一句话生成完整视频？Vox导演Skill让AI从脚本到成片全自动化

你有没有想过——给 AI 说一句话，它就能帮你做出一整条视频？不是什么粗糙的素材拼接，而是有叙事弧线、有画面感、有配音有 BGM 的完整作品。

今天挖到一个让我眼前一亮的东西，叫 vox-director。

一个 Skill，6 步出片

它的核心逻辑很清晰：一个主题进去，6 个阶段流水线出来：

• ① Beat Map — AI 先规划叙事结构，把整个视频拆成若干”节拍”，用户确认后才往下走
• ② Style Bake-off — 同一个节拍生成 3~4 种视觉风格，用户凭眼睛选一个
• ③ Keyframes — 每个节拍生成一张拼贴风海报（Vox 那种手裁纸张、撕边、胶带、网点质感）
• ④ Motion — AI 把静态海报”动起来”，生成视频片段
• ⑤ Voice + Music — 自动配音 + 生成背景音乐
• ⑥ Assemble — ffmpeg 拼接所有片段，加字幕、压水印、导出 MP4

两个节点有”人工审核门”：叙事结构确认 + 视觉风格选择。其他的全部自动走完。

三种输入模式，适应不同创作场景

这不是一条道走到黑的工具——它设计了三种入口：

• B-roll（最常用）：只给一个主题词，比如”中国文明演变”，AI 从零生成脚本+画面+配音
• A-roll：你有一期真人露脸视频？它能把真人内容自动转成拼贴动画风格，同时保留面部和唇形同步
• C-roll：上传一张照片，照片里的人/物会被抠出来，以”贴纸”形式放进拼贴场景里动起来，配音甚至可以用本人的声音

这三个模式覆盖了从零创作、二次加工到个人 IP 视频化的全场景。

用了一堆顶级模型，但调用逻辑封装好了

整个流水线背后跑了：Google 的 Nano Banana 2（图像生成）、Gemini Omni Flash（视频动画）、字节 Seedance（真人口播克隆）、XAI TTS（配音）、MiniMax Music（背景音乐）。

普通人不需要知道每个模型怎么调，Skill 已经把这些串成了一条完整链路，模型 ID 还会动态从 Atlas Cloud API 拉取最新列表，不用担心硬编码过时。

怎么用

在 Claude Code（或其他支持 Skill 的 AI 编程助手）里加载这个 Skill，给它一个主题词或者一段视频/一张照片，等几分钟，MP4 就出来了。GitHub 上有完整文档和展示视频。

我自己试下来最惊讶的是：拼贴质感真的到位——胶带、撕边、网点、标题字这些元素，不是靠滤镜糊弄，而是图像生成阶段就原生带进来的。视觉做得好，后续动画才有意义。

如果你有 AI 视频创作需求（短视频、知识区内容、产品演示），这个 Skill 值得跑一遍。

https://github.com/Alisa0808/vox-director

GitHub: https://github.com/Alisa0808/vox-director