無人值守 AI 影片生成流程與腳本自動化技巧
語氣：{tone}
規則：
- 開頭 15 字內必須有鉤子，不可用「大家好」開場。
- 正文至少包含一個具體數字或案例。
- 全文 260～320 字，唸出來約 60 秒。
- 禁止使用「非常」「十分」「相當」等空洞副詞。
- 結尾給一個明確行動呼籲。
輸出格式（純 JSON，不要任何說明文字）：
"hook": "開頭一句",
風格：寫實攝影、3D 渲染、扁平插畫、動漫
例如不要寫「一個人在用電腦」，而要寫「中景，一名戴眼鏡的年輕人坐在木桌前使用筆電，清晨側光從左側窗戶透入，寫實攝影風格，色調偏暖」。這樣的描述拿去餵文生圖模型，出圖穩定度高很多。你可以在提示詞最後加一句：「每個 scene 的 visual 必須包含景別、主體、動作、光線、風格五要素。」
另外建議控制場景數量：60 秒影片約 8～12 個場景，平均每 5～7 秒換一次畫面，節奏最舒服。太少會顯得呆板，太多會讓觀眾眼睛疲勞。
四、AI 影片生成環節的自動化實作
腳本層完成後，接下來就是把文字變成聲音與畫面。這一段技術含量最高，但也是最容易套用現成工具的部分。
4-1 文字轉語音與對嘴
TTS 的選擇要考慮三件事：語音自然度、是否支援繁體中文與台灣腔、是否回傳時間軸。實務上，我會把旁白拆成「單句」逐句生成，而不是整段一次生成，原因有二：一是方便後續按句對齊字幕，二是某一句念壞了只要重跑那一句，不必整段重來。
生成時建議把每句音檔存成 voice_001.mp3、voice_002.mp3，並在資料庫記錄每句的起訖秒數。之後用 FFmpeg 把它們串成單一音軌，同時保留時間軸對照表，字幕就能自動生成，不需要靠語音辨識再跑一次。
如果你要做「人物對嘴」類型，流程會多一層：先用文生圖生成人物形象，再用對嘴模型（如 SadTalker、Wav2Lip 類工具）把音檔與人像結合。這一層算力需求較高，建議放到有 GPU 的環境執行，或使用雲端 API。
4-2 文生圖／圖生影與素材拼裝
畫面素材有三條路可走：
無論走哪條路，都建議把素材統一轉成相同解析度與幀率（例如 1080×1920、30fps），避免後製時畫面比例跳動。批次轉檔可以用 FFmpeg 一行指令搞定。
4-3 字幕、配樂與轉場自動化
字幕是短影音的命脈。由於我們在 TTS 階段已經有時間軸，字幕可以直接用 ASS 或 SRT 格式生成，無需再跑語音辨識。字幕樣式建議：
字級大、粗體、白字黑邊（提高可讀性）
每行不超過 12 字，一次顯示一至兩行
關鍵字用不同顏色強調（可在腳本階段用標記語法標出）
配樂方面，建議建立一個「無版權音樂庫」資料夾，按情緒分類（振奮、溫馨、懸疑、輕鬆），排程時隨機挑一首，音量壓在旁白的 15%～20%。轉場不要花俏，短影音最安全的做法是「硬切」搭配偶爾的淡入淡出，AI 生成的花式轉場反而容易顯得廉價。
最後用 FFmpeg 組裝，核心指令概念如下（簡化示意）：
ffmpeg -f concat -i scenes.txt \
i voice.mp3 -i bgm.mp3 \
filter_complex "[0:v]scale=1080:1920,setsar=1[v];\
[1:a]volume=1.0[a1];[2:a]volume=0.18[a2];\
[a1][a2]amix=inputs=2:duration=first[a]" \
map "[v]" -map "[a]" -vf "subtitles=sub.ass" \
c:v libx264 -preset medium -crf 20 -c:a aac -b:a 192k \
output.mp4
把這段包成 Python 函式，每次只要傳入素材清單與音檔路徑，就能產出成品。
五、串接與排程：把整條產線黏起來
各層都能獨立運作之後，接著要解決「怎麼讓它們自動接力」的問題。這一段談工具鏈組合與錯誤處理。
5-1 常見工具鏈組合
依你的技術背景，我會推薦三種組合：
對個人創作者而言，「半自動」通常是最佳解。你只需要會基本的 Python、看得懂 API 文件，就能在一個週末把整條產線架起來。
