当AI可以写歌、画画、剪辑，我们离"一个人的音乐工作室"还有多远？ 起因：一个不切实际的想法 故事要从一个深夜说起。 那天我刷到一条短视频，画面是AI生成的动漫风格，配着一首AI写的歌。评论区炸了："这也太酷了吧！" 但我仔细一看，制作流程是这样的：先用ChatGPT写歌词，再用Suno生成音乐，然后用Midjourney一张张画图，最后手动剪辑合成。前前后后折腾了大半天。 我当时就想： 能不能把这些全部串起来，输入一个主题，一键生成完整MV？ 作为一个Claude Code的重度用户，我决定把这个想法做成一个skill。 先说结果 经过8个版本的迭代，现在只需要一行命令： /music2video 童年的冬天 --genre pop --lang zh 20分钟后，你会得到一支完整的竖版MV： • AI创作的歌词和旋律 • 角色一致的动漫场景插画（20多张） • 精确到每个字的歌词字幕 • 电影级的转场和运镜效果 • 带封面的竖屏视频，可以直接发短视频平台 整个过程全自动，不需要任何手动操作，请观看下方视频效果。 架构：七个阶段的流水线 做这件事最难的不是单个环节，而是 把所有环节串成一条可靠的流水线 。 我把整个流程拆成了七个阶段： 歌词创作 → 音乐生成 → 时间戳提取 → 角色设计 → 场景描述 → 图像生成 → 视频合成 每个阶段都由不同的AI模型负责，像一条装配线上的不同工位。 第一站：歌词创作 用大语言模型根据主题写歌词。这里有个关键约束： 歌词必须适合演唱 。不能太长（20-30行），不能有太生僻的词，还要有韵律感。 我花了不少时间调prompt，最后发现最有效的方式是给模型明确的"格式约束"而不是"内容约束"——告诉它字数范围、行数限制、不要写注释说明，比告诉它"写得有感情"有用得多。 第二站：音乐生成 歌词写好后，交给音乐生成API。这一步最让我惊喜的是 风格提示词 的效果。 我设计了一个"六要素公式"来生成风格描述： 比如一首关于童年冬天的歌，生成的风格描述可能是： Warm nostalgic pop, gentle and dreamy, piano and acoustic guitar, soft childlike female vocal, moderate tempo 95 BPM, East Asian winter atmosphere 效果比简单写"pop"好太多了。为了做好这一步，我整理了1600多条风格参考样本。 第三站：时间戳——让字幕跟上节奏 这是整个项目中最"看不见但最重要"的环节。 音乐生成后，我通过API获取 每个字的精确时间戳 。拿到的是这样的数据：每个word的开始时间和结束时间，精确到毫秒。 然后我需要把这些单字组合成"行"——用于字幕显示的单位。这里的算法考虑了： • 英文按词数分组（最多8个词一行） • 中文按字符数分组（最多14个字一行） • 单词间超过0.3秒的间隔，视为自然断句点 这样出来的字幕，观感就像KTV的歌词滚动一样自然。 第四站：角色设计——保持一致性的关键 如果每张图的角色长得都不一样，那MV看起来就像PPT而不是动画。 角色一致性 是整个项目最大的技术挑战之一。 我的解决方案是：先让LLM设计一个完整的角色描述（发型、服装、配色、体型等），然后生成一张角色参考图。后续所有场景图都会带着这张参考图一起提交给图像生成API。 这样做的效果出奇地好。虽然不是百分之百完美，但角色的发型、服装颜色、体型基本保持一致，足以让观众认出"这是同一个人"。 第五站：场景描述——从歌词到画面 每一句歌词都需要一个对应的画面。但不能简单地"翻译"歌词——需要 视觉化思维 。 比如歌词是"哈出的白雾气在冬日"，场景描述不能只写"白雾"，而要写出具体的画面：一个穿着红色棉袄的小女孩，站在雪地里，呼出的白气在阳光下像一个小星球。 这一步全靠LLM的"导演能力"。我在prompt里要求它像电影分镜师一样思考：镜头角度、光线方向、情绪氛围、色彩基调。 第六站：图像生成——批量且可靠 一首歌通常有50多句歌词，意味着需要生成50多张图。 这里有两个工程挑战： 速度 ：串行生成太慢。我采用了3个并发的批处理策略，大幅缩短了等待时间。 可靠性 ：网络请求有时会失败。V1.8之前，失败的图像会变成纯黑色的占位图——直接毁掉整支MV。 后来我加了一套完整的验证和重试机制： • 生成完成后，检查每张图的文件大小（真实图像800KB以上，占位图只有5KB） • 发现占位图，自动重试，最多两轮 • 从缓存加载时也做同样的校验 • 如果重试成功，自动更新缓存 这个改进让成功率从之前的"听天由命"变成了几乎百分之百。 第七站：视频合成——FFmpeg的艺术 最后一步是把所有素材合成视频。这一步代码量最大，也最讲究。 运镜效果 ：每个画面都不是静止的。