波仔
🐦 第15章 实战案例：新闻视频自动生成器
📄 一句话概括

一条新闻到一条视频，中间有四道工序：拆稿、配画面、配音、合成。 这份稿子 204 字，按每分钟 240 字念是 43.2 秒，切成 6 个 8 秒的镜头。 这些数要先算，别等生成完。 四道里最贵的是后两道：配音按字算钱，画面按秒算钱。所以砍成本只有一条路——砍时长。

📝 本章和前面几章的关系

这是第八个案例。 形状和第 14 章一样（包一个慢的异步服务），多出来的是多段拼接：一条视频由好几个镜头拼成， 每个镜头都要图、要字、要时长。 上一个案例产出一个文件，这一个案例产出一堆文件再拼起来。拼这件事，比生成更容易出错。 这一章的技术难度比第 14 章低，算术密度比它高。 四道工序里有七八个数要对上，错一个出来的就是错的东西。

一、四道工序

工序 吃什么 吐出什么
拆稿 新闻全文 标题、导语、正文、图说
配画面 每一句话 一张图或一段空镜
配音 口播稿 一条音轨
合成 画面 + 音轨 一条视频

四道里最贵的是第三、第四道：配音按字算钱，画面按秒算钱。前两道几乎不花钱。 所以优化的顺序是反的：先砍时长，再砍镜头，最后才动画面质量。 砍一分钟视频， 比换一套配图省得多。 而砍时长这件事，在动手之前就能算清楚。这一节剩下的部分都在算它。

二、这份稿子有多长

示例新闻 204 字，去掉标点后 173 个字符。按每分钟 240 字念，要念 43.2 秒。 这个语速是本课估的量级。新闻口播通常在 220 到 260 字每分钟之间——念快了听不清，念慢了像念课文。 43.2 秒，已经超过大多数短视频平台「完播率友好」的长度了。 20 秒以内是甜点区，40 秒以上完播率会明显掉。

所以第一件事往往不是「怎么做」，是「能不能压到 30 秒」。 压不下来， 后面做得再好也是给少数人看的。

三、拆成几个镜头

参数 取值 怎么来的
口播总长 43.2 秒 173 字 ÷ 240 字每分钟
每镜时长 8 秒 6 到 10 秒是常见区间
镜头数 6 个 43.2 ÷ 8 向上取整
每镜字数 28.8 字 173 ÷ 6

为什么是 8 秒？太短剪得碎、观众眼睛累；太长一个静止画面撑不住。 每镜 28.8 字，折 7.2 秒的口播。这个数和 8 秒差着 0.8 秒——全片六镜就差 4.8 秒。 这 4.8 秒就是第 15.3 节要处理的「画面比声音长」。它在动手之前就能算出来，不用等生成完再听。

四、一句话一镜，先这么算

示例新闻正好 6 句，拆成 6 个镜头：最短 19 字、最长 47 字、平均 28.8 字。 第 4 句 47 字，折 11.8 秒——它一个人就占了四分之一个片子。 这句要么拆，要么压。 第 1 句 19 字、第 2 句 20 字，两句合起来 9.8 秒，也可以并成一镜。

「一句话一镜」只是个起点，不是终点。 真实稿子长短不齐，合并和拆分都得做。 这一步先算，第 15.3 节再调。

五、这件事值不值得做

做法 一条视频的活 谁做
全手工 写稿、找图、剪、配、导出，两到四小时 编辑
半自动 自动出粗剪，人调镜头和文案 编辑 + 智能体
全自动 出一版能发的，人只审 智能体为主

这一章做的是第三档里「能看」的那一版，不是「能发」的那一版。这个定位要先说清。 说清之后，验收标准就变了：不是「视频好不好看」，是「编辑改起来比从零做快不快」。 按这个标准，一条视频省下两小时，就算成了。剩下的好不好看，那是编辑的事。

六、动手 Demo：一条新闻到一条视频，中间有四道工序

先列四道工序，再把一份真新闻稿的字数、时长、镜头数算一遍。 最后按句拆成镜头，看每句该不该动。

RATE = 240.0            # 中文口播语速，字每分钟
pure = u''.join(ch for ch in NEWS if u'\u4e00' <= ch <= u'\u9fff')
secs = len(pure) / RATE * 60        # 43.2 秒
n    = int(math.ceil(secs / 8.0))   # 6 个镜头

