AI 当导演批量出片，这条 n8n 流水线的账和边界

先说一个内容团队都熟的场景。手里攒着几个 T 的原始素材，老板想批量剪成短视频铺渠道，一算工作量就歇了。逐条看片、写解说、配音、对齐音画，一个人一天磨不出几条，招人又是一笔长期开支。

有人真把这件事自动化了。一个内容创作者把 n8n 工作流前后迭代了七个以上版本，做出一套 AI 导演批量剪辑系统，丢进去原始视频和一个风格描述，出来就是带解说的成片。几分钟的短片能处理，6 小时的超长视频也能处理，全程无人值守。

更关键的一句是原作者自己的判断，这套工作流的杀手锏不在代码。只要大模型的能力接着涨，成片质量就跟着涨，它不会过时。这句话决定了它的资产属性，搭一次，长期吃红利。

老雷把这套系统拆开看了一遍，架构、成本、边界，值得上车的和不该上车的，今天一次讲清。

流水线怎么转，三句话讲完

这套系统的分工很清楚，AI 当导演，n8n 当制片人，云端工具当剪辑师。

第一阶段 AI 看片。视频传到谷歌云存储桶，通过 Vertex AI 让 Gemini 直接分析云端视频，产出一份带时间戳、旁白、画面描述的完整分镜脚本。第二阶段云端剪辑，NCA 工具按分镜脚本在云端切片子，不占用 n8n 一点内存。第三阶段音画合成，Fish Audio 生成配音，自动对齐后全片拼接。

这里有个技术选型值得单独说。为什么走 Vertex 而不是普通 Gemini API，因为 Vertex 能直接读谷歌云存储桶里的文件 URI。实测 5 个 G 的视频直接在云端处理，n8n 这边几乎零消耗。这是能吃下长视频的关键，最早的版本把视频上传塞在 n8n 框架里转一道，几十兆就卡死了，换成 URI 直调才彻底解决。mediaResolution 参数设为 low，处理 6 小时的视频也没问题。

对老板来说这段的意思就一句，这套架构扛得住批量，不是玩具。

最值钱的不是代码，是提示词

这套工作流跑下来，所有效果的核心都压在一段导演提示词上。原作者有句话老雷很认同，Code is cheap, show me your prompt。

提示词是四层结构。输入信息层，告诉 AI 分镜数量、频道名称、目标语言、分镜时长范围。角色设定层，定义导演是谁，通用版是顶尖的全能解说导演，换个设定就成了毒舌电影风格的解说导演，再换就成了善于讲故事的纪录片导演。核心守则层，规矩最重的一条，先当观众再当导演，时长是天条。输出规范层，JSON 格式，时间戳精确到毫秒。

妙就妙在，只改角色设定和核心守则这两层，出来的就是完全不同的片子。实测过的赛道能列一串，而且是一个比一个让人意外。

儿童动画片，从完整动画里提精华，出亲子向解说。TikTok 商品介绍，中文、英语、西班牙语多语言版本一键出海，这一条对做跨境的团队分量很重。历史纪录片，自动提关键事件和人物，结构化解说。商品评测，提炼亮点出带节奏的种草视频。再往上，电影混剪从长片里抽多个精彩片段重新编排叙事，游戏解说和深度拉片也都跑通了。最绝的是毒舌风格解说，金句密集、点评犀利，电影解说赛道的成片观感已经能打。十几类视频测下来，主流内容赛道基本都能找到自己的那档风格。

从素材到成片全流程自动化，24 小时无人值守批量生产，这才是这套系统真正的价值主张。

还有一种更野的玩法，叫素材模式。视频解说模式里 AI 老老实实分析画面内容写旁白，素材模式则把视频纯粹当画面库，文案框里塞进一段完全独立的文本。实测里最让人眼前一亮的一版，拿一部治愈系电影的画面，配上一段悬疑故事的文案，剪出来就是一个全新的导演作品。画面是旧的，叙事是新的，同一批素材的用法一下子翻了一倍。一条素材两条命，这是内容团队最喜欢的杠杆。

