我是 Hypit 团队的工程师，有关 hypit 的介绍可以看我之前的文章： https://v2ex.com/t/1242258#reply1
项目地址在： https://github.com/hypit-ai/hypit
----------------------
"1998 年苹果仓库堆满了卖不掉的电脑……"这类商业故事短视频在抖音上很常见，比如《小 lin 说》里面就有很多这样的 B-roll：没人出镜，只有旁白、一张张静态图和跳出来的大字。看着简单，自己剪的话最费时间的是卡点。这条 55 秒的视频有 13 个镜头、23 处大字，每一处都要在旁白说到那个词时准确弹出来 下面是我们用 Hypit 复刻它的完整过程：
1. 先拆解一下参考视频的套路，学习一下人家是咋组织整个视频的
这是一条参考视频：[[ 链接或文件路径 ]]
帮我拆解它的结构，先不要做任何东西：
1) 镜头数、每个镜头的时长、镜头和旁白是怎么对应的
2) 每个镜头的画面构成
3) 字幕有几层，各自什么时候出现、什么时候消失
4) 大字的内容、字体、颜色，以及它们落在旁白的哪个词上
5) 有没有前后呼应的画面
● 一句旁白一个镜头。13 镜 55 秒，平均 4.2 秒切一次，最短的只有 2.5 秒。
● 每个镜头只有一张纹理背景和一个主体。 背景是阴天、亚麻布、暗红、蓝色网格纸、绿色切割垫、木桌这类；主体是居中的小道具，没有人物。主体会动：电脑从右边滑进来，钥匙从上面掉下来，所以背景和主体是分开的两层。
● 字幕分两层。 底部是逐词高亮的小字幕，正在念的词变黄。说到关键句时，顶部弹出大字，底部字幕就让位。大字可以叠加，比如先出 FUNDAMENTALLY ，再砸下一个 EVIL 。
● 大字不一定照搬旁白。 旁白说的是 "a month of inventory"，屏幕上是 "30 DAYS"，接着一个手写体的 "six days" 压上来。数字比原话更有冲击力。
● 字体跟着情绪走。 时间和数字用衬线体（ 13 YEARS LATER 、10 OF 19 ），反转用手写体（ six days ），结论用红底白字（ SPOILED MILK ）。
● 有回调。 第 2 镜的挂历在第 9 镜又出现了一次；第 5 镜那盒过期牛奶，在结尾说 "spoiled milk" 时又弹了回来。
2. 写稿：大字挂在词上
这一步也是交给 AI 来写，用 hypit 可以写出这样的脚本：
<script id="story">
~@sc1
<hook>
In @w-1998! <1998 | nineteen ninety-eight>, || Apple was @w-drown! drowning || in unsold computers. @/sc1~
@sc2 || Its warehouses held || @mu2 @w-month! a whole month || of inventory. @/mu2 @/sc2~
@sc3 || Then Tim Cook walked in, || and called inventory || @mu3 @w-evil1! fundamentally @w-evil2! evil. @/mu3
</hook>
<beat-evil/>
...
这里的几种标记：
● <hook>、<why>、<loop>：三段旁白，各自单独生成一段配音。
● <beat-evil/>：空段落，就是 “evil” 之后那 0.8 秒停顿。
● @sc1 … @/sc1~：一个场景的时间范围，背景跟着它切换。
● @w-drown!：一个时间点，落在 “drowning” 开口那一刻，大字和道具在这里出场。
● <1998 | nineteen ninety-eight>：画面上显示 “1998”，配音念 “nineteen ninety-eight”。
● ||：字幕在这里断开，换下一条。
● @mu2 … @/mu2：这段时间画面上已经有大字，字幕静音。
这些锚点只认“哪个词”，不写死秒数。重新配音、语速变了，所有画面会自动跟着新的时间走
3. 定画面，先出表
给 AI 这段 prompt
按第 1 步拆出来的规则定画面。先列成一张表给我确认，不要生成：
- 9:16 ，每段一个镜头：一张纹理背景加一个居中主体，背景和主体分开生成
- 主体的风格：[[ 写实小道具、柔和棚拍光，或者你想要的风格 ]]
- 每个 @标签 对应一条大字：写什么、字体、颜色、入场方式，弹出后一直保持到本镜结束
- 底部小字幕逐词高亮，当前词变黄；大字出现之后，小字幕隐藏
- s09 复用 s02 的挂历，s13 复用 s05 的牛奶盒，不重复生成
你会拿到类似这样的表：
表里每一行都确认了再生成，虽然慢点，但是省钱啊
4. 先只跑配音，对节奏
给 prompt： 先不要生成画面。只跑到配音和对齐这一步， 列出每一段的时长，和参考视频对比，标出偏差超过 1 秒的段。 这类视频靠节奏吃饭，哪一段拖了就在这一步删词，这时候只花了配音的钱
5. 换个故事，再出一条
真正省时间的是这一步。.svml 就是模板： 保持同样的 13 段结构、画面规则和字幕规则， 把故事换成 [[ 新故事，比如 "Costco 的热狗为什么 40 年没涨价" ]]。 先给我看新稿子和新的大字表。 换掉的只有旁白和图片。两层字幕、大字卡点、入场动画、回调这些逻辑全部复用，不用再剪一遍
感谢你看到这里～