用 AI 制作专业科普视频：Remotion 实战指南

不适合的场景：需要真人出镜的 Vlog、需要精细剪辑的综艺片段、时效性极强的新闻速报。

3. 需要准备什么？（输入清单）

必须有

✅ 内容来源（三选一）

• Markdown 文章（.md 文件）
• PDF 文档
• 一段文字描述（200 字以上） ✅ MiniMax 账号
• MINIMAX_API_KEY
• MINIMAX_VOICE_ID（克隆声音 ID）
• 👉 注册地址：https://www.minimax.io
• 费用参考：100 字 ≈ ¥0.01，一个 5 分钟视频约 ¥1-3 ✅ 本地环境
• Node.js 18+（npx remotion 需要）
• Python 3.8+（音频生成脚本）
• ffmpeg（brew install ffmpeg）

推荐有

⭐ 豆包/ARK API Key（AI 生成配图，更好看）

• ARK_API_KEY
• 注册：https://ark.cn-beijing.volces.com ⭐ Pexels API Key（获取免费素材图）
• PEXELS_API_KEY
• 注册：https://www.pexels.com/api

克隆声音怎么录

录制一段 20-30 秒的音频，注意：

• 安静的环境，无背景噪音
• 正常语速，口齿清晰
• 任何内容都行（读一段文章即可）

上传到 MiniMax Audio → 等待 2-3 分钟 → 复制生成的 voice_id。

4. 怎么跟 AI 说？（系统提示词配置）

最简触发（推荐新手）

/remotion-video

Claude 会主动问你：主题、时长、内容来源。你只需要回答就好。

带内容触发（推荐效率党）

帮我把这篇文章做成 5 分钟的科普视频：[粘贴文章内容或文件路径] 要求：

• 风格：教育科普（Kurzgesagt 风格）
• 时长：5 分钟左右
• 需要配音和字幕

精准控制触发（推荐有经验的用户）

用 remotion-video skill 制作视频，参数如下： 内容：[文件路径 or 文字描述] 时长：90 秒 风格：Educational（教育科普） 场景数量：6 个场景 配音：是（使用我的克隆声音） 字幕：是 配图：豆包 AI 生成概念图 特别注意：

• 每个场景聚焦一个核心概念
• 开场 15 秒内给出核心结论
• 数据用动画图表展示

触发后 AI 会做什么

Claude 收到指令后，会自动走完这个流程：

分析内容 → 拆解场景 → 生成脚本 → TTS 配音 → 检测时长 → 编写 React 组件 → 生成字幕 → 预览确认 → 渲染输出 MP4

你只需要在「预览确认」环节看一眼，给个 OK。

图：触发 skill 后，Claude 内部自动执行的 9 步流水线——你只需要在"预览确认"节点介入一次

5. 具体怎么操作？（步骤拆解）

首先：环境配置（一次性，5 分钟）

# 设置环境变量（加入 ~/.zshrc）
export MINIMAX_API_KEY="your_key"
export MINIMAX_VOICE_ID="your_voice_id"
export ARK_API_KEY="your_ark_key"  # 可选

# 安装系统依赖
brew install ffmpeg

第二步：触发 Skill（1 分钟）

在 Claude Code 中输入 /remotion-video，或者直接说明需求。

Claude 会询问：

1. 视频主题/内容来源
2. 期望时长
3. 视频风格

第三步：确认脚本（5-10 分钟）

Claude 会生成视频脚本，类似这样：

## 场景 1：开场钩子（0-15 秒）
[画面] 数据图表动画：从 0 增长到 1.25 万亿美元
[旁白] 2026 年 2 月，一笔史无前例的并购震动了科技界...

## 场景 2：背景介绍（15-35 秒）
[画面] SpaceX 和 xAI 的 Logo 并排出现，连接线动画
[旁白] SpaceX 和 xAI，一个造火箭，一个造智能...

你需要做的：检查内容准确性，确认场景数量合适，然后说"确认"或提出修改意见。

第四步：等待生成（10-20 分钟）

Claude 自动完成：

• TTS 配音生成（每个场景独立 MP3）
• 音频时长检测（ffprobe 精确到毫秒）
• React 场景组件编写
• 字幕文件生成

你只需要等待，可以去喝杯咖啡。

第五步：启动预览（可选，5 分钟）

cd ~/remotion-projects/your-video
npm run dev # 浏览器打开 http://localhost:3000
# 拖动时间轴预览效果

