执行摘要｜先跑通不依赖生成模型的成片闭环
本轮完成四条可播放样片：两条 MoneyPrinterTurbo 素材成片、一条 huashu-motion 竖屏代码动画、一条 NarratoAI 素材解说剪辑。结果证明，Agent 可以完成脚本、素材处理、配音、字幕、配乐和 MP4 导出的自动化组合。
推荐落地顺序：MoneyPrinterTurbo 批量生产 + huashu-motion 信息动画 + NarratoAI 长素材理解，按需接入 Seedance 等模型。 Agent Storyboard 更适合作为分镜验收工作台。
云端视频生成适合补足原创镜头，不应成为整条流水线的单点依赖。
验收限制：NarratoAI 前三条字幕抽帧可读，第四条在 14 秒处未显示；完整解码正常，但字幕完整性未通过。云端视频模型、在线视觉理解、自动脚本大模型与真实账号发布均未实测。
一、实测边界与评价口径
验证时间为 2026-11-02，本机为 Windows，使用 FFmpeg 9.0.2、Python 项目环境、Node.js 22 与 Chrome。所有“已验证”结论均来自本机真实渲染、输出参数读取或关键帧检查，不把项目 README 的功能声明等同于验证结果。
- 完整链路已验证：本地素材输入、剪辑、中文字幕、中文配音或配乐、H.264/AAC MP4 导出。各样片按各自证据范围验收，不代表全部内容细节均已通过。
- 能力已接入但未实测：云端视频模型、在线视觉理解模型、自动脚本大模型。未配置真实凭据，未发起计费请求。
- 非本次范围：真实账号自动发布、长视频生产压测、生成模型画质横评、API 成本实测。
二、候选方案对比
| 方案 | 适合任务 | 本地实测 | 优势与主要限制 |
|---|---|---|---|
| MoneyPrinterTurbo v1.3.9 | 固定脚本批量素材成片 | 通过；19.43 秒与 17.70 秒竖屏样片 | CLI 到导出链路完整；短素材会循环，横转竖需明确取景。 |
| huashu-motion v0.3.1 | 动态文字、信息图、发布片 | 通过；12 秒竖屏动画，含本地配乐 | 代码可复现、可逐帧修改；创意和动效依赖 Agent 与人工审美。 |
| NarratoAI v0.8.7 | 已有长视频的解说剪辑 | 两段裁剪、16 秒配音与字幕；第四条待修正 | 能力组合合理；智能分析需模型，Windows 字体和 FFmpeg 需兼容处理。 |
| Agent Storyboard | 分镜验收与任务编排 | 已调研；未完成端到端样片 | 分镜表、素材回填、人工验收清晰；不是独立完成全部生成与合成的引擎。 |
| Seedance 等云端模型 | 原创镜头与视觉补足 | 未调用 | 可生成实拍难以获得的镜头；凭据、成本、延迟和审核需单独管理。 |
三、四条样片与验收结果
| 样片 | 时长与规格 | 内容 | 验证结论 |
|---|---|---|---|
| MoneyPrinterTurbo 脚本素材成片 | 19.43 秒 1080×1920 · 30fps H.264/AAC | 现有动画素材、中文配音、字幕与配乐 | 导出及关键帧通过；素材循环与中心裁切明显。 |
| huashu-motion 竖屏动态说明动画 | 12.00 秒 1080×1920 · 30fps H.264/AAC | 中文动态文字、代码动画、本地配乐 | 最终关键帧中文完整、横向画布取景完整；音轨参数存在，未逐帧验收全片。 |
| NarratoAI 素材解说剪辑 | 16.00 秒 1080×1920 · 30fps H.264/AAC | 两段定时素材裁剪、四条字幕输入、配音 | 完整解码无报错；前三条字幕清晰，14 秒处未见第四条，待修正复验。 |
| MoneyPrinterTurbo CLI 批量成片 | 17.70 秒 1080×1920 · 30fps H.264/AAC | 固定脚本、本地素材与配音设置 | 完整 CLI 任务成功，不依赖人工操作 WebUI。 |
样片是功能验证，不是内容成片质量横评。画面素材采用项目内的 MIT 许可代码动画示例，作为本地测试素材；正式商用仍需核验素材、字体、音乐与模型输出各自的许可范围。
四、推荐架构：分镜验收层与执行层分离
- 分镜与验收层：用 Agent Storyboard 或统一 JSON 管理主题、口播、镜头时长、画面描述、素材路径和验收状态。Agent 写任务，人只审关键分镜。
