从 HyperFrames 预演到 SenseVoice 对齐：一条三分钟短片的制作流水线

《善假于物》虽然是一部语文短片，但它的制作过程里用了一整套偏工程化的工具。这里把我实际用到的那条流水线整理出来。

HyperFrames：先跑通全片

在正式生成画面之前，我用 HyperFrames 做无配音全片预演。它用 HTML 组合和时间轴数据，把 18 个镜头的字幕、占位镜头和已有素材串成一条可从头播放的 200 秒预演。

这一步的价值不在画面好看，而在于：不依赖人声，我也能判断结构、高潮、停顿和结尾是否成立。缺的镜头用明确的构图占位，不为了消灭灰板而提前生成。

AI 生图 / 生视频：只在缺口处使用

AI 画面只承担两类工作：一是关键帧（概念帧），用来定下“青出于蓝”“登高远眺”“舟行江面”这些意象的构图；二是短段生视频，为某些明确缺口补动态，比如染布的扩散、冰晶的形成。

每段生成都记录镜头 ID、模型/版本、参考图、提示词、参数和候选号，方便追溯来源。

真人录音 + 本地 ASR 对齐

声音是全片的叙事主线。我用本人原声录制整段旁白，然后用本地 SenseVoice 做语音识别，得到未经校订的全文和字级时间。

接着按文稿对古文误识做规范化（比如“已／矣”“臂／比”、通假字“生”读 xìng），再用识别时间和校订文本做字符对齐，生成准确到字的字幕时间点。这样字幕不再靠人工逐字拍时间，节奏也更贴原声。

Python 脚本 + ffmpeg 合成

每个版本都有对应的构建脚本（build_v2.py 一路到 build_v10.py），负责读时间线、字幕、停顿和镜头位置，再用 ffmpeg 把片段按实际句子时间重新排布、编码。

到 v10，整段原声处理后约 140 秒，加上片头片尾各三秒，全片 146 秒；1920×1080、25fps、AAC 48kHz，48 个画面片段按句子时间重新对齐。

交付

最终导出 1080P 成片和封面，满足 MP4、16:9、≥1080p、≥25fps、≤200MB 的要求。整个流程里最省心的部分，是把“字幕、节奏、合成”这些重复劳动交给脚本和工具，把注意力留给真正需要判断的地方。

如果你也在做 AI 视频，我的经验是：把可重复的步骤工程化，把不可重复的判断留给自己。