第六步：渲染输出（10-30 分钟）

npx remotion render MyVideo out/video.mp4

渲染时间取决于视频长度。5 分钟视频大约需要 15-25 分钟渲染。

图：用户视角的 6 步操作流程——全程只有"确认脚本"这一个人工节点，其余全自动

6. 怎么算做完？（验收标准）

最低合格线（必须达到）

• out/video.mp4 文件存在，可以正常播放
• 音频有声音，不是静音
• 字幕与旁白基本同步（误差 < 0.5 秒）
• 没有黑屏或白屏超过 2 秒的段落

优秀标准（应该达到）

• 开场 15 秒内出现核心信息
• 每个场景只讲一件事，信息不拥挤
• 画面与旁白内容一致（不打架）
• 数据有图表动画，不是只说数字
• 视觉风格统一（颜色、字体一致）

加分项（精品标准）

• 使用了克隆声音（自然度明显优于预设声音）
• 图片有 Ken Burns 动效（而非静止图片）
• 场景过渡有淡入淡出（不生硬切换）
• 结尾有总结 + 行动号召

快速自查方法：把视频静音看一遍（检查视觉），再只听声音不看画面（检查旁白）。两遍都觉得"讲清楚了"，就算合格。

7. 出错了怎么办？（失败排查）

最常见的 5 个问题

图：左侧红区是最常踩的坑，右侧绿区是对应的正确写法——渲染黑图问题 90% 源自这里

❌ 问题 1：音频生成失败，报错 "invalid api key"

原因：使用了错误的 MiniMax API 域名。

# ❌ 错误（api.minimax.chat 是无效域名）
curl https://api.minimax.chat/...

# ✅ 正确
# 国际版：api.minimax.io
# 国内版：api.minimaxi.com

解决：检查 scripts/generate_audio.py 中的 API URL。

❌ 问题 2：视频渲染后图片全是黑色/不显示

原因：使用了 CSS background-image 或 zIndex: -1。

// ❌ 错误：Remotion 渲染时无法等待 CSS 背景图加载
<div style={{ backgroundImage: `url(${src})` }} />

// ❌ 错误：zIndex: -1 会让图片渲染到背景层后面
<AbsoluteFill style={{ zIndex: -1 }}>
  <Img src={src} />
</AbsoluteFill>

// ✅ 正确：用 Remotion 的 <Img> 组件，不设 zIndex: -1
<AbsoluteFill>
  <Img src={src} style={{ width: "100%", height: "100%", objectFit: "cover", opacity: 0.55 }} />
</AbsoluteFill>

❌ 问题 3：字幕和音频不同步

原因：audioConfig.ts 中的帧数是手动输入的，与实际音频长度不符。

解决：重新运行时长检测脚本：

python3 scripts/detect_durations.py # 脚本会用 ffprobe 精确检测每个 MP3 的时长
# 并自动更新 src/audioConfig.ts

❌ 问题 4：3D 场景渲染出来是空白

原因：使用了 WebGL 但没有指定 OpenGL 引擎。

# ✅ 3D 视频渲染必须加 --gl=angle
npx remotion render MyVideo out/video.mp4 --gl=angle

❌ 问题 5：渲染速度极慢，一帧要好几秒

可能原因：

1. 图片文件太大（单张超过 1MB）
2. 多个 3D 场景同时渲染导致 WebGL 上下文溢出
3. 每帧都在做重复计算

解决方向：

# 1. 压缩图片到 300KB 以内
python3 -c "
from PIL import Image
img = Image.open('public/images/bg.jpg')
img.thumbnail((1920, 1080), Image.LANCZOS)
img.save('public/images/bg.jpg', quality=82)
"

