我把 1 篇 8000 字的技术稿，喂进一套脚本，跑出了一条 4 分半（271 秒）的动态图解视频：41 个场景、8133 帧、42 条字幕。
总渲染我一分钱没花，字幕识别也是零成本，连旁白 TTS 也是在豆包用免费积分跑的、没掏钱——渲染、字幕、旁白这三块实际成本都是 0；连帧号都是机器自己排的。
这条片子里没有 1 帧是我手动拖出来的：所有帧边界，都“长”在音频的真实时长上。
8000 字技术稿，4 分半自动成片
更反直觉的一点：整条片子的每一个帧号，都是脚本自己排的，没有手动改过 1 个。渲染总花费 0 元，本地 ASR 字幕识别也 0 元；旁白 TTS 我用的是豆包免费积分、同样没花钱。
难点不在「画什么」的工具，而在让时间轴只信一个真相源。
真正卡住大多数自动成片方案的，是时间轴：帧号从哪来？谁说了算？这个问题没答好，音画错位、字幕乱跳就全来了。这条片子不是“剪”出来的，是“算”出来的。后面我把账一笔笔摊开，连门槛也一并说清。
先给你看成品的体检报告
别急着问“怎么做的”，先看“做出来长啥样”。
下面这组数字，全部来自那一次真实跑通，按同样输入都能复算。
| 指标 | 数值 |
|---|---|
| 分辨率 | 1920×1080 |
| 帧率 | 30fps |
| 总帧数 | 8133 帧 |
| 时长 | 271.17 秒 |
| 字幕 | 42 条 |
| 文件体积 | 36.1MB |
| 音频编码 | AAC LC 44.1kHz 立体声 |
| 音频码率 | 181kbps |
| 平均码率 | 约 1.07Mbps |
| 音量均值 | −19.3dB |
| 音量峰值 | −0.3dB |
能复算的结果，才配叫结果。
把指标摆在桌面上，吹牛就没位置了。分辨率、帧率来自渲染配置，时长来自音频真实长度，音量来自导出文件的实测。
选型先立 4 条准则
动手之前，我先把 4 条准则钉死。它们不是“哪个软件更强”，而是“哪个方案更不踩雷”。
1.可复算：同样输入，必须跑出同样的帧号和画面。
2.可自动化：不依赖人工逐帧拖拽，脚本能端到端跑完。
3.成本可控：尽量零硬件、零订阅，开销落在明面上。
4.质量达标：分辨率、帧率、字幕同步达到发布标准。
按这 4 条，代码驱动逐帧渲染入选：Remotion（React 生态）与 Motion Canvas（TypeScript 生成器路线，非 React）两条开源、零成本、像素级可复算的路线。AE 加脚本是半手工、订阅制，按我的准则不在选型里。图文轮播类剪辑要手动拖时间线、转场同质，同样排除。Manim 参数可复算、开源零成本，但它主打公式与几何动画、画风偏数学演示，与本篇卡片化图解的需求不符，也不在这趟选型里。
旁白走云端 TTS——我是在豆包用免费积分跑的、没花钱。自训声音模型需要 GPU，违背零硬件，放弃。字幕走本地 ASR 取真实句边界：faster-whisper small 量化版，本机 CPU 跑，6 个段落切出 153 个句边界、耗时 71 秒，零成本。按字数等分推算会被我废弃——它会造成明显的音画错位，经验上看失准常在 0.5–3 秒。
选型不是比谁更强，是比谁更不踩雷。
能复算，才敢交给机器全自动。
3 层画面抽象，时间轴只有一个真相源
先把视频抽象成 1 张二维表：横轴是帧，纵轴是图层。41 个场景乘若干图层，渲染器只读这张表出图，不认任何“手感”。
画面分 3 层。舞台层常驻：米白底、透视网格、场记板、账号标签、简笔讲解员。内容层每屏 1 组卡片，入场放大聚焦、讲完退散。字幕层是底部白底黑边气泡，像歌词一样随句切换。
时间轴只信一个真相源：所有帧号，都“长”在音频真实时长上。
所有帧边界，要么来自音频真实时长，要么来自 ASR 真实句边界，绝不拍脑袋。6 段时间轴是这样分的：
| 段落 | 帧数 | 时长 |
|---|---|---|
| 封面预告 | 710 | 23.7 秒 |
