開源・MIT 授權

只要你有想法,
剩下的交給 agent

給 AI agent 用的影片/解說片工具組

一段想法、一份稿件,一支有旁白、字幕、圖表與主持人的成片就可以出來。每一步都有看得懂的說明,核心流程在你自己的電腦上跑,不用帳號,也不用API金鑰。

27種程式畫的場景
15套色版
3家 AI agent 實際跑過
0個必要的帳號或金鑰
免費工具就能出片

配音、對時、畫面、組裝都可以在自己的電腦上跑。第一個範例從頭做到尾,免費工具就能跑。

每個環節都能換工具

配音、生成鏡頭、主持人、剪輯軟體,換成你習慣順手的,照設定跟著做就能接得上。

AI agent 照文件就能跑

基本測試三家不同的 agent 只讀專案裡的文件,都可以做出通過檢查的片,包含一個在筆電上跑的本機模型,以及免費額度的 DeepSeek。

有什麼不同

它不是另一個剪輯軟體

一般的 AI 剪輯工具幫你把拍好的素材剪短、上字幕。Script2Film 從想法出發:作品是照著你的想法做出來的。

一般 AI 剪輯工具
Script2Film
從拍好的素材開始剪
從一個想法開始旁白寫在稿裡,哪一句配哪個畫面也寫在稿裡。
畫面是找來的,或整段生成的
圖表、算式、清單等27種場景由程式畫數字照稿,不會畫錯;改了稿,重跑一次就好。
專案藏在軟體裡
每一步都有說明清楚的檔案文稿、每句話的時間、剪輯計畫都是文字檔,可以比對、可以進版控。
輸出就結束
每一支出片都會被檢查半截檔、片中黑格、響度不對、音效沒混進去、成片比素材舊,就不能上傳。
綁在固定的服務上
每個環節都能換配音、生成鏡頭、主持人、剪輯軟體各有預設,也各有換別家的做法。
按月訂閱
核心流程不花錢在自己的電腦上跑,不用帳號與金鑰。生成鏡頭與主持人等影片製作是選用的,那兩步才需要外部服務。
有操作介面,用滑鼠拉
不用介面,不用動手告訴 AI agent 要做什麼,它照文件一步步做;花額度、挑主持人造型、上傳之前都會先問你。自動化也是有紀律的。
// 文稿裡的動作(examples/coffee/doc.json) { "lines": [2], "scene": "pie", "params": { "title": "Sample: where the costs go", "items": [ { "label": "Beans", "value": 45, "at": "beans" }, { "label": "Rent", "value": 30, "at": "rent" }, { "label": "Staff", "value": 25, "at": "staff" } ], "focus": [{ "i": 0, "at": "biggest" }] }}

左邊是文稿,右邊是它畫出來的動作。唸到 beans,第一塊展開;唸到 biggest,那一塊被強調。

能做什麼

一支解說片需要的,一段一段來

下面的畫面都是實際做出來的成片與工具輸出。

01 旁白

在自己的電腦上配音,每句挑最準的那一條

每句話錄幾條,轉成文字和稿比對,自動挑最接近的一條串接。常被唸錯的字寫進一張共用的讀音表,之後每支片都照著改。

  • 用十秒左右的參考聲音就能配整支片
  • 沒有現成的聲音,可以用文字描述設計一個合成聲音
$ python3 doc_voice.py examples/coffee/doc.json transcribing 12 candidates locally (whisper.cpp) 1 1.00 Flat in spring, climbing all summer: one 2 1.00 The costs are beans, rent, and staff. Be 3 1.00 Take what comes in, subtract what goes o 4 1.00 Split that profit in two: coffee earns m narration 23.7s, 4 lines; lowest 1.00; below 0.85: none
第一個範例挑候選的實際輸出(節錄):四句、十二條候選,每句的分數。
02 程式畫的畫面

27 種場景,說到哪個字,畫面動到哪裡

折線、圓餅、算式、拆解、對照、清單、時間軸、地圖路線、逐段標重點的文字。你在稿裡寫「說到這個詞的時候出現」,程式照配音的實際時間對上去。引言隨旁白逐字從模糊浮現、劃掉改寫、時間軸從這一段滑到下一段、拉紅線的線索板。15 套長相,還沒配音就能用這一集自己的三拍並排試看。

一段提示詞,說到的那幾個字被標成黃色
旁白唸到哪一段,那一段就被標出來。
03 生成鏡頭

需要實景的那幾拍,交給影片生成平台

工具先算出每個鏡頭要幾秒、寫好提示詞,排成一張跑單。預設接 VideoExpress,自動送出、收回;換別家或手動生成也可以,照檔名放回來就好。回來的片會量長度、檢查首尾有沒有壞格。

咖啡吧台上的手沖壺與義式咖啡機,左下角有圓框主持人,下方有字幕
範例 examples/brewing 的第一拍:生成的鏡頭接進時間軸,主持人圓框與字幕照樣疊上去。
04 主持人

