把一本书蒸馏成 40 集动画短剧：我的 AI 工具链实操复盘

一篇完整的生产记录：拆书 → 结构化素材库 → 可复用专家包 → 40 集水墨动画。附 8 条实测踩坑解法与成本账单。

先说结论

我把《原来这才是春秋》（贾志刚，花城出版社，壹《称霸》、贰《争霸》）拆成了 40 篇小故事、30 条知识点、40 条典故，再把它们封装成一个可复用的 AI 专家，最后做成 40 集、每集 90–130 秒的水墨淡彩动画短剧。

全流程没装任何专业剪辑与绘画软件，只用一个对话式 AI 助手（WorkBuddy）加少量 Python 生态工具。核心结论有三条：

• 重资源只花在"会动"的地方。AI 视频按秒计费，是整条链路最贵的一环；构图、字幕、配音、拼接全部用免费方案解决，单集成本压到全 AI 视频方案的约十分之一。
• 内容资产先于内容产量。110 个结构化条目是最不起眼、却复用最多的资产：素材库、专家包、动画脚本、每集文案全部由它派生。
• 约束要写进流程，不能靠自觉。证据分级、戏说黑名单、"每篇必带看点"这些规则全部固化成文件，量产时才不会质量滑坡。

春秋知识库：40 篇故事、30 条知识点、40 条典故的可搜索页面

春秋知识库：40 篇故事、30 条知识点、40 条典故的可搜索页面

一、需求与总体思路

1.1 我想做什么

起因很简单：想把这两册书消化掉，并且让消化结果可复用——不只是自己读懂，还要能变成三类产物：

1.2 工具链全景

设计原则只有一条：把贵的生成资源花在刀刃上。

二、第一步：拆书——从"读完"到"拆出可复用单元"

2.1 先定规则，再动手

拆书最容易踩的坑是把"复述"当"提炼"。动手前先立了三条规则：

1. 不复述原文。所有条目依据《左传》《国语》《史记》等公开史料重述，与原书文字脱钩——这既是版权边界，也倒逼我真正理解每个故事。
2. 典故必须标出处与置信度。春秋典故是重灾区：烽火戏诸侯仅见于《史记》，《左传》《国语》均无记载；寒食起于介子推的割股焚山情节是后世叠加。这些流行说法单独立一条"存疑附录"，而不是混进正文冒充史实。
3. 每个故事必须带"看点"。只讲经过等于白拆，每条末尾强制写一句可迁移的判断，例如"瓜期不代"对应的现代教训是：毁诺的成本是总量而非边际。

2.2 结构化产出的最小格式

每个故事固定七个字段，保证后续任何环节（检索、配音脚本、分镜）都能机器可读地取用：

### 05｜郑伯克段：等了二十二年的清算
- 时间：前722    - 人物：郑庄公、共叔段、武姜
- 出处：《左传·隐公元年》    - 等级：A（史实）
- 故事：（300 字以内重述）
- 看点：纵容有时不是昏聩，是策略——让对方的罪证自己长满。

40 篇故事、30 条知识点、40 条典故完成后，用一个 200 行左右的 Python 脚本（build_library.py）把 Markdown 解析成带全文搜索和类型筛选的单页 HTML——就是文首那张截图。素材库的价值在拆书阶段就体现出来了：后面做动画时，每一集旁白稿直接从对应条目改写，分镜直接对着"看点"设计，不需要回头翻书。

三、第二步：把方法论固化成"专家包"

素材库解决"讲什么"，专家包解决"怎么分析"。这一步用 AI 助手的 expert-manager 技能完成，本质是四个命令：

# 1. 初始化骨架
python init_expert.py chunqiu-strategist --type agent --path <目标目录>
# 2. 校验（提示词规范、头像尺寸、字段完整性）
python validate_expert.py <专家目录>
# 3. 注册到本地市场
python register_expert.py <专家目录>
# 4. 打包成可安装的 zip
python package_expert.py <专家目录> <输出目录>