| 技术栈全景 | 1955 | 65.2 秒 |
| Agent 解剖 | 1430 | 47.7 秒 |
| 自主性分级 | 1946 | 64.9 秒 |
| 学习路线 | 1495 | 49.8 秒 |
| 总结收尾 | 597 | 19.9 秒 |
语速换算也透明：慢速原声 352.44 秒，压到 1.30 倍速得 271.17 秒，帧数从 10573 降到 8133，全程零手改。
当帧号有唯一出处，音画错位就失去了发生的地方。
所谓“卡点”，不过是机器按真实句边界排出来的节奏。
9 步流水线，成本清单：倒挂的反直觉账
整条管线分 9 步：章节解析、场景拆分、图层生成、时间轴排布、字幕回填、几何自检、渲染出片、验证抽检、新文件名交付。每一步产物都落盘，不靠脑子记。
工程只维护 1 张时间轴表。每个图层的入场、离场、聚焦窗口，都被写成 1 条记录：起止帧、动画类型、缩放倍率。
成本清单摊开看，最反直觉的在于倒挂：
（注：下列市价均为「不算赠送积分」情况下的常规估算；我实际用豆包免费 / 赠送积分，本次实付 0 元。）
1.语音：0 元（我用豆包免费积分，没花钱；豆包语音对免费用户也开放，市价 68 元/月起（会员订阅），不在我这次路径上）
2.大模型：0 元（豆包赠送积分，没花钱；章节解析与脚本生成接口，市价 5–30 元）
3.存储带宽：0–20 元（看交付平台）
4.渲染与 ASR：0 元（本机跑，零硬件零订阅）
渲染我一分钱没花，不是省出来的，是路子选对了。
1 份可复算的时间轴表，顶过 10 个熬夜改的版本。
几何自检 + 本地 ASR 字幕同步
落到实操，给你 5 条能直接照做的步骤：
1.渲染前跑几何自检 4 查：越界、相交、近距、字号。退出码非 0 就退回重排。01-01 图曾报 23 条问题，多数为文字估宽压边，属人工复核候选。
2.图解源文件用分层 SVG（注：这是工程源文件格式，不是公众号配图；公众号配图仍是常规位图，二者不冲突）。每个可动元素带唯一 id。
3.字幕同步走本地 ASR，取句级边界回填字幕表与聚焦窗；字幕文本仍用口播稿原文（小模型对专有名词有误识别，只借它的时间，不借它的字）。
4.验证用 4 查加按秒抽帧目检：分辨率帧率、时长、音量、逐秒抽帧，任一项不对退回上一环节。
5.同一套场景表再渲染一次得竖屏版 1080×1920，帧数一致（仅指横竖 2 次渲染），布局换一套常量表，不重做动画。
让机器替你盯边界，你只复核它不敢定的那 23 条。
小模型认不准词，就只借它的时间，不借它的字。
横竖双画幅，串行才不会把旧片当新片发。
4 个真踩过的坑
几何自检误报：文字估宽假阳性偏高，自检只能当筛子、不能当裁判，最终靠人工复核那数十条候选。
夹心元素撞邻居：上下被占满的夹心元素，一放大就撞邻居；处理方式不是缩放，而是只加粗全亮、不做缩放。
时间轴禁止手写：任何帧号改动都必须回到生成脚本重跑，手改 1 处会牵一发动全身、破坏唯一真相源。
横竖画幅抢环境：横竖双画幅渲染必须串行、且成片交付换新文件名，否则互相抢环境、或用缓存递出旧片。
时间轴是生成出来的，不是改出来的。
自检会误报，所以它是筛子，不是法官。
如果团队里也有人每天在逐帧拖时间线，把这篇转给他，省下的不是几分钟，是整段人生。
评论区二选一聊聊：① 你最想自动化的是哪类视频？② 你卡在「时间轴对不上」还是「画面画不出」？
极简 FAQ
Q：一定要会 React 吗？
A：代码驱动路线有两条——Remotion（基于 React，需基础 React）与 Motion Canvas（基于 TypeScript 生成器，不依赖 React，只需 TypeScript/Node 环境）。纯剪辑路线另议，但不在本篇选型里。
Q：完全零门槛吗？
A：不是。需能跑 Node 脚本、读得懂时间轴表；渲染靠本机 CPU，对硬件要求不高，但动手门槛真实存在。
