剪，10-13 导出

按工程的提交记录和对话记录排出来。每一天都是 AI 先做出一个能看的东西，我看完说要不要、哪里不对。

10-10

剪口播、拆三轨、找背景

口播是一周前录的。我问 AI 内容够不够；它试着用克隆音补一段，我听完说内容和声音都不对，还用原来的
我剪完口误。我的主意：口播、原录屏、AI 录屏分三条轨各自导出，方便 Remotion 取景；我还提议录一段「AI 正在做包装」的画面，AI 自己录了
背景试了五种模拟模型、三版大海，都不要；回到原来的波涌底，光往中间挪

10-11

插段、8 段重做、改 4:3

我发现一段讲达芬奇 MCP 的口播被剪掉了，自己剪好 7 刀插回去。这个开源仓库我是贡献者之一：3 次提交合进主分支，6 个版本的发布说明点名致谢
8 段画面各交给一个 claude -p 重做，我一段一段看，8 段都要
MCP 段三档各跑一版，挑 xhigh 再按我的意见改
下午看到顶流博主都换了 4:3，当晚整条改成 4:3

10-12

补调色、定安全区、出母带

我发现口播没调色美颜。我在达芬奇里调好，AI 只换画面不换声音，逐帧核对没错位
我看顶级 AI 博主的片子，觉得安全区太大；改成两层：框到外框、重点到重点框
选模型换成真 CC 的 /model 窗口，讲设备那段去掉标注，结尾换抖音播放器，进度条里加两个小人

10-13

章节卡重做、后期、导出

前一晚 AI 加了 logo 卡和章节卡、没问我就渲了。我说切得太乱，重做：不要 logo 卡，①② 盖、③④⑤ 切开
达芬奇里由 AI 用脚本对口型、混音、铺音效、调配乐、量字幕位置
导出带字幕和不带字幕两版，各跑一遍音频体检

取景

三条轨对齐，画面都是从里面取景

口播、我操作的原录屏、AI 干活的录屏，三条轨在达芬奇里帧对帧对齐后各自导出，一起进 Remotion。每个画面都是从某条轨里框一块出来放到画布上。人声只来自口播那一条，不裁也不变速。

口播轨:右侧竖卡画中画 — 口播　全片唯一的声音。画面上是全屏露脸、右边竖卡，或者缩成一张小卡。

原录屏轨:真 CC 窗口 — **原录屏**　我操作 CC 和达芬奇的真录屏，说到哪行推到哪行。

AI 录屏轨:Remotion Studio 快放 — **AI 录屏**　AI 在 Remotion Studio 里干活的录屏，只拿来垫口播。

成片 5:47 拆开看

最上面一行就是片子顶部的章节进度条。色块里的数字是第几段画面，悬停或聚焦可以看名字和时间。③④⑤ 三张章节卡是切开插进去的，那 2.5 秒没有口播，所以成片比正片长 7.5 秒。

8 段画面

一段一个 claude -p，我逐段点头

整条片做完一版后，我说：用 -p 一段一段单独看，有没有更好的呈现方式。Claude Code 把片子切成 8 段，每段复制一份独立的工程，派一个 high 档的 claude -p，8 个同时跑。下面是成片里每段的一小截。

13–36分钟首轮每段用时

$84.79首轮 8 段合计

244次打开自己渲的图检查

8 / 8段我说「要」

三版对照

每段怎么变过来的

同一时刻的三帧：-p 重做前（16:9）、-p 重做后（16:9）、4:3 成片。前两张是用当时的代码重新渲出来的。每段写着 -p 首轮的用时、花费、它打开自己渲的图检查了几次，以及我看完说了什么。

MCP 那段三档各跑一版

3:04–3:42，38 秒

medium 版:两张卡连到达芬奇,头像滑块 — **medium**　13 分钟 · $2.91
头像变成一颗圆钮，在「开源 ↔ 官方」之间来回拨。

high 版:37 和 389 升成大字,背后点阵 — **high**　19 分钟 · $3.91
官方、我、仓库三格并排，37 / 389 升成大字，背后点阵炸开。

xhigh 版:官方新闻稿卡翻面,连到达芬奇图标 — **xhigh · 挑中**　43 分钟 · $10.44
一张两面卡，「交替」就翻面。按我的三条意见续改 11 分钟、$3.51。

Claude Code 合并后抽帧看，觉得这段 40 秒都是同一个构图、最容易划走，就单独拿出来三档各跑一版。我的三条意见：开头的 3D 倾斜保留；人物不用放大；官方和社区不用来回翻，并排放在左边就好，人物小窗的出现和散落「有点太 low」。

合并后再修一次

8 段拼起来，接缝处有 5 个小毛病

比如「第 1 遍」卡片空了 3 秒才出内容、MCP 段结束和人脸之间露出半秒空背景、对话窗升起后空挂 3 秒。Claude Code 列成一张单子交给一个 claude -p，11 分钟、$3.34 一次修完，别的画面一帧不动。

