最近在尝试用AI做电影解说，做了几个月，把选题、素材、文案、剪辑、数据分析五个环节都踩了一遍坑。

这篇文章记录我现在用的工具链，以及每个工具的实际局限性。

覆盖豆瓣数据监控、FFmpeg 素材处理、Prompt 文案生成、CLI 一键合成、平台数据反馈五个环节。

整体思路

我做影视解说的生产链条可以拆成 5 个大的环节：

选题 → 素材 → 文案 → 剪辑合成 → 数据反馈

每个环节都有独立的效率瓶颈，工具选型也不一样。我的原则是：能自动化的环节尽量自动化，需要判断的环节保留人工介入。

环节 1：选题策略——用 Python 抓取豆瓣热度数据替代直觉判断

痛点：热门电影竞争激烈，冷门电影没流量，靠感觉选题成功率低。

我的方案：用 Python 抓取豆瓣 + 猫眼的热度变化数据，找"热度上升但竞争度还不高"的窗口期。

核心逻辑是监控评分人数的增速，而不是绝对值：

<PYTHON>

伪代码示意，实际需要处理反爬和频率限制

def get_trending_movies():

# 抓取近 7 天评分人数变化

# 计算增速 = (今日评分人数 - 7天前) / 7天前

# 筛选增速 > 20% 且 解说视频数量 < 500 的电影

pass

实际局限：

• 豆瓣有反爬，频繁请求会被封 IP，需要加代理和限速

• 猫眼数据更新有延迟，不适合追实时热点

• 这套方案适合提前 3-7 天布局，不适合追当天热点

可用的开源方案：GitHub 搜索 douban-movie-spider，有几个维护中的项目，注意看 last commit 时间，很多已经失效。

---

环节 2：素材处理——授权素材库与 FFmpeg 截取的两种路径

痛点：网上下载的素材画质差，版权风险高。

两种路径：

路径 A：使用有授权的内置素材库

如果用 narrator-ai-cli （github可获取）这类工具，内置了部分电影的授权片段（目前约 90 余部，持续更新中），1080p，可以直接调用。适合刚起步、不想处理版权问题的阶段。

局限：片库数量有限，热门新片小众电影需要自己找素材。

路径 B：自己处理素材

用 FFmpeg 截取片段是最稳定的方案：

<BASH>

截取 1:30 到 3:45 的片段

ffmpeg -i input.mp4 -ss 00:01:30 -to 00:03:45 -c copy output.mp4

版权问题需要自己评估，工具本身不解决这个问题。

环节 3：文案生成——Prompt 结构优化比换模型更有效

痛点：AI 生成的文案平淡，开头没有钩子，结尾没有引导。

我的发现：与其换工具，不如优化 Prompt 结构，同一套Prompt生成多次解说文案后容易出现同质化的问题，建议更换不同风格的Prompt

一个有效的电影解说文案 Prompt 框架：

角色：你是一个[风格]风格的影视解说博主

任务：为电影《xxx》写一段解说文案

要求：

• 开头用悬念/反转/强对比制造钩子（前 15 字决定是否继续看）

• 剧情讲解保持情感起伏，不要平铺直叙

• 结尾用问题引导互动，不要直接说"关注我"

• 总字数 600-800 字，适合 3 分钟视频

输出格式：直接输出文案，不要解释

工具选择：GPT-4o 和 Claude 在这个任务上差距不大，关键是 Prompt 质量。narrator-ai-cli 的 Skill 文件本质上也是封装了类似的 Prompt 模板，如果你想自定义风格，直接改 SKILL.md 比换工具更有效。

环节 4：视频自动合成——CLI 工具链实现 TTS + 剪辑 + 字幕一键输出

痛点：手动剪辑一条3分钟视频需要1.5-2小时，主要耗时在字幕对齐和卡点。

我现在用的方案：narrator-ai-cli + 支持 Agent 模式的 AI 客户端。

工作流是：文案 → TTS 配音 → 自动字幕对齐 → 素材拼接 → BGM 混音 → 输出成品。

在 AI 助手里的调用方式：

帮我做《飞驰人生》的解说视频，爆笑喜剧风格，配音用云希，BGM 用欢快节奏

实测数据（我自己的，不代表所有人）：

• 单条视频：从下指令到成品约 12-18 分钟

• 批量 10 条：约 2-2.5 小时，期间不需要人工干预

支持的客户端：CodeBuddy、Windsurf、有道龙虾、OpenClaw、Cursor 等支持 Agent/MCP 模式的工具均可。

安装方式：

macOS

curl -fsSL https://raw.githubusercontent.com/jieshuo-ai/narrator-ai-cli/main/install.py | python3

Windows（cmd）

python -c "import urllib.request; exec(urllib.request.urlopen('https://raw.githubusercontent.com/jieshuo-ai/narrator-ai-cli/main/install.py').read())"

然后在 AI 助手中加载 Skill 文件：

请学习这个技能文件：

https://github.com/jieshuo-ai/narrator-ai-cli-skill/blob/main/SKILL.md

API Key 获取方式见项目 GitHub 页面。

已知局限：

• 复杂剧情（多线叙事、非线性结构）的解说准确性需要人工复核

• 批量生产建议设置审核环节，不要直接自动发布

• 内置素材库的片库更新频率不稳定，部分电影素材需要自己上传

环节 5：数据分析——变量控制实验优于单条播放量监控

痛点：发了很多视频，不知道哪个变量影响了播放量。

我的方法：不看单条视频的绝对播放量，而是做变量控制实验。

比如固定选题和时长，只改变风格（喜剧 vs 悬疑），发10条对比数据。这比抓取平台数据更直接。

工具：

• 飞瓜数据、新榜（付费，数据比较全）

• 各平台自带的创作者数据后台（免费，够用）

• 自己用 Python + 平台 API 抓（需要申请权限，部分平台有限制）

完整自动化工作流：从数据选题到视频发布的闭环流程

豆瓣热度监控 → 选定电影 → narrator-ai-cli 自动生成（文案+配音+剪辑） → 人工审核（剧情准确性、字幕错误） → 发布 → 数据记录 → 变量分析 → 调整下一条配置

我目前的节奏是每天 3-5 条，其中 1 条是人工精修的，其余走自动化流程。

---

局限性说明：版权、质量上限与批量生产的边界

• 版权问题需要自己评估，任何工具都不能替你承担法律责任

• "效率提升N倍"这类说法依赖具体场景，我的数据仅供参考

• 自动化生产的内容质量上限低于精心制作的内容，适合走量不适合做精品账号

有在做影视解说的欢迎交流，尤其是选题数据这块，我的方案还比较粗糙。