一句话让AI帮你做视频播客：video-podcast-maker 完全上手指南

不需要剪辑，不需要配音，甚至不需要写稿——你只需要一个想法。

你有没有想过，做一期专业的视频播客能有多简单？

我的答案：跟 AI 说一句话就够了。

今天给大家介绍一个最近在 GitHub 上很火的开源项目——video-podcast-maker。它能让你用一句话，零代码、零基础，制作出 4K 画质、多语种配音、带进度条字幕的专业视频。

它是什么？

video-podcast-maker 是一套跑在 Claude Code、Codex、OpenCode 等编码助手上的自动化技能（Skill）。它的工作流覆盖了从选题研究、脚本撰写、TTS 配音、Remotion 视频渲染，到最终压制输出的全过程。

简单理解：你告知它一个主题，它帮你从零到一搞出一期视频。

全程你只需要做三件事：

1. 1. 提供主题或灵感方向
2. 2. 审核并润色生成的脚本（这是最关键的一步）
3. 3. 预览效果，确认输出

剩下的——研究资料、生成旁白、合成语音、渲染画面、混音配乐——全是自动的。

六大核心功能，每一个都戳中痛点

️ 6 种 TTS 引擎任你选

配音是视频播客的灵魂。video-podcast-maker 接入了 6 种 TTS 后端：

如果你只是想试试，Edge TTS 完全免费、无需注册，效果也够用。

Remotion 4K 视频渲染

画面部分基于 Remotion（React 驱动的视频框架）渲染，原生支持 3840×2160 4K 分辨率，上传 B 站、YouTube 清晰度拉满。

自带组件库包括：数据柱状图、时间线卡片、代码块、流程图、统计计数器、Lottie 动画、音频波形可视化等——这些全部可以用在视频里，不用你写一行代码。

五大平台，独立适配

每个平台的要求都不一样。video-podcast-maker 做了全平台适配：

• • Bilibili：章节时间戳自动生成、一键三连 CTA、16:9 + 4:3 双版缩略图
• • YouTube：SEO 标题优化、自动章节标记、英文脚本支持
• • 小红书：3:4 竖版缩略图、200-500 字种草体描述、双井号标签
• • 抖音：9:16 竖屏、轻快对话文案
• • 微信视频号：知识分享风、转发引导

双语 TTS + 发音校正

中英文混合旁白不再是痛点。Azure Speech 和 CosyVoice 支持双语音色自动切换。遇到多音字（列如”银行” vs “步行”），可以在 phonemes.json 中配置全局发音词典，一劳永逸。

Remotion Studio 实时预览

正式渲染之前，可以用 npx remotion studio 打开浏览器编辑器：

• • 拖拽时间轴逐帧查看
• • 右侧面板直接改配色、字号、字体
• • 修改组件后实时刷新

先确认效果，再花时间渲染——这个逻辑省掉大量返工。

章节进度条 + 字幕嵌入

视频上方自带章节进度条，观众可以一眼看到当前处于哪个章节。字幕可以选择硬编码嵌入（烧录）或作为独立 SRT 文件输出。

快速上手：三步跑通第一个视频

第一步：环境准备

              # macOS
brew install ffmpeg node python3

# Windows (WSL 或直接安装)
# 1. 安装 Python 3.8+、Node.js 18+、FFmpeg 4.0+
# 2. 安装 Python 依赖
pip install azure-cognitiveservices-speech dashscope edge-tts requests

# 创建 Remotion 项目骨架
npx create-video@latest my-video-project
cd my-video-project
npm i

第二步：配置 TTS（可选，默认用免费 Edge TTS）

              # 如果只想免费试，跳过这一步
# 如果用 Azure：
export AZURE_SPEECH_KEY="你的密钥"
export AZURE_SPEECH_REGION="eastasia"

# 如果用豆包：
export VOLCENGINE_APPID="你的AppId"
export VOLCENGINE_ACCESS_TOKEN="你的Token"

Edge TTS 默认免费可用，无需配置。提议先用 Edge 跑通整个流程，后续再升级到更高质量的 TTS 引擎。

第三步：一句话启动

在 Claude Code 或 Codex 中输入：

              制作一个关于"人工智能如何改变内容创作"的视频播客

AI 会引导你完成：

1. 1. 主题定义 → 确定方向和角度
2. 2. 素材研究 → 搜索相关数据和案例
3. 3. 脚本生成 → 结构化的旁白脚本（这是你需要重点审校的环节）
4. 4. TTS 配音 → 自动合成音频
5. 5. Remotion 渲染 → 生成 4K 画面
6. 6. 背景音乐混音 → FFmpeg 叠加 BGM
7. 7. 字幕嵌入 → 烧录或导出 SRT
8. 8. 最终输出 → final_video.mp4

⚠️ 最重大的一步（写给人类）

项目文档里有一段话我超级认同：

AI 生成的脚本草稿只是一个起点，仅此而已。以下工作请你自己完成，不要交给 AI：

1. 出声朗读每一句话，感受呼吸节奏2. 至少修改三遍：第一遍改错字和绕口令，第二遍删废话和重复，第三遍调节奏3. 逐段检查章节过渡是否自然4. 单独审核数字、专有名词和英文术语的发音5. 控制时长——中文约 280 字/分钟，5-10 分钟 = 1400-2800 字

糟糕的脚本渲染出来只是 4K 画质的垃圾。 这句话虽狠，但很真实。

哪些人适合用它？

最适合的场景：技术科普、行业分析、读书分享、产品评测，这类”重脚本、轻画面”的内容。

写在最后

video-podcast-maker 解决的问题很明确：把视频制作的技术门槛压到零，让你专注于内容本身。

它不会替代专业的视频团队——但能让你在只有一个人的情况下，做出远超”PPT 转视频”水平的内容。

目前项目还在积极迭代中，路线图上的功能（竖屏模板、YouTube 自动发布、设计风格学习）都值得期待。

你试过用 AI 做视频吗？体验如何？欢迎在评论区聊聊

项目地址：
https://github.com/agents365-ai/video-podcast-maker
中文文档：
https://github.com/Agents365-ai/video-podcast-maker/blob/main/README_CN.md