先自己看，再给我看

每段跑完，Claude Code 先抽帧自己看一遍，再一次只开一个预览给我，附一张「口播说到 / 旧版 / 新版」对照表。我回「要」才开下一段。

提示词

给每个 claude -p 的提示词长什么样

8 段每段一份，五六千字，结构一样。Claude Code 只写事实和规矩，它自己觉得画面该怎么做，一句没写进去。

你负责哪一段帧号范围、这段讲什么；先看现在的画面，判断有没有更好的呈现方式，好的可以留，不好的大胆推翻。
整条视频这条片讲什么、三条轨是什么、工程说明在哪。
你这段的口播逐句原文加帧号，还有前一句和后一句。
现版代码和真素材现在的代码在哪、截好的真网页有哪些；官方页面上没写的，别编。
作者看这条片时说过的原话原样贴进去，见右下。
导演一段固定的话，见右上。
硬性要求只改这段，前后一帧不变；人声只来自口播轨；重点守安全框、不进字幕带；字和数字只用口播和工程文档里有的；网页素材必须是真页面，可以自己开浏览器截；时间按口播里的字对齐，不写死帧数。
怎么看效果先渲现版看一遍；改完渲关键帧静帧、打开图片自己看，低清渲整段抽帧拼图看节奏；类型检查要过。
交片写一份出片说明：用大白话说这版怎么呈现、比现版好在哪、改了哪些文件。

【导演】画面里出现什么、怎么编排，全部由内容决定；风格只决定它们怎么被画出来、怎么动。这是一支大师级的动态设计短片，出自顶级动效导演之手。 - 读懂内容，找到一个贯穿全片的视觉构思：让一个主角从头演到尾，画面在它身上一路生长、变化，像一个连续的长镜头。 - 让画面自己把事讲清楚：观众只看画面的变化，就能看懂每一步。 - 每个动作都在表演：有预备、发力、超调和回落，快慢分明；节奏像一首曲子，有起承转合，最大的动作落在高潮。 - 每一帧都经得起暂停：构图饱满，尺度对比大胆，焦点明确，随手截一帧就是一张好海报。 - 第一帧就抓人，结尾是一个精心设计的定格。

我觉得整体画面，我的人物就是露脸的部分有点少。不过画面倒还是还行。有点回形针的那种感觉了，但是里面的动画不够精细。

素材不对，素材应该是官方的、真实的网页素材，以及真实的仓库页面素材。

我的口播小窗口，不要放大我的人物。

还是原版吧。只是更朝中心靠一点。

每份提示词还附了一句我的口味：认可深蓝点阵底、真实界面和真网页、品牌蓝点缀、干净的扁平插画道具；不要满屏文字卡、页眉小标题、①②③ 编号和出处小字。

改 4:3

16:9 做完了，整条改成 4:3

10-11 下午我看到顶流科技博主都换成了 4:3。Claude Code 建议这条别改、下一条再说，因为每一段的取景坐标都写死在 16:9 上，等于包装重排一遍。我说：「就这条视频更换成 4:3，你多开几个 -p 去做不就行了吗？5 个不够就 10 个。」手机竖着刷时，1080 宽的屏幕上 16:9 只有 608 高，4:3 有 810 高，画面大了约三分之一。

1个xhigh 改底座、定版式（$8.30）

8个high 每段重排一段

≈70分钟从开跑到合完

$28.319 次合计

外框 2%：窗口、截图、画中画、时间线条最多放到这里，底边可以压进字幕带。
重点框 5%：这一秒正在讲的东西（划亮的行、点的按钮、大字、人脸）必须在框里，而且不进字幕带。判据只有一个：被边裁掉一条、被字幕盖住一截，观众会不会漏看。这是 10-12 我看顶级 AI 博主的片子后提出来的：安全区该护的是主体内容，不是所有东西。
字幕带：画布 y 895–1000。后期在达芬奇里把字幕放在这条带的正中。
左区：1012 宽，网页、软件界面、B-roll 主体都放这里。16:9 的窗宽度取满。
人物竖卡：340×600，只在右边，人不放大也不缩小，只裁两边书架和肩膀。段与段交接那一帧，人物必须落在全屏、竖卡、竖卡进出三个标准位置之一。

章节卡：两张盖、三张切

10-13 重做

章节卡 ① 剪气口 · 谁来剪? — **①② 盖在画面上**　口播照常说，卡从右边滑进、往左漂、滑出。我说：「这一段直接就标题卡盖上去，人物说话正常说就行了。」

章节卡 ④ 实操 · 真跑一遍 — **③④⑤ 切开插进去**　切口挑在换气全静的地方，按声音包络实测找。空档只放卡、没有口播，放完接回。试过让正片跟着卡一起滑进来，我说不行，还是硬切。