中间的"肉"是两份文件：一份专家提示词（定义它是什么人、按什么流程回答），一份七套分析框架的参考文档（名分—实力错位、霸主生命周期、二阶后果评价等）。踩坑提醒：name、目录名、文件名是唯一标识，展示名称可以随便改，但唯一标识一动就等于重建。

值得单独说的是证据分级设计。这本书的写法是"史实骨架 + 现代梗"（书里把诸侯会盟称作"南联盟"之类），因此专家的参考文档里强制了四级标注——【史实】/【史实·有异说】/【贾说】（作者推断）/【戏说】——并维护一份"戏说黑名单"。这套约束让专家回答时能把"书里怎么讲"和"史料怎么说"分开，实测对问答质量提升明显。

四、第三步：动画流水线——四件套把成本压到十分之一

这是整条链路里工程量最大的部分，也是最有通用价值的部分。

4.1 总体管线

分集脚本(JSON) ──► TTS 旁白(mp3)
      │                │
      ▼                ▼
关键帧(每集12张) ─► 图生视频(每段5s) ─► ffmpeg 合成 ─► 成片
   ImageGen          VideoGen        拼接+字幕+混流

每一集由一个 JSON 分镜计划驱动：镜头列表、每镜旁白、该镜头用静帧还是动画片段。合成脚本读这个 JSON，自动完成 TTS、标题卡绘制、逐镜头视频段生成、拼接、ASS 字幕生成与烧录。做一集新动画只需要三步：生成 12 张关键帧、生成 9 段动画、跑一次合成脚本。

4.2 风格一致性：提示词模板 + 顺序生成

40 集画面要统一，靠的是一段固定的风格前缀提示词，每次只替换场景描述部分：

中国传统水墨淡彩画，绢本暖米色底，细墨线勾勒，设色克制
（墨黑、淡赭石、石青、朱砂点染），细腻颗粒质感，电影级宽幅构图，
春秋初期场景，写实而非卡通，画面内不得出现任何文字。

图02｜用该模板生成的关键帧：干涸的河床（第 1 集）

图02｜用该模板生成的关键帧：干涸的河床（第 1 集）

图03｜同一模板下的人物场景：臣子跪谏（第 5 集）

图03｜同一模板下的人物场景：臣子跪谏（第 5 集）

两个实战要点：

• 顺序生成，不要并发。图像生成工具用时间戳命名文件，同目录并发时同一秒的两张图会互相覆盖且不报错。我的做法是每批 3 张、批间确认数量，缺失立即补生成。
• 人物场景比风景难控。复杂人物动作容易出现肢体错误，提示词尽量写"姿态 + 光位 + 构图"而非动作细节，把动态留给图生视频阶段。

4.3 图生视频：只在"会动"的地方花钱

每张选中的关键帧配一段英文运动描述（镜头推拉方向、哪些元素动、动的幅度），生成约 5 秒片段：

The elderly historian stands almost still, his robe and sleeves sway
slightly as if in a faint breeze... Very slow camera push-in.
Subtle restrained motion, ink-wash painting texture preserved, no text.

经验值：运动描述越克制，出片越稳。"slow push-in + 一两个元素微动"几乎不翻车；写"人物转身走动"这类大动作，崩坏率明显上升。90 秒的一集里，我会让 9 个镜头用 AI 动画，其余用静帧加 Ken Burns 式推拉（零成本），观感上依然是"动画"，成本却只有全 AI 视频方案的约十分之一。

4.4 旁白与合成

旁白用 edge-tts，纪录片男声 zh-CN-YunjianNeural、语速 −12%，每句旁白对应一个镜头；合成阶段按旁白实际时长决定镜头时长（旁白 + 0.9 秒余量，下限 4.2 秒），保证音画严格对齐。字幕用 ASS 格式烧录，按标点自动切行、按字数分配显示时间。