我实现了五种运镜效果循环使用——推进、拉远、左移、右移、上移。配合不同的缩放比例模拟广角、中景、特写三种镜头。 智能转场 ：不同歌曲段落用不同的转场效果。主歌用溶解、淡入淡出（慢节奏），副歌用滑动、擦除（快节奏），桥段和间奏各有各的风格。 分屏和闪切 ：在副歌高潮部分，约20%的画面会使用分屏效果（两张图并排），10%会使用闪切蒙太奇（快速切换3-5张图）。这些效果让视频的节奏感一下子就上来了。 色彩调色 ：根据音乐风格自动调色。流行乐偏暖色、摇滚偏高对比度、电子乐偏冷色调。 最后，把音乐、画面、字幕三层叠加在一起。字幕用黑色半透明底框，确保在任何画面上都清晰可读。 迭代的故事：从能用到好用 这个项目经历了8个主要版本。每个版本都解决了一个"看起来小但影响很大"的问题。 其中最有意思的bug是V1.7要解决的问题：AI在生成歌词时，偶尔会在歌词里混入一些"自言自语"，比如"( Wait, removed the note as per rules:"这种。因为歌词会被送去生成时间戳，这些垃圾文本也会被精确打上时间点，最后堂而皇之地出现在字幕里。 解决方案是三层过滤：在歌词生成时加强约束、在时间戳分组后过滤、在字幕渲染时再做一次清洗。 缓存：让迭代成为可能 一次完整生成需要20分钟，其中大部分时间花在音乐生成和图片生成上。如果每次修改字幕样式都要从头来过，那就太崩溃了。 所以我设计了一套缓存机制： 用 MD5(主题+风格+语言) 作为缓存key 首次生成后，音乐、歌词时间戳、场景描述、所有图片全部缓存 后续修改只需要重新合成视频，从20分钟缩短到15分钟左右 缓存验证确保不会使用损坏的数据 这个设计让"改一点、试一次"的迭代循环变得可行。 Claude Code Skill的优势 把这个做成Claude Code的skill，而不是独立的Python脚本，有几个关键优势： 对话式交互 ：用户不需要记住复杂的命令参数，可以用自然语言描述需求。 智能错误处理 ：出错时，Claude可以分析错误原因并尝试修复，而不是直接报错退出。 增量开发 ：每次改进都可以直接在现有代码上迭代，Claude Code的git集成让版本管理变得很顺畅。 跨Agent编排 ：一个流水线里用到了LLM（写歌词、设计角色、描述场景）、音乐生成、图像生成、视频处理四类不同的AI能力，Claude Code天然适合做这种多Agent编排。 写在最后 从第一个版本到现在，这个项目教会我一件事： AI工具的真正威力不在于单个模型有多强，而在于你能把多少个模型串成一条流水线。 每个AI模型都有自己的强项和局限。LLM擅长理解和创作文本，音乐模型擅长作曲，图像模型擅长绘画。把它们按照正确的顺序组合起来，输入一个简单的主题，输出一支完整的MV——这就是"Skills"的魅力。 当然，这个项目还有很多可以改进的地方。图片偶尔还会出现角色不一致的情况，转场效果还可以更丰富，甚至可以加入AI生成的视频片段来替代静态图片。 但至少现在，你可以用一行命令，在20分钟内得到一部很棒的MV。 这在半年前都是完全不可想象的事情。

你有没有想过，别人花3000块请人拍的带货视频，你一张手机拍的产品图就能搞定？ 今天这篇文章，我手把手教你用Claude Code的一个隐藏技能，把**任意一张产品图片**变成**15秒竖版营销短视频**——全程不需要写一行代码，不需要会剪辑，不需要懂AI。 这不是PPT，这是真实可用的视频。 先看效果 随手拍一张产品照，丢给Claude Code，它会自动完成这些事： - 识别你的产品是什么、品牌是什么、卖点是什么 - 写一份15秒的专业带货脚本（有开场钩子、卖点展示、价值主张、行动号召） - 调用OpenAI的Sora 2把脚本变成真实视频 - 自动把横版图片转成竖版9:16（模糊背景填充，不裁切产品） - 输出一个可以直接发抖音/小红书的mp4文件 整个过程你只需要做一件事：给它一张图片路径。 这到底是什么？ 这是一个叫 `/sora2video` 的Claude Code技能。它把4个AI服务串成了一条自动化流水线： | 环节 | 谁在干活 | 干什么 | |------|---------|--------| | 图片处理 | Pillow | 智能裁切/填充，确保9:16竖版 | | 图片托管 | ImgBB | 把本地图片变成临时公开链接 | | 商品分析 | 豆包大模型 | 看图识别产品，写带货脚本 | | 视频生成 | Sora 2 | 根据脚本生成15秒视频 | 你不需要分别注册这4个服务。配好一次，终身可用。 从零开始：完整搭建指南 第一步：安装Claude Code 如果你还没装Claude Code，先搞定它。 