顶部进度条　分段起点就是章节卡出现的那一帧。我的要求：「像之前做的《日落大道》MV 那样子……两个结伴而行，你追我赶，或者走一走又停下来想一想。」一个停下冒「…」，另一个走过去回头「?」，想通了「!」再跑着超过去；结尾两人从条里跳出来，落到播放器上挥手。进度条单独渲成透明底 4K，叠在达芬奇最上面一轨。

后期

达芬奇里的活，AI 用脚本做

4K 母带进达芬奇后，Claude Code 通过达芬奇的脚本接口建时间线、铺进度条、挪口播、套人声链、铺音效、调配乐、导出和体检。字幕拖上时间线、改字幕样式这两步接口做不了，它把位置量好告诉我，我在界面里点。

后挪 2 帧

对口型

实测这条片声音比口型早 2.2 帧，口播轨整体往后挪 2 帧。我听着觉得「声音出现的有点慢」，自己拖回了 0，让 AI「导出一个移动 2 帧的和没有移动 2 帧的小样，分别用数据来告诉我」：

不挪

早 2.5 帧

挪 2 帧

早 0.5 帧

中线 = 声画正好对齐。挪后在广电标准（ITU-R BT.1359、EBU R37）的范围内，留 2 帧。

B6 链

人声混音

EQ → 压缩 → 去齿音 → 限制器，是我之前定的一套人声链。这套预设一套上去会把整条时间线的音轨重建，配乐和音效会没掉，所以 AI 在副本上只给口播套链，导出处理好的人声，再放回成片的口播轨；原声留在一条关着的备用轨。套链后 350 Hz 的闷声压下去，1–4 kHz 清晰度提了 2–3 dB。

它也试过把进链音量提 3 dB 让压缩器多干活，结果去齿音削得太狠、8 kHz 以上掉 4 dB，声音发闷，没用。

比人声低 10 dB

音效和配乐

音效从画面代码里导出 120 个动作点，按清单铺到音效轨。我听完说「很多音效有点太 low」，挑了两种最刺耳的删掉；AI 又给每个点配了第二种音色（B 组）让我切换着听，我说不匹配，撤了；最后从 Mixkit 补了 24 声，5 张章节卡进出统一成一对新声音。

配乐按我 10-08 定的标准：说话时比人声低 10 dB。低 11–12 dB 手机外放几乎听不到，低 5 dB 停顿处会和人声挤在一起。

172 条

字幕

每条一行、不超过 16 字，文字取审过的逐字稿。按最终切卡的时间重新生成，三张切开的卡上没有字幕。第一条从第 0 帧起：达芬奇拖 SRT 时按第一条对齐，从第 2 帧起会让对口型的 2 帧白挪。

位置按 4:3 字幕带的正中算：字幕中心离画面底边 265 px（4K），字高和上一期一样 108 px。AI 导小样逐帧量出来，我在界面里调，再导小样复量到 264–265 px。

✅ 可发

导出后音频体检

整片响度	-14.9 LUFS
真峰值 / 削波	-1.1 dBTP，没有削波
配乐比人声低	9.7 dB（标准 10 dB）
左右声道	平衡
和混音人声对齐	抽查 17 处，0 位移
视频 / 音频码率	44.7 Mbps / AAC 320 kbps

遇到的问题怎么处理的

我觉得挪了 2 帧后「声音有点慢」导挪 / 不挪两段小样实测：挪后早 0.5 帧、不挪早 2.5 帧，留 2 帧。

第一次量声音：配乐比人声还响 14 dB，全片削顶配乐先拉到 -24 dB，套完人声链后再按「低 10 dB」精调，峰值降到 -3.6 dBFS。

时间线上贴的是插卡前的旧字幕，第 3 张卡后提前 2.5 秒，片尾提前 7.5 秒按最终切卡重新生成；有一句转写比开口早 5 帧、会跑到卡上，一起修了。

字幕比 4:3 字幕带高了约 170 px，还少了黑底框导带字幕的小样量出来，告诉我往下调多少；我在界面里改完，它再导小样复量。

脚本让达芬奇导出，进度卡在 0% 不动任务设好后在界面上点「渲染」就正常。AI 用模拟鼠标点了一下，导出跑完。

音频体检要求配乐低 15–20 dB，和我定的 10 dB 打架，每条片都会报「不可发」我拍板以 10 dB 为准，AI 把体检工具的门槛改成 9–13 dB 可发。

我说过的话

挑毛病的那几句

159 条消息里，大多数是「要」「继续」「打开我看看」。真正改变了片子的是下面这些。

10-10他们看起来让我眼睛都好花呀。就是没有那种大海自然的感觉。五种模拟模型背景全撤，后来三版大海也撤了，回到原版波涌底只调光。

10-10这个录屏的也得单独导出，要不然现在完全是盖住我的人的……最终得要三个视频，这样子的话，在 Remotion 上它做才好做。三条轨分开导出，后面所有取景都靠它。