图04｜成片标题卡（第 5 集）

图04｜成片标题卡（第 5 集）

图05｜成片中段：双行字幕与画面自动对齐（第 5 集）

图05｜成片中段：双行字幕与画面自动对齐（第 5 集）

图06｜图生视频的关键帧：地道相见（第 6 集）

图06｜图生视频的关键帧：地道相见（第 6 集）

图07｜成片结尾帧：字幕带下集预告（第 6 集）

图07｜成片结尾帧：字幕带下集预告（第 6 集）

4.5 踩坑清单（最有价值的部分）

以下问题全部实测踩中，解法都验证过：

1. ffmpeg subtitles 滤镜在 Windows 报路径错误——C:\ 的冒号被滤镜语法吞掉。解法：合成时把工作目录切到字幕文件所在目录，全部用相对路径。
2. tpad 冻结帧延长视频"不生效"——对帧率不固定的输入，tpad 后时长不变。解法：滤镜链里先 fps=24 固定帧率，再 tpad=stop_mode=clone。
3. 长旁白的单行字幕越界——超宽分辨率下被裁掉。解法：按标点切句、按字数比例分配显示时间，单行不超过 20 字。
4. 图像生成并发文件名冲突——同秒写入互相覆盖。解法：同目录顺序生成，生成后核对数量。
5. 图生视频的输出目录偶发不生效——文件落到图片所在目录而非指定目录。解法：生成后按文件名前缀归位。
6. 生成服务偶发不可用——报 "model provider temporarily unavailable"。解法：等 20 秒重试即可，不值得换方案。
7. 水印裁切方向写反——crop((0,160,w,h)) 裁的是顶部；AI 图水印在右下角。解法：标题卡用 crop((0,0,w,h-160))，静帧在缩放前先裁掉底部 160 像素。
8. 黑场淡切显得拖沓——第一版镜头间都加淡入淡出，观感像 PPT。解法：改为直切，只保留片头淡入、片尾淡出，节奏立刻变快。

4.6 成本账单

v1 和 v2 的差别只在动画密度：把每集动画段从 3–6 段提到 8–10 段、镜头间黑场淡切改直切，观感从"图文配音"提升到"准动画短剧"。建议先用 v1 做一集样片确认风格，再切 v2 批量生产——改风格越早越便宜。

五、心得：三条反直觉的经验

1. "内容资产"先于"内容产量"。拆书的 110 个结构化条目是最不被期待、却复用最多的资产：素材库、专家包、40 集动画脚本、每集文案全部从它派生。如果直接从"做视频"开始，每一集都要重新构思，成本反而更高。
2. 约束要写在流程里，不靠自觉。证据分级、戏说黑名单、"每篇必带看点"，这些规则全部固化进了专家包的提示词和素材格式定义，而不是靠某一次对话记得住。工具化约束是量产时质量不下滑的唯一保障。
3. 对生成结果默认怀疑，抽查机制必须便宜。每批生成后抽帧看图、每次合成后抽 4 帧验字幕，这些检查加起来不到两分钟，但拦住了水印、字幕越界、风格漂移等几乎所有问题。便宜且高频的检查，好过昂贵且罕见的返工。

六、如果你也想跑一遍

最小可行动作只有四步，一晚上就能出样片：

1. 选一本你真想读懂的书，先按 2.2 的七字段格式手写 3 篇故事，确认格式顺手。
2. 用同一段风格提示词生成 6 张关键帧，确认画面风格能接受（这一步最省钱，也最影响后续）。
3. 挑其中 2 张做图生视频，验证运动描述的"克制度"边界。
4. 跑一次合成，把音画对齐和字幕这两件事解决掉——剩下的就是重复劳动。

跑通这四步，再决定要不要扩到 40 集。

---

目标读者：想用 AI 工具链做内容量产的开发者与创作者，无需专业剪辑与绘画基础。

前置知识：基本命令行操作；Python 虚拟环境（venv）的概念即可。

技术栈版本：Python 3.13.12；edge-tts（微软 Edge 在线语音合成接口）；imageio-ffmpeg 0.5（内置 ffmpeg 7.1）；Pillow 11。

预计阅读时间：12 分钟。