5-2 錯誤處理與重試機制
無人值守最大的敵人是「半夜三點 API 回 429」。因此每一個 API 呼叫都應該包在重試邏輯裡，建議採用指數退避（exponential backoff）：第一次失敗等 5 秒，第二次等 15 秒，第三次等 45 秒，最多重試三次。若仍失敗，就記錄下來並跳過該支影片，繼續處理下一支，不要讓整批卡住。
另外兩個實用技巧：
這兩點看起來很工程，但實際上只要一張 Google Sheet 加幾個欄位就能做到，效益卻非常大。
六、品質把關與風險管理
自動化跑順之後，真正的挑戰才開始：如何確保產出穩定、不踩法規紅線。
6-1 AI 內容的合規與版權
三件事必須注意。第一，素材授權：素材庫的免費素材通常可商用，但仍要看個別授權條款；AI 生成圖像則要注意你所使用的模型之商用條款。第二，平台揭露規範：部分平台要求標註 AI 生成內容，建議在描述欄固定加一行說明。第三，內容真實性：不要讓 AI 生成不存在的數據或引用，腳本階段就應要求「所有數字必須來自提供的資料」，避免生成幻覺造成名譽風險。
6-2 人工複審的「最小介入」設計
我建議的複審流程是這樣的：每天早上花 15 分鐘，打開當日生成的 5 支影片，每支只看前 10 秒與最後 10 秒，中間隨機跳看 10 秒。檢查三件事：開頭鉤子夠不夠力、畫面有沒有明顯崩壞、字幕有沒有錯字。發現問題就記錄下來，累積一週後回頭修正提示詞模板或參數。這種「抽樣 + 回溯修正」的模式，能把人力控制在最小，同時讓品質逐週提升。
七、實戰案例：一天產出 20 支短影音的排程範例
以下是一個實際可用的排程範例，假設你要經營一個 AI 工具教學頻道，每天要發 3 支短影音，一週 21 支。
每日 02:30：逐句生成 TTS 音檔，同時建立時間軸對照表。
每日 03:40：生成 ASS 字幕檔，挑選配樂。
每日 08:00：發送複審通知，人工抽樣檢查。
整套流程的雲端 API 成本，依使用量估算，一支 60 秒影片大約落在新台幣 3～15 元之間（取決於是否使用付費文生圖與對嘴），遠低於外包剪輯的行情。而人工投入時間，從原本每支三小時降到每天 15 分鐘複審，等於用 1% 的人力維持同樣的產出規模。
八、常見問題 FAQ
Q1：完全不會寫程式，也能做到無人值守嗎？
可以，但建議從「半自動」開始。先用 Make 或 Zapier 串接三個步驟（選題 → 腳本 → TTS），熟悉資料流的概念之後，再逐步加上剪輯環節。
Q2：AI 生成的影片會不會被平台降權？
平台在意的是「觀眾是否喜歡」，而不是「是否為 AI 生成」。只要內容有資訊價值、觀看完成率高，就不會因為用了 AI 而被懲罰。真正會被降權的是搬運、重複、無意義的內容。
Q3：如何避免每支影片看起來都一樣？
在提示詞中加入「變化參數」：每次隨機指定不同的開頭句型、不同的敘事視角（第一人稱 / 客觀教學 / 反問）、不同的視覺風格。光這三個維度就能組合出數十種變化。
Q4：素材生成失敗怎麼辦？
建立「備援素材庫」：預先準備 50 張通用背景圖與 20 段通用 B-roll，當生成失敗時自動改用備援素材，確保影片一定能輸出。
Q5：需要多強的電腦？
如果全部走雲端 API，一台普通筆電就能跑；只有在本地執行開源圖像或對嘴模型時，才需要獨立顯卡。多數個人創作者用雲端 API 的總成本，仍低於購買高階顯卡。
九、結語：自動化的終點是「把時間還給創意」
無人值守的 AI 影片產線，本質上是一場「把重複勞動規則化」的工程。你花在架設流程上的那幾個週末，會在未來半年、一年裡，用數百支影片的產出回報你。但請記住，自動化不是為了讓你躺著不動，而是把你從剪片、對字幕、找素材這些機械性工作中解放出來，讓你能把精力放在真正無法被取代的事情上：選對題目、說對故事、理解你的觀眾。
工具會一直變，模型會一直換，但「五層式流水線」與「結構化腳本」這兩個核心觀念不會過時。先從最小可行的三步驟開始跑起來，讓它每晚替你工作，你會發現創作這條路，忽然變得寬闊很多。
如果你也在打造自己的自動化產線，歡迎把這篇文章收藏起來，照著章節一步步実作。下一篇文章我會談「如何用數據回饋自動優化選題」，讓你的產線不只好用，還會自己進化。