我开源了让 AI 做好视频的 Skill - 视频，封面，文案，博客，统统搞定

我是小木头。这篇想和你分享我近期在用的一个做视频的 Skill - verysmallwoods-video，它已经开源了：https://github.com/sugarforever/boring-video-studio/tree/main/skills_v2/verysmallwoods-video

顺带说一句，下面这期视频就是用这个 Skill 做出来的，视频版在这里 👇

先抛一个问题：HyperFrames 官方已经有一套很完善的视频制作 Skill 了，那作为内容创作者，我直接拿来用，难道不够吗？

先说我是怎么做视频的

我不出镜，画面全部用 HyperFrames 生成。你可以把它理解成「用 HTML 写视频」 - 一帧就是一屏，Agent 帮我一帧一帧搭出来，再渲染成片。

官方的 Skill 已经很成熟。比如 hyperframes 这个核心入口，还有 faceless-explainer - 一篇文章或一个主题进去，一段讲解视频出来，画面、渲染，全都替我办好了。

按说这已经很够用了。可我一期一期做下来，发现有两个地方，光靠这套官方流程还不够，没法完全自动地帮我把事情做完。而恰恰是这两个地方，促使我自己写了一个 Skill 去补。下面就聊聊这两个缺口。

缺口一 - 一期视频不只是一个 mp4

第一个缺口是：出片，只是一个人做内容的其中一环。

一个人做内容，要交付的从来不只是一个 mp4。一期视频要能发出去，我还得配一张封面 - 而且通常是五种比例，横版给 YouTube 和 B 站，竖版给抖音和视频号；还要写两套平台文案，YouTube 一套、Bilibili 一套，主题内容相同，但完整描述的版式和侧重并不一样；如果有必要，再配一篇博客；此外，一条社交媒体的推广短文，也是可以有的。

这些，官方的 Skill 都不管，也不该它管 - 它的职责很清晰，把画面和渲染做好。可封面、文案、博客、推广这一圈，全落回我自己身上。每一期都要手工重走一遍，是实打实的重复劳动。

缺口二 - 我想用自己的声音

第二个缺口，是旁白。

官方流程默认用 TTS 合成，很方便，我也试过用 TTS 克隆自己的声音。像是挺像的，可听多了就不太对劲 - 它念得出我的音色，却念不出真人的那点情绪起伏。哪里该顿一下、哪里放轻、哪里带着点笑意，这些是我对着稿子念的时候自然带出来的，声音克隆还差一层。一个人做内容，要的恰恰是这层真实感。

所以真人亲自录制，对我不是可选项，是刚性需求。可一旦坚持自己录，新问题就来了：音频是我录的，节奏就由这一版录音说了算，不再由脚本说了算。哪句话在第几秒被念到，画面里那一处内容就得在那一刻出现。怎么把「我本人录音」这件事无缝接进 Agent 的流程里，让画面自动跟着我的声音走 - 这正是官方流程没替我解决的地方。

于是我搭了 verysmallwoods-video

为了补上这两个缺口，我搭了一个 Skill，叫 verysmallwoods-video。

它不重做出片 - 视频本体照样交给 HyperFrames。它是架在官方 Skill 之上的一层编排。输入一个主题、一篇文章，或者一份口播稿，产出的是一整套能直接发的物料：成片、五比例封面、两套平台文案、博客、推文。少一样都算没做完。而且旁白这一环，它默认就留好了「我自己录」这个选项。

它其实只补三件事

相对官方那套 faceless 流程，它只补足三件事。

一是设计由我来选。开局它会让我从一组预制风格里挑一套配色和版式，定下这一期的观感。

二是旁白多一个「自己录」的选择。想用 TTS 也行，但也可以选自己录 - 把音频和字幕给它，它来校对术语、按段切分、对齐时长，把每一帧的内容重新排到我真正念到的那个时间点上。

三是把发布物料补齐。封面、平台文案、博客、推文，一次生成到位，不用我再一个个手工做。

它是怎么冒出来的

说个有意思的：这个 Skill 不是我坐下来专门设计的，是做视频的半路上顺手整理出来的。

当时我正用官方流程做一期视频，用的还是自己录的音。做着做着就意识到 - 封面、文案、博客、对齐录音，这些我每一期都在重复做的事，完全可以交给 Agent，按一套固定流程走就好。于是就地把这层编排抽了出来，写成了现在这个 Skill。

它本身也是一次示范。SKILL.md 只有六十来行，只说明何时用、开局问什么、交付什么，细节都下沉到 references，用到再读；硬性规则只留最关键的几条，剩下的交给模型自己判断，不为每件小事写规矩。这也是我近期分享过的，在 Claude 5 新模型上，上下文工程的新规则的一次落地 - 与其把什么都塞进主文件，不如留白，让模型按需去取。

想自己用它 - 依赖与安装

如果你也想上手，说一下它的依赖和用法。

它是站在 HyperFrames 官方 Skill 的肩膀上的：视频本体交给核心入口 hyperframes，以及负责出片的 faceless-explainer；取音频、图片、logo 这些，交给 media-use。这几个官方 Skill，用一行命令指向 HyperFrames 仓库就装好：

npx skills add heygen-com/hyperframes

我这层编排本身也开源在 GitHub，同样一条命令装进去：

npx skills add https://github.com/sugarforever/boring-video-studio/tree/main/skills_v2/verysmallwoods-video

装好之后，在 Claude Code 里调用 verysmallwoods-video，给它一个主题、一篇文章，或者一份口播稿。它开局会先问你两件事 - 用哪套设计、旁白是自己录还是走 TTS，然后就照着交付清单，把整套物料一次交到你手上。过程中它可能还会问你几个问题来澄清需求，这也是为了帮你把一整套物料生成到位。

一点小结

回到开头那个问题：官方 Skill 已经很完善，直接拿来用够不够？

对我来说，答案是不够 - 不是它不好，而是它把视频做出来之后，还有一整套发布物料、还有我坚持要用的真人录音，得我自己来补。官方帮我把画面做好，我这个 Skill 负责把剩下这一圈补齐，并且让我的声音无缝接进整个流程。我不想每一期都手工重走一遍，就把这些交给 Agent，让它按我的习惯，一次把整套物料交到我手上。

我把它开源了，链接在下面。如果你也是一个人做内容，希望它能给你一点参考。用的过程中有任何问题，也欢迎在 GitHub 提 issue，我会尽快处理。

• Skill：https://github.com/sugarforever/boring-video-studio/tree/main/skills_v2/verysmallwoods-video