10-11你用 -p 去单独的看每一段的内容，可不可以有更好的呈现方式，分段去看，一个看一段。8 段并行重做。

10-11要，但是不要露出平台。可以用抖音的。开场换成抖音主页真截图，平台标志、「抖音号」那一行都盖掉。截图用我平时的浏览器登录后截，不用无头浏览器。

10-11就这条视频更换成 4:3，你多开几个 -p 去做不就行了吗？一个 xhigh 定版式，8 个 high 并行重排。

10-12这个安全区，是要所有的画面都在里面吗？……是有安全区，但是这个安全区是不是主体内容的安全啊？安全区拆成两层：外框 2%、重点框 5%。

10-12一大段没有声音，没有内容在这里干嘛，这么大的错误你说没问题？AI 录屏里那 11 秒快放本来该垫口播，AI 却把它单独排成一段哑段。改成只当 B-roll 垫两句口播，哑段删掉，成片短了 322 帧。

10-12这个片段需要重新设计一下……不好看，风格也不统一。选模型那段换成真 CC 的 /model 窗口；结尾换回人物缩进抖音播放器那版。

10-13你的切分有点太乱了。我不喜欢，而且昨天没给我确定就渲染了。章节卡重做：不要 logo 卡，①② 盖、③④⑤ 切，每个切口前后的帧都截出来检查。

10-139754 怎么还会出现上一段的内容呢？切分的不精细。⑤ 卡后不再出现上一段的画面，卡滑走直接是全屏人脸。

10-13你导出一个移动 2 帧的和没有移动 2 帧的小样，分别用数据来告诉我。见上面「对口型」。

收获

做完这条，我记住了三件事

大改动不怕，多开几个 -p

整条从 16:9 改 4:3，听着像重做一遍。先让一个 xhigh 定死版式，再 8 个 high 并行各排一段，约 70 分钟、$28 就合完了。

一次只看一段

8 段一起丢给我会懵。一次开一个预览，配一张「说到哪 / 旧版 / 新版」的表，我只用回「要」或者哪里不对。

凭感觉的问题，用数据回答

我说「声音有点慢」，AI 不改帧数，而是导两段小样测给我看。配乐大小、字幕高低也一样，都是导小样量出来的。

问答

常见问题

这条视频是怎么做的？

就是片子里讲的那条流程。口播是我录的，Claude Code 在达芬奇里初剪、把建议删的地方染成玫红色，我看完手动剪气口；包装在 Remotion 里写代码做，8 段画面每段交给一个 claude -p 重做，我逐段在预览里点头后合并；最后回达芬奇，AI 用脚本对口型、混音、铺音效、配乐、量字幕位置、导出和体检。

这条视频里，人做了什么，AI 做了什么？

我出想法、录口播、剪口误和气口、给口播调色美颜、看片挑毛病、拍板，4 天里发了 159 条消息；字幕拖上时间线和改字幕样式这两步达芬奇脚本做不了，也是我在界面里点的。其余都是 AI：Claude Code 在 13 段对话里动手 1,898 次；claude -p 另跑了 21 次、操作 1,495 次。

给 claude -p 的提示词是怎么写的？

每段一份，五六千字：这段是什么、整条视频讲什么、这段逐句口播和帧号、现版代码和真素材在哪、我看片时说过的原话、一段导演要求、硬性要求、怎么自己看效果、交片时写一份出片说明。Claude Code 自己的想法一句没写进去。看结构和导演那段原文 ↑

为什么改成 4:3？

手机竖着刷的时候，1080 宽的屏幕上 16:9 的画面只有 608 高，4:3 有 810 高，画面大了约三分之一。做法是先用一个 xhigh 档的 claude -p 改底座、定版式，再开 8 个 high 档的 claude -p 每段一个并行重排，约 70 分钟、$28。

发布是 AI 点的吗？

不是。AI 会自己打开浏览器上传视频、传封面、写标题和简介，最后的发布键是我手动点的。

剪气口为什么不交给 AI？

同一句录两遍时，AI 默认留更完整的第二遍，我有时想要第一遍的感觉；我故意停的地方，AI 也会当成停顿剪掉。所以只让 AI 把建议删的地方染成玫红色，我从头到尾看一遍再删。

一共花了多少钱？

21 次 claude -p 合计约 $142（按 API 价格折算）：8 段首轮 $84.79，按我的意见续改两段 $4.62，合并后修补 $3.34，MCP 段三档加续改 $20.77，改 4:3 $28.31。Claude Code 主会话的花费没有统计。

我动嘴，AI 动手