- 素材执行层：已有素材交给 MoneyPrinterTurbo；信息图、产品发布和动态文字交给 huashu-motion；长视频理解交给 NarratoAI。缺少原创镜头时才调用云端视频模型。
- 统一合成层：规范使用 FFmpeg、中文字体、字幕文件和音轨参数；输出统一为 H.264 视频 + AAC 音频的 MP4，并保留无字幕母版与最终成片。
- 自动验收层：检查退出码、文件非空、时长、画幅、视频/音频流、字幕关键帧、黑帧和静音；关键镜头仍需人工审美与内容审核。
建议将“脚本、分镜、素材、成片”作为四个独立可重跑阶段。任何一个云端模型失败时，都能回退到本地素材或代码动画，而不是重做整条任务。
五、实测问题与可复用配置
1. 素材时长与画幅：合成成功不等于内容合格
MoneyPrinterTurbo 在素材短于配音时会循环片段；横屏素材转竖屏可能使用中心裁切。测试样片因此出现重复画面与构图损失。生产任务应在分镜阶段准备足够时长与竖屏素材，或指定完整画布缩放加留白，不要仅凭导出成功验收。
2. 中文字体与 FFmpeg 路径必须进入环境检查
NarratoAI 初版出现中文字幕缺字；明确指定 C:/Windows/Fonts/msyh.ttc 后，最终通过 MoviePy 兼容合成路径得到可读字幕。期间同时验证了 FFmpeg 滤镜、字体名称与 Windows 盘符转义差异。
- 固定中文字体绝对路径，不只传字体名称。
- 同时检查
NARRATO_FFMPEG_EXE与IMAGEIO_FFMPEG_EXE，避免合成与回退路径使用不同二进制。 - 抽帧检查字幕，不以“存在 SRT 文件”代替字幕验收。最终样片在 1、6、10 秒处的前三条字幕清晰可读，14 秒处未见第四条；已通过 FFmpeg 对全片完整解码且无报错，但字幕完整性仍未通过。
- 项目本地
generate_video.py对滤镜值的盘符转义做了实验性修正，但快速 FFmpeg 合成仍存在路径解析问题；本轮有效方案是兼容合成路径，不能宣称上游问题已全部修复。
3. 动画字体与取景需要可版本化
huashu-motion 的字体文件缺失时，补入 Noto Sans SC 700/800/900 字重后正常渲染。竖屏样片将 1920×1080 画布等比缩放到竖屏中央，保留完整内容。代码、字体、配乐与构图参数应一起保存，避免换环境后出现字体替换或布局漂移。
六、下一步实施清单
| 优先级 | 工作 | 验收标准 |
|---|---|---|
| P0 | 固化字体、FFmpeg、输出规格与样片验收脚本 | 新环境能重复生成可播放且中文完整的样片 |
| P0 | 修复第四条字幕并以真实竖屏素材跑生产任务 | 四条字幕完整可见；无循环、错误裁切、遮挡或音画错位 |
| P1 | 接入视觉/文本模型到 NarratoAI | 能自动完成镜头理解与时间段选择，并可人工修订 |
| P1 | 将分镜任务格式接到三种执行器 | 同一任务可重跑、可追踪、可单独替换镜头 |
| P2 | 选择并验证一个云端视频模型 | 明确凭据、计费、失败回退、内容审核和版权边界 |
| P2 | 建立真实业务质量基线 | 时长、制作成本、返工次数、人工验收通过率可比较 |
七、元信息与参考溯源
目标读者：希望将 Agent 用于短视频生产的技术负责人、内容工具开发者与创作者。
前置知识：基本命令行、视频画幅与音轨概念；无需先配置视频生成模型。
技术栈：MoneyPrinterTurbo v1.3.9、huashu-motion v0.3.1、NarratoAI v0.8.7、FFmpeg 9.0.2、Node.js 22。
预计阅读时间：8 分钟。
- 项目源代码及说明：本机
MoneyPrinterTurbo/、huashu-motion-main/、NarratoAI-main/、agent-storyboard-main/。 - 样片与参数：本机
output/deliverables/。 - 真实渲染记录：
output/huashu-motion-demo/.om/renders.jsonl、MoneyPrinterTurbo/storage/tasks/33333333-3333-4333-8333-333333333333/。 - 项目仓库：各项目 README.md 中列明的官方地址。模型能力与许可应以实际接入版本和官方最新条款为准。