對嘴的主持人,三種型態

旁白切段送去做對嘴,回來接回時間軸。可以放在角落的圓框、右邊的框,或整個畫面。造型圖會先做幾張給你挑,定了才送出。

  • 只用你自己的樣子,或你有權使用的人物
  • 聲音要和畫面上的人相符
主持人全版
主持人在左下角圓框
主持人在右上角的框
全版、圓框、右框,同一支片裡混著用。
05 字幕與對時

字幕跟著聲音走,不用手動對

配音在本機轉出每個字的時間,字幕與畫面都照這份時間排。也會另外產出帶時間軸的字幕檔備用。

利潤拆成咖啡與甜點兩格的圖,下方有兩行英文字幕
第一個範例的最後一拍:說到 coffee,那一格亮起來,字幕同時出現。
06 出片檢查

做完不是結束,AI 會自己再確認一遍

每一支出片當下就檢查,不論片型:音畫長度、片中黑格、響度與峰值、音效有沒有真的混進去、是不是用最新的素材做的。結果和成片的 SHA-256 一起留在片旁,上傳時只認這一支。解說片再把每一拍的開頭與結尾各截一格排成一張表,agent 必須實際讀過、逐格檢查才能回報完成;看不清楚的直接回報,不亂猜。

四拍各兩格的截圖表
第一個範例的截圖表:四拍,每拍的第一格與最後一格。

品味的事只提醒、不擋:句子之間配樂沒讓開、開場同一個畫面停超過 5 秒(封面不算)、生成畫面多到高點跳不出來、這一集和前三集太像。門檻來自實測已上架的片,出處都寫在程式裡。

配樂與音效

背景音樂由程式照畫面事件作曲,段落開頭落在拍點上;音效自動對到畫面出現的那一刻。

開工與出片清單

送出生成、上傳之前,逐題確認該問的事:授權、出處、有沒有畫錯人。沒答完就停下。

上傳 YouTube

排程、縮圖、說明欄、合成內容標記一次帶上。要不要上傳、什麼時候公開,由你說了算。

看懂一支好片的節奏

把欣賞的片和自己的片並排量:鏡頭長度、開場換畫面的速度、說話佔多少、句間多安靜,再排出每格寫著旁白的聯絡表。只量,不替你下判斷。

做出來的片

這些都是用它做的

作者自己的兩個頻道每週在用。四種片型各一支,點了到 YouTube 看。

頻道:NotoriousLab(英文)・Jacob Mei(中文)

怎麼做出來

七個環節,凡走過的必留下痕跡

每一個環節讀上一環節留下的檔,做完寫下自己的。中間任何一個環節都可以停下來看、改、重跑。

F0
安裝檢查

缺什麼、怎麼裝,一次列出來。

F1
稿

旁白、每一拍配什麼畫面,寫成一個檔。

F2
聲音

配音,每句挑最準的一條。

F3
對時

量出每個字落在第幾秒。

F4
畫面

程式照時間把每一拍畫出來。

F5
組裝

聲音、畫面、字幕接成一支片。

F6
檢查

量數字、排截圖表、逐格看。

選用的六段接在旁邊:生成鏡頭、主持人、配樂與音效、進剪輯軟體加疊加層、清單、上傳。完整的步驟與命令在 流程文件(英文)。

誰跑過

三家 agent,只讀文件,都可以做得出來

我的筆電是 MacBook Pro(M3 Max,36GB 記憶體)。三種 AI Agent、四種模型的出片都通過出片檢查,成片長度落在範例 (25 秒的英文片) 預期的範圍內。

Agent 模型 核心流程(不用帳號) 生成鏡頭+主持人
Claude Code Claude Opus 可以 可以
Google Antigravity Gemini 4 Argon, low 可以 可以
opencode + Ollama Qwen 27b (MLX),本機 可以,約 13 分鐘 可以,約 35 分鐘
opencode DeepSeek V4.1 Flash(免費額度) 可以,兩支片約 20 分鐘 沒試

每一家卡在哪、換別的 agent 怎麼排除,寫在 試跑紀錄(英文)。

開始

三步,做出第一支片

目前在 Apple Silicon 的 Mac 上驗證過(實測機型為 MacBook Pro M3 Max)。第一個範例是四句話、約 25 秒的英文片,不用任何帳號。

1

把專案抓下來(不懂怎麼做?問你的 AI)

用 git 複製,或下載 ZIP 解開。

git clone https://github.com/notoriouslab/script2film.git
2

跑安裝檢查

它只檢查、不安裝,缺什麼會告訴你怎麼裝。新機器第一次安裝約 30 分鐘、下載約 7 GB,步驟在 安裝文件(英文)。

python3 tools/doctor/doctor.py
3

在這個資料夾打開你的 agent

然後跟它說:

照文件把 examples/coffee 做成一支片。