做一条视频，有必要每一步都用 AI 吗？

假设有一条介绍书店的视频，用几张门头、入口和阅读区的照片，配上旁白与字幕。现在只想改介绍入口的那句话。照片不用换，看起来应该是个小修改。

可声音重新生成以后，还会和原来一样长吗？字幕能不能继续用？入口照片多停一会儿，后面的画面又该从哪里开始？一句话改下去，很快就会碰到不止一句话的事情。

这份方案尚未实现，没有样片，也没有基准测试，书店视频是用来推演设计的假设。我的设想是让模型先看懂素材和要表达的内容，把决定写进配置，再由程序接着合成。“低 Token”是想验证的目标。这里编排的是已有素材，与灵刻相关的生成式视频探索不同。

先把这张照片怎么用说清楚

假设门头照的店名在左上方，画面要缓慢拉近入口，同时保留店名。模型需要看懂位置关系，也需要知道为什么那几个字不能被裁掉。程序要拿到素材引用、聚焦区域、保留范围和移动方式这些参数，才能按这份安排处理图片；写清楚了，人也可以检查。

“镜头要有电影感”还不够。程序没有从这句话里得到该从哪里移到哪里的安排。如果后面每个步骤都重新拿着原始需求问一次模型，又可能各自得到不同的决定。我想把旁白、字幕和 visual_intent——这一段画面要表达什么——一起留在场景配置里，后面就按这份安排接着做。

FFmpeg 的 zoompan、xfade、subtitles 等滤镜，可以处理静图平移缩放、转场和字幕合成，使用时仍需满足各自的输入要求。^[2] 配置明确后，程序就能调用相应滤镜处理画面。至于该保留店名，还是突出门口的其他内容，需要前面先决定。

这也限定了适合它的内容：已有照片足以支撑的讲解。平移和缩放改变的是照片怎样呈现，不能生成照片里的人物动作或真实的三维变化。若要人物转身、物体变形或一个新的视角，就得考虑其他制作方式。把照片拉近，照片里的人并不会因此开始表演。

旁白改完，先生成声音，再排时间

现在回到开头的小修改。假设初版已经按这套安排做出，我们只改介绍入口那一段的措辞，照片和表达目标都保持不变。

新的旁白需要通过 TTS（文字转语音）生成音频。字数差不多，声音也未必一样长：语速、停顿和发音方式都会影响实际时长。因此，这份设计应当先生成音频，再测量它。ffprobe 可以读取媒体信息，帮助确认实际文件及其时长。^[1] 字数可以用来估计，最终时间轴仍要依据生成出来的声音。

知道整段多长，还不知道每句话在哪一刻说出。字幕要重新对齐真实音频，检查断句、漏字和阅读时间。直接沿用旧时间标记，可能字幕已经翻到下一句，声音还停在上一句。音频没有生成或对齐失败，也该在这一环停下来报出问题，不能等到最后靠播放成片才发现。

然后才轮到入口照片。如果这段旁白变长了，照片是不是多停留一会儿？拉近的动作应当放慢，还是先完成移动，再停住等声音说完？已有规则能处理的，可以交给配置和程序；没有合适安排的，再请模型或创作者判断。

照片没换，时间却可能已经不对了。

这一段长度改变，后面场景的起始位置、相邻转场和最终合成都可能要更新。变化从一句话出发，经过音频、字幕和画面时序，一路传到了成片。先按字数固定镜头，再盼着旁白刚好说完，就可能一段话还没说完，画面已经切走，另一段却留了过长的空白。

上次做好的东西，哪些还能留下

当然，不应该因为改了一句旁白，就把所有东西重新做一遍。原始照片没有变，可以留下；新旁白需要新音频；依赖声音的字幕时间要更新；依赖时长的画面安排也要重算。一个结果要不要重做，得看生成它的材料和参数变了没有。

缓存要解决的正是这件事。如果系统只记得“门头照片没换”，就直接复用旧视频片段，连不合适的时长也会一起留下。原始图片可用，不等于用它渲染的旧片段也可以原样接回来。

还要多看一层：我们为什么用这张照片。如果修改从“介绍入口”变成了“展示室内氛围”，即使两段旁白碰巧一样长，门头照也可能需要换。只比较文件和时长的缓存看不见这个变化，所以表达目的也应保留在配置中。

这份设计还需要记下每次改动：哪些旧结果已经不能用，哪些还能留下。只重做受影响的部分，最后仍要看一遍视频，检查重点有没有被裁掉、字幕是否遮挡、音画是否配合。旧结果留下得再多，拼出一条对不上的视频，也算不上节约。

最后省下的，究竟是哪一笔

按这套设想完成一次修改，模型也许只需要作很少的判断，Token 消耗不高。可 TTS 仍然需要生成新声音，字幕仍要对齐，视频也可能再次渲染。若主要开销在这些步骤，或在人工检查上，模型少调用几次，总成本未必有明显变化。

我会把模型 Token、TTS 费用、渲染耗时，以及准备素材、检查和返工的人工时间分开记录。首次制作与单处修改也分开看。把第一份配置写清楚，可能要多花点工夫；后面真能沿用，才有机会省下工作。失败的尝试和重复渲染也会记进去，不能只挑最便宜的一次调用。

有时，前面多请模型判断一次，发现店名会被裁掉，可能比渲染结束后重做更划算。这次多花的 Token，也得和它可能省下的返工一起比较。比较不同方案时，清晰度、可读性和音画一致性的要求也应相同；内容少做一点、质量降一点，不能算这种分工更高效。

我想省下的是每次改一句话，都把同一份需求从头想一遍的工作。至于书店的名字有没有留在画面里，旁白和字幕有没有对上，这些事一件也不能靠少用 Token 省掉。