我手上在做一条 AI 视频的自动化生产线——脚本出分镜、TTS 配音、模型出图、图生视频、程序合成。 最近读了一份「真人录屏 + 口播」赛道的短视频 SOP，20 页，六个阶段。 它整条链路都是手工的，用的工具跟我这边几乎零重叠。 但读完我的结论是：工具一条都用不上，判据几乎全部通用。 这篇记录我怎么把它拆开、留下什么、扔掉什么。
一句话概括它的方法论内核：不原创，做「对标 → 提取 → 改写」的复制流水线。 选题抄已经验证过的爆款，文案抄结构，只替换里面被介绍的那个对象。 这跟「从零生成」是两种相反的风险模型——后面第 ④ 节会展开。
flowchart LR classDef pick fill:#e0eaf3,stroke:#2f6699,color:#173247; classDef make fill:#f4e3d5,stroke:#c2541f,color:#6b2c0c; classDef cut fill:#eae2f4,stroke:#6f4a9c,color:#37225a; classDef pub fill:#e4efe4,stroke:#3f7d54,color:#1d3d29; A["① 选题
收藏夹分类 + 扒爆款"]:::pick B["② 文案
提取 → 拆结构 → 改写"]:::make C["③ 录音
手机 / 电脑自带"]:::make D["④ 录屏
录屏软件"]:::make E["⑤ 剪辑
固定六步"]:::cut F["⑥ 发布
12 条检查 + 双封面 + 话题"]:::pub A -->|"对标视频"| B B -->|"定稿逐字文案"| C C -->|"人声音轨"| E B -->|"操作脚本"| D D -->|"屏幕素材"| E E -->|"成片 + 双尺寸封面"| F
大部分创作教程讲到「节奏要快」「开头要抓人」就停了。这份不一样—— 几乎每条建议后面都跟着一个可以检查的数字。 这是它最值钱的部分，也是自动化那一侧最缺的东西： 代码可以判断一个数值超没超标，但没法判断「感觉拖沓」。
下面是那份 12 条发布前检查清单。右侧我标了一个我自己关心的维度—— 这条能不能交给程序判：
这份 SOP 的后半段是「进阶篇」，讲怎么从流量走到收入。 它画了一张四级天梯，我觉得比具体技巧更有价值—— 因为它把一个模糊的「做得更好」拆成了四个性质不同的台阶。
flowchart TD classDef l1 fill:#f4f0e8,stroke:#6f675d,color:#3a3530; classDef l2 fill:#e0eaf3,stroke:#2f6699,color:#173247; classDef l3 fill:#eae2f4,stroke:#6f4a9c,color:#37225a; classDef l4 fill:#f4e3d5,stroke:#c2541f,color:#6b2c0c; classDef me fill:#e4efe4,stroke:#3f7d54,color:#1d3d29; L1["初级 · 流量
热门内容搬运，吃信息差"]:::l1 L2["中级 · 升级
动态视觉提升
= 后期溢价的关键筹码"]:::l2 L3["高级 · 推广
硬核实测，做成商业内容"]:::l3 L4["顶流 · 行业优质内容
做到影视级别，完成心智种草"]:::l4 US["自动化生产的位置：
技术上直接够到顶层的画面水准
但缺前两级积累的流量验证"]:::me L1 --> L2 --> L3 --> L4 US -.->|"画面水准直接对标"| L4 US -.->|"真正缺的是这两级"| L1
搬之前得先看清差异，否则会把不适用的东西硬塞进来。 最大的一条结构性差异是：手工链路的成本是人的时间，自动化链路的成本是每次调用的钱。 前者可以「多剪两小时把节奏磨好」，后者每重跑一次都在真实扣费—— 这决定了两边「返工」的心理成本完全不同。
| 环节 | 这份手工 SOP | 自动化流水线 | 结论 |
|---|---|---|---|
| 内容来源 | 找对标 → 提取 → 改写，不原创 | 模型从选题直接生成脚本与分镜，全原创 | 风险模型相反：一个抄已验证的，一个赌未验证的 |
| 顺序 | 文案 → 录音 → 录屏 → 剪辑 | 分镜 → 配音 → 出图 → 出动态 → 合成 | 相同：都是先定声音，画面来对齐 |
| 画面生产 | 录屏 + 贴纸转场，人肉操作 | 模型出图 + 图生视频 | 零重叠，无从借鉴 |
| 节奏控制 | 剪气口 + 配音提速 0.1–0.2 倍 | 常见做法是 TTS 出多长就用多长 | 可搬，而且不止是好看 |
| 合成 | 剪辑软件手工拖拽 | 脚本化合成，可重复执行 | 自动化侧更强 |
| 质量门禁 | 12 条发布检查清单 | 通常只有结构与格式校验，缺内容质量项 | 手工侧更成熟 |
| 成本意识 | 基本没有（工具免费，成本是时间） | 每条片子都能算出确切花费 | 自动化侧更强 |
| 选题沉淀 | 长期分类归档 + 爆款库 | 常常整个环节空白，无从追溯 | 手工侧更成熟 |
| 断点恢复 | 无概念（人记得做到哪） | 可做到幂等续跑 | 自动化侧更强 |
抛开所有工具细节，这份 SOP 里脱离形态依然成立的东西只有四条。 但这四条我认为对任何做视频内容的人都通用，无论手剪还是全自动。
手工侧做它是为了节奏紧凑。放到自动化侧，它还多一层收益： 镜头时长往往决定了付费档位——很多视频生成接口是按 5 秒、10 秒分档计费的， 一个 5.4 秒的镜头和 4.8 秒的镜头，价格可能差一倍。 把停顿压掉，节奏变好的同时账单也变薄。
要注意的是这件事必须在配音环节就做完。等到最后合成时才裁， 时长早就按旧的数字买过单了——省下的只是观感，不是钱。
这是全篇最能直接抄的东西。关键不在那 12 条具体是什么， 而在于「发布」被当成了一道有门禁的关卡，而不是一个动作。
而且清单是可以分层的：能算的交给程序，算不了的留给人眼。 清单的价值不是「全都自己检查一遍」，是「保证没有一条被忘掉」—— 人会忘，清单不会。
「开头要抓人」是废话，「第一个镜头必须在 3 秒内抛出最大痛点」是判据。 差别在于后者可以在东西做出来之前就检查。
对流水线来说这点尤其值钱：分镜阶段的时长安排是纯文本， 这时候发现「平均镜头 5 秒、全片拖沓」，改的成本几乎为零； 等画面都渲染完再发现，已经花掉的钱一分都退不回来。 越早能判的判据，价值越高。
它的六段式之所以有效，不是因为哪一段写得妙， 而是因为每一段都被指派了明确职能：这句负责建立记忆点，这句负责降低门槛。 写的时候不用再想「接下来说什么」，只需要想「这一段该怎么写得更好」。
交给模型生成时，这一点的作用会被放大： 给了结构骨架，产出的质量方差会明显收窄。 批量生产里，稳定比偶尔惊艳重要得多。
这份 SOP 六个阶段，用在选题和对标上的篇幅接近一半。 而我这边的自动化流水线，从头到尾每一个环节都在解决「怎么把画面做得更好、更便宜」—— 选题那一环连个存放的地方都没有：一集片子为什么做这个题材，链路上完全查不到。
别扭的地方在于，我自己写下的项目笔记里明明白白写着一句： 「选题命中率是最大风险，不是画质。」 判断早就下对了，力气却全投在了另一头。
所以最后我扔掉的，是它全部的工具选型——软件、设备、每一步怎么点。 留下的是它的判据，和一个提醒：先确认自己在优化的，是真正决定成败的那一头。