打开终端（Windows用PowerShell，Mac用Terminal），输入： macOS, Linux, WSL: curl -fsSL https://claude.ai/install.sh | bash Windows PowerShell: irm https://claude.ai/install.ps1 | iex 装完后输入 `claude` 回车，按提示登录你的Anthropic账号。 > 前提：你的电脑需要有Node.js 18+。没有的话去 nodejs.org 下载安装。 第二步：安装Python依赖 这个技能的底层脚本是Python写的，需要装几个包： ```bash pip install requests pillow aiohttp python-dotenv ``` > 前提：你的电脑需要有Python 3.8+。没有的话去 python.org 下载安装。 第三步：创建技能目录 ```bash mkdir -p ~/.claude/skills/sora2video-k ``` 第四步：配置API密钥 这是最关键的一步。你需要获取3个API Key： 1) Sora 2 视频生成 API（通过kie.ai） 这是视频生成的核心。去 kie.ai 注册账号，获取API Key。 2) ImgBB 图片托管 API 去 api.imgbb.com 注册，获取免费API Key。这个用来把你本地图片变成临时公开链接（2小时后自动失效，不用担心隐私）。 3) 豆包大模型 API（火山引擎） 去火山引擎的方舟平台开通豆包模型，获取API Key。这个用来「看懂」你的产品图片并写出带货脚本。 拿到3个Key后，在技能目录下创建 `config.json`： ```json { "sora2_api": { "base_url": "https://api.kie.ai/api/v1/jobs", "api_key": "你的kie.ai API Key", "model": "sora-2-pro-image-to-video" }, "imgbb_api": { "base_url": "https://api.imgbb.com/1", "api_key": "你的ImgBB API Key", "expiration": 600 }, "doubao_api": { "base_url": "https://ark.cn-beijing.volces.com/api/v3", "api_key": "你的豆包 API Key", "model": "doubao-seed-1-6-251015" }, "video_settings": { "default_duration": 15, "default_aspect_ratio": "9:16", "default_language": "中文", "max_wait_time": 900, "poll_interval": 30, "max_image_width": 1024 } } ``` 第五步：获取技能文件 你需要把完整的技能代码放到 `~/.claude/skills/sora2video-k/` 目录下。包含以下文件结构： ``` sora2video-k/ ├── SKILL.md # 技能说明（Claude读这个来理解怎么干活） ├── config.json # 你的API配置 ├── requirements.txt # Python依赖声明 ├── scripts/ │ ├── video_generator.py # 主程序：串联整个流程 │ ├── api_client.py # API调用层：和4个服务通信 │ └── image_processor.py # 图片处理：尺寸调整、竖版转换 └── references/ ├── director-prompt.md # AI导演的提示词模板 └── video-styles.md # 5种视频风格参考 ``` 第六步：开始生成视频 一切就绪。打开Claude Code，输入： ``` /sora2video ./my-product.jpg ``` 然后等着。Claude会实时汇报进度： ``` 正在读取图片 ./my-product.jpg ... ✓ 图片格式验证通过 (1920x1080) ✓ 检测到横版图片，正在转换为9:16竖版... ✓ 图片已上传至ImgBB 正在分析商品并生成视频脚本... ✓ 识别到商品: XX品牌蓝牙耳机 ✓ 核心卖点: 主动降噪、30小时续航、轻量设计 正在调用 Sora 2 生成视频... ✓ 任务已创建，等待生成... [=====> ] 30% - processing ✓ 视频生成完成！ 📹 视频链接: https://xxxxx/video.mp4 ``` 从输入到拿到视频，通常2-5分钟。 它写的脚本长什么样？ 