至于搭起来要多少功夫，整条工作流从需求输入表单开始，到风格路由、参数设置、Gemini 分析、分镜提取、云端切片、遍历配音、音画匹配，最后拼接归档进 Notion 数据库，一共 11 个节点组。所有密钥和参数集中在一个配置节点里，导入之后只改这一个节点就能跑。让 FDE 或懂点自动化的运营照着搭，半天到一天的量级，不是什么大工程。

提示词的坑，踩过才知道

调教提示词有一个反直觉的规律，要求堆得越多越冗杂，效果反而不如简单的提示词。

原因不玄。处理两小时的长视频时，大模型的上下文已经非常有限，你再往提示词里塞各种限制，它根本没有注意力兼顾。比如毒舌风格同时要求音画同步、时间线顺序、风格化表达，这三个注意力本身就是打架的。

落地建议很明确，先用 20 分钟以内的短视频调试风格化提示词，效果满意后再逐步处理长素材，过程中不断精简、消除冲突。框架先搭好，再做减法。这条建议值钱的地方在于它省钱，别让团队一上来就拿着两小时的片子和两百行的提示词硬磕。

这笔成本账，值得算给老板听

整套系统的运行成本，实测下来低得有点不像话。

Gemini 有 300 美元的免费额度。NCA 部署在谷歌 Cloud Run 上，成本很低。Fish Audio 充几美元能用很久。唯一绕不开的硬支出，是 n8n 云端部署，每月约 5 美元，折合人民币几十块钱。

对比一下人力方案，一个剪辑师一个月的工资够这套系统跑几年。当然前提要讲清楚，它产出的是流水线品质的批量内容，调教提示词、把关风格取向这些活，还是得有懂内容的人盯着。人负责品味，机器负责产量，这笔账才算得平。

组织上的配置也简单，不需要专职工程师，需要的是一个愿意反复调提示词的内容负责人。这套系统的门槛不在代码，在于有没有人愿意把导演提示词打磨到极致。

边界在哪，什么情况别上

再好的流水线也有边界，这三条要写进预期管理。

第一，长视频精度。处理 2 小时以上的视频，画面截取精度会下降，这是当前大模型能力的边界，不是工作流的 bug。素材以长片为主、精度要求高的团队，现阶段要降低预期，或者先切短再喂。

第二，调速天花板。音画同步是这条流水线里最磨人的工程问题，AI 写旁白控制不了精确字数，配音时长和画面时长永远对不齐。解决方案是个脑筋急转弯，让大模型分别生成三个字数版本的旁白，再用代码挑出时长最贴近画面的那一版，超了差了就用云端工具微调语速。实测音视频比值能压到 1.01 和 0.99，毫秒级同步。调速本身支持 0.5 到 2 倍，超出会报错，三版本择优已经把超范围的概率压得很低，偶发翻车的分镜，n8n 里打开 Continue on Error 跳过即可，不阻塞整片。

第三，版权。片源本身的授权问题，老雷提一句，商用前把这条理清楚，尤其是拿别人成片做解说的玩法，别让批量生产的效率变成批量下架的风险。

自动化放大的是你的素材和风格，放大不了你没有的东西。

什么情况值得上车，说直白点。素材存量大、赛道固定、需要多语言铺渠道的团队，这套东西几乎是为这个场景长的，跑完的成片自动归档进数据库，链接直接回到提交表单的人手里，连催片的动作都省了。反过来，一天精修一条、靠单条质感吃饭的精品号，别硬套流水线，工具和生意不匹配，省下的时间也变不成钱。

最后说一层更深的。这套工作流迭代了七个版本，真正沉淀下来的不是某个节点配置，而是一种和 AI 对话的能力、结构化拆解任务的能力。模型还会一代代变强，提示词里的导演就会跟着涨本事，这套系统不会过时。真正会过时的，是只把 AI 当省钱工具、不肯在调教上花功夫的团队。

想试水的团队，老雷的建议是从一条 20 分钟的素材开始，把风格调到自己满意，再谈批量。