# 2. 增加并发数（适当加速）
npx remotion render MyVideo out/video.mp4 --concurrency=4

遇到问题的通用排查思路

1. 先检查报错信息（终端输出的最后几行）
2. 用 npm run dev 在 Studio 里单独检查出问题的场景
3. 看 public/audio/ 里的 MP3 是否都生成了
4. 检查 src/audioConfig.ts 里的帧数是否合理（和音频时长对应）

8. 以后能自动吗？（升级路径）

当前能力（Level 1）：半自动化

• 你提供内容 → Claude 一步步执行 → 你确认脚本 → 自动渲染
• 适合偶尔制作，质量优先

近期可实现（Level 2）：模板化批量生产

如果你经常制作同类视频（比如每周做行业周报视频），可以建立自己的模板库：

# 把成功项目的场景组件保存为模板
cp src/scenes/DataScene.tsx ~/.claude/skills/remotion-video/templates/

# 下次告诉 Claude："用 DataScene 模板，替换数据"
# 制作时间从 90 分钟压缩到 30 分钟

中期可实现（Level 3）：脚本驱动全自动

结合 Claude Code hooks，可以实现：

# 监听文件夹，新文章自动触发视频制作
fswatch ~/articles/ | xargs -I{} claude "把{}做成视频"

远期方向（Level 4）：Agent 流水线

内容源（RSS/爬虫）→ 自动提取 → 脚本生成 → TTS 配音 → 视频渲染 → 自动上传 B 站/YouTube → 发布通知

目前这个方向技术上完全可行，只需要：

1. 一个内容获取脚本（Python）
2. Claude API 调用（替代手动触发）
3. 平台上传 API（B 站/YouTube 都有）

预计完整实现需要 2-3 天的工程工作。

图：自动化升级路径——当前处于 Level 1，Level 4 的完全 Agent 化在技术上已经可行

Agent 化潜力评估

结论：当前 70% 的工作已经自动化，剩余 30% 是"脚本确认"这类需要人工判断的环节。如果对质量要求不那么苛刻，完全可以直接去掉这个人工环节，实现全自动。

💡 高手心法

心法一：音频是灵魂，不要省这一步

很多人嫌配置克隆声音麻烦，直接用预设声音。结果视频做出来总感觉是"机器人在讲"。20 分钟配置克隆声音，能让所有后续视频都更专业。这个投入比值非常高。

心法二：脚本比代码更重要

90% 的视频质量差距来自脚本，不是动画。好的脚本特征：

• 开场 5 秒给出结论（不是铺垫）
• 每句话 ≤ 25 个字（TTS 断句自然）
• 用具体数字代替抽象描述

花在脚本上的时间，比花在调代码动画上更值。

心法三：先跑通，再打磨

第一次做视频，不要追求完美。先用最简单的方式跑通全流程（哪怕动画很简陋），确认音画同步、字幕正常之后，再逐步优化每个场景的视觉效果。

很多人在第一个场景上卡太久，结果整个视频没做完。

心法四：图片问题用"侧边面板"逃课

图片背景透明度、遮罩层次总是调不好？有个简单方法：把图片放在画面左侧 40%，文字内容放在右侧 60%。图片 90% 不透明，内容 100% 可见，两者互不干扰。这个布局在大多数情况下比"透明背景"更好看。

心法五：渲染是最后一步，不是验证步骤

不要每改一点代码就跑一次渲染（每次 20 分钟）。正确流程：

改代码 → npm run dev → Studio 里逐帧检查 → 满意了 → 一次渲染

Studio 预览和最终渲染效果 99% 一致。养成"Studio 先确认"的习惯，能节省大量时间。

心法六：保存提示词，建立自己的素材库

每次生成效果好的 AI 图片，把提示词保存下来。建立自己的"提示词库"：

~/prompts/
├── tech-background.txt     # 深蓝科技感背景
├── data-visualization.txt  # 数据可视化风格
└── minimalist-concept.txt  # 极简概念图

下次做视频直接复用，图片质量和风格一致性会大幅提升。