这是它给一款蓝牙耳机自动生成的脚本（中文版）： ``` [0-2s] 画面：一只耳机从暗处缓缓浮出，柔和的光线勾勒出外壳轮廓 旁白："在嘈杂的世界里，你需要一个安静的角落" [2-7s] 画面：镜头推进至耳机特写，展示品牌Logo和材质细节 旁白："XX主动降噪，40dB深度静音" [7-12s] 画面：年轻人戴着耳机在咖啡馆专注工作，周围喧嚣渐弱 旁白："30小时超长续航，一次充电用一周" [12-15s] 画面：产品居中展示，背景微光流转 旁白："现在体验，开启你的沉浸时刻" ``` 注意最后一句不是「立即购买」「限时优惠」这种硬广。这个技能内置了品牌安全机制——它会自动避开生硬的促销用语，用中性的引导话术代替。这样生成的视频不会被平台限流。 有几个坑，提前告诉你 1. 图片格式 只支持 JPG、PNG、WEBP。不要传 HEIC（iPhone默认格式）或 GIF。 2. 横版图片不要怕 很多人拍产品照是横版的。这个技能会自动把横版图转成竖版——不是粗暴裁切，而是在产品周围加上模糊背景填充，确保产品完整展示。 3. 生成时间 Sora 2生成视频需要时间。如果超过5分钟没出结果也不用急，系统会每30秒自动查一次状态，最长等15分钟。如果真的超时了，它会给你一个任务ID，你可以后续手动查。 4. 英文脚本 默认是中文脚本。如果你做外贸，加个参数就行： ``` /sora2video ./product.jpg --lang=en ``` 英文版只输出画面描述，不带旁白文案——因为Sora 2本身是英文驱动的，直接用英文效果最好。 5种视频风格，覆盖所有品类 这个技能内置了5种视频风格模板： | 风格 | 适合品类 | 特点 | |------|---------|------| | 经典带货 | 美妆、食品、日用品 | 产品特写+使用场景+效果展示 | | 故事叙述 | 服装、饰品、礼品 | 情景剧式，有故事线和情感 | | 快节奏 | 数码、运动、潮流 | 多角度快切，视觉冲击强 | | 简约高级 | 奢侈品、设计师品牌 | 大量留白，强调品质和工艺 | | 自然清新 | 有机食品、天然护肤 | 户外场景，清新健康氛围 | AI会根据你的产品自动选择最匹配的风格。你不需要手动指定。 背后的技术架构（给好奇的人） 整个流水线分6步： ``` 产品图片 → 图片预处理（竖版转换）→ 上传ImgBB → 豆包AI分析写脚本 → Sora 2生成视频 → 返回视频链接 ``` 每一步都有独立的Python模块负责： - `image_processor.py` 负责图片验证、尺寸调整、9:16转换（用PIL的高斯模糊做背景填充） - `api_client.py` 封装了4个API的调用逻辑（ImgBB、豆包、Sora 2、飞书） - `video_generator.py` 是总调度，串联整个流程并处理异常 有一个巧妙的设计：kie.ai的任务状态接口有时候不稳定，代码里做了双重检查——既轮询官方接口，又直接探测视频文件的CDN地址。两条路只要有一条通就能拿到视频。 这东西能用在哪？ 几个真实场景： - 独立站卖家：产品图一拍，视频自动出。不用请摄影师，不用请剪辑师 - 小红书/抖音带货：批量生成产品视频，日更无压力 - 跨境电商：切换英文模式，直接做TikTok素材 - 品牌方测试：快速出视频Demo给客户看概念，通过了再投入正式制作 最后 这个技能本质上做了一件事：把4个AI服务串成流水线，让你用一句命令完成原来需要一个团队干的事。 它不完美——15秒的AI视频还做不到专业TVC的水准。但对于电商场景，它已经够用了。尤其是当你需要批量产出内容的时候，效率差距是数量级的。 如果你已经在用Claude Code，现在就试试。一张图片，一行命令，15秒视频。 --- 本文介绍的是Claude Code的 `/sora2video` 技能。技能源码基于MIT协议开源。文中涉及的第三方API需自行注册获取密钥。

本期要点： 【核心问题】 为什么AI总是不稳定？同样的Prompt今天好用明天不行？ 【解决方案】 Claude Skills - 给AI写一本"操作手册"，让它变成稳定输出的专家系统 【四步驯服AI方法论】 1. 定义边界 - 明确能做什么、不做什么 2. 拆解流程 - 把复杂任务分成可控的阶段 3. 设计记忆 - 用外部文件让AI"记住"关键信息 4. 验证迭代 - 测试并持续优化 【Skills设计5个黄金法则】 - 渐进式披露，不要信息过载 - 决策树优于自由发挥 - 设定明确的边界和"不做"清单 - 设计检查点，避免跑偏 - 留有修改入口，让用户能介入 【你可以创造的Skills】 合同审查专家、小红书爆款生成器、PRD撰写助手、论文润色专家... 授人以鱼不如授人以渔，学会这套方法，创造属于你的AI技能包！