实跑输出：

--------------------------------------------------------------------
一条新闻到一条视频，中间有四道工序
--------------------------------------------------------------------


  ① 四道工序
  --------------------------------------------------------------------

| 工序 | 吃什么 | 吐出什么 |
|---|---|---|
| 拆稿 | 新闻全文 | 标题、导语、正文、图说 |
| 配画面 | 每一句话 | 一张图或一段空镜 |
| 配音 | 口播稿 | 一条音轨 |
| 合成 | 画面 + 音轨 | 一条视频 |

  四道里最贵的是第三、第四道：配音按字算钱，画面按秒算钱。前两道几乎不花钱。
  所以优化的顺序是反的：先砍时长，再砍镜头，最后才动画面质量。砍一分钟视频，比换一套配图省得多。

  ② 这份稿子有多长
  --------------------------------------------------------------------
  新闻原文 204 字，去掉标点后 173 个字符。
  按每分钟 240 字的语速念，要念 43.2 秒。
  这个语速是本课估的量级。新闻口播通常在 220 到 260 字每分钟之间——念快了听不清，念慢了像念课文。
  43.2 秒的视频，已经超过大多数短视频平台「完播率友好」的长度了。

  ③ 拆成几个镜头
  --------------------------------------------------------------------
  每个镜头取 8 秒，要 6 个镜头。
  为什么是 8 秒？太短剪得碎、观众眼睛累；太长一个静止画面撑不住。6 到 10 秒是常见区间。
  平均每个镜头 28.8 个字，折 7.2 秒的口播。
  拿到这个数，后面配图就知道每个镜头要几张、配音就知道每段要念多久。

  ④ 拆稿：一句话一镜
  --------------------------------------------------------------------

| 镜 | 这句话 | 字数 | 秒 | 累计 |
|---|---|---|---|---|
| 1 | 国产大飞机 C919 今天完成第 100 架交… | 19 | 4.8 | 4.8 |
| 2 | 这架飞机交付给东方航空，将投入京沪航线运营。 | 20 | 5.0 | 9.8 |
| 3 | C919 是我国首款按照国际通行适航标准自行研… | 38 | 9.5 | 19.2 |
| 4 | 自 2023 年 5 月首次商业载客飞行以来，… | 47 | 11.8 | 31.0 |
| 5 | 制造商表示，今年计划交付 30 架，产能还在爬… | 20 | 5.0 | 36.0 |
| 6 | 业内认为，随着交付量上升，国产大飞机的规模化运… | 29 | 7.2 | 43.2 |

  原文 6 句，正好拆 6 个镜头，累计 43.2 秒——和上面算的对得上。
  句数和镜头数不一定相等。
  短句要合并（两句一镜），长句要拆（一句两镜），这一节先按一句一镜算，第 15.3 节再调。

①四道工序：拆稿、配画面、配音、合成。后两道按字和按秒算钱。 ②204 字原文、173 个有效字符，念下来 43.2 秒。 ③每镜 8 秒要 6 个镜头，平均每镜 28.8 字、7.2 秒。 ④按句拆出来 6 镜，第 4 句 47 字（11.8 秒）明显偏长。 ⑤句数和镜头数不必相等，这一节先一句一镜，15.3 节再调。

30 秒实验

  1. 拿一篇你要用的新闻稿，算一遍字数和口播时长。算出来超过 40 秒的，先想怎么压。
  2. 把你的片子按 8 秒切，数一下镜头数。超过 8 个的，多半该合并。
  3. 写下这个应用的验收标准。写「好看」等于没标准，写「编辑省两小时」才是标准。

常见误区

  1. 「先做出来再算时长。」时长和成本在动手前就能算。做完再砍，等于白做一遍。
  2. 「一句话一镜就行。」真实稿子长短不齐。47 字那句一个人占四分之一个片子。
  3. 「生成完好不好看最重要。」验收标准是编辑省不省时间，不是好不好看。
自测三问（点开对答案） 1. 四道工序里哪两道最贵？ —— 配音和画面。配音按字算钱，画面按秒算钱，前两道几乎不花钱。 2. 43.2 秒的稿子要几个 8 秒镜头？ —— 6 个。43.2 除以 8 向上取整，最后一镜不满 8 秒。 3. 为什么说「砍成本只有一条路」？ —— 视频占总成本九成以上，砍配音砍到零也省不出多少。只有砍时长才动得了大头。

账算清了，下一节建工作流。四个参数先定死，节点才连得顺。

相关笔记