这两年做 AI 视频，大多数人走的是同一条路：打开某个生成模型的界面，敲一句提示词，等上几十秒。它确实强，但也有毛病：贵（按秒计费，做系列改版本账单吓人）、不可控（想要的画面给不出）、文字写不对（中文科普最致命，生成模型几乎写不对中文）。
所以我最近一直在琢磨另一条路：既然 AI 写 HTML、写 React、写 Python 已经写得比大多数新手好了，为什么非要它一帧一帧去画画面？让它直接写一个会动的网页，再把这几千帧渲染成 MP4，不行吗。
下面这五个 GitHub 项目，就是这条路上的五块砖。各自的坑也会一并说，不藏着。
01｜HyperFrames：一句话让 AI 写出一整段动画视频
HeyGen 开源的，口号写得简单粗暴："Write HTML. Render video. Built for agents"。你写一个 index.html，一个 div 就是时间轴上的一段素材，什么时候出现、出现几秒、盖在哪一层，全写在 data-start、data-duration、data-track-index 这几个属性上。渲染器把页面丢进无头 Chrome，一帧一帧定位、一帧一帧截图，最后交给 FFmpeg 编码成 MP4。
逐帧定位这个设计是关键。它不是录屏，所以同一份代码永远渲染出同一支片子，像素级一致。对要做自动化内容管线的人来说，这一条比任何炫技都值钱。
它最聪明的地方，是给 AI 准备了一套说明书。仓库里发布了 21 个 skills，其中一个叫 /faceless-explainer，专门伺候没有产品、没有网页、纯粹讲一个概念的场景。仓库挂着 60119 颗星，Apache-2.0 协议，本地渲染不收费，门槛是先把 Node.js 22 和 FFmpeg 装好。
02｜Remotion：让 AI 用 React 写专业视频
如果说 HyperFrames 是今年的新贵，Remotion 是这条路上修了六年多的老基建。2020 年 6 月建仓，现在 62986 颗星。它的思路是让 React 组件直接成为画面。函数先知道现在是第几帧，剩下的位置、透明度、颜色全由这一帧算出来，useCurrentFrame、interpolate、spring 三个 API 撑起了绝大部分动效。
这套东西早就在生产环境里跑过了。公开报道里被提到最多的两个使用者，一个是 GitHub Unwrapped 那种给程序员生成的年度总结视频，一个是 Fireship 那些节奏极快的技术短片。它的强项就在这里，画面是数据渲染出来的，改一个数字换一张图，不需要重跑一遍美术。
今年官方单独开了一个 skills 仓库，remotion-dev/skills，4994 颗星，一条命令装完：npx skills add remotion-dev/skills。装好之后让 agent 用 /remotion-create 建工程、/remotion-markup 写画面、/remotion-captions 处理字幕、/remotion-render 出片。
两句实话：一是它绕不开 React，完全没碰过前端的人会卡一段。二是它的许可证不是标准开源协议，个人和三员工以内的公司免费用，规模再大要买公司授权。
03｜Manim：数学与科学科普视频的神器
五个里面最"专"的一个。Manim 是一个用 Python 写数学动画的框架，是 3Blue1Brown 那批视频背后的引擎。Grant Sanderson 为了自己的频道写了它并开源，社区版 41393 颗星，MIT 协议。
用法是在一个 Scene 类里摆 Mobject，用 self.play 把 Create、Transform、FadeIn 这些动画按顺序放出来。LaTeX 原生支持，画面上那个公式是真的排出来的公式，不是贴图。讲梯度下降、讲线性代数、讲神经网络里矩阵的形状怎么一层层变，几乎找不到比它更合适的工具。
它过去最大的门槛从来不是思路，是环境。Python、FFmpeg、LaTeX、cairo 一个一个装，报错信息还难看懂。而 Manim 恰好是 AI 最擅长补的那类代码。API 规整、示例海量、报错高度模式化。让 agent 写一个 Scene，渲染失败把报错原样贴回去，它自己改，比自己翻文档快太多。
04｜remotion-video-skill：连配音和字幕都能一起做
前面三个解决的都是画面，这一个把配音、字幕、时间轴一起打包了。它是 GitHub 用户 wshuyi 做的一个 Claude Code Skill，394 颗星。触发方式很随意，跟 Claude Code 说"用代码做视频""编程视频"，或者直接打 /remotion-video 都行。
你说一句"帮我做一个讲解 Python 装饰器的教程视频，5 分钟左右"，它自己把文案拆成场景，逐个生成对应的 React 组件，把讲稿喂给 TTS 出配音，再用 ffprobe 量出每条音频的真实时长反过来定这一场要多少帧，字幕跟着音频走，最后渲成 MP4。
配音给了两条路：Edge TTS 免费，装一条 pip 命令就能出中文声音，适合先把流程跑通。MiniMax 要 API Key，好处是能克隆自己的音色，长期做号的人大概会走这条。
05｜video-shotcraft：让 AI 生成的视频不再像 PPT
最后这个，治的是另一种病。用 agent 写过 Remotion 的人大概都见过同一种成品：白底、居中、一段段文字依次淡入淡出，工整得像公司年会 PPT。AI 视频的坑从来不是"做不出来"，是"能看，但不好看"。
video-shotcraft 是 2026 年 7 月建的库，现在 11130 颗星。它把动效设计拆成了配方卡：157 张镜头配方卡、214 个样式、214 条动态样片，外加一套已经验收过的成片模板。每张卡是完整配方加原生 Remotion 组件，你要哪种感觉，先挑卡，agent 按卡里写的方法去实现，而不是自由发挥。
它给的东西恰好就是那层电影感：真实页面捕获、2.5D 运镜、节奏卡点、电影级音效。9 月又加了动效工作台，片子交付以后 skill 会主动打开一个剪映式的浏览器界面，改完一键导出。它甚至能导出成剪映工程草稿。
把这五个串起来，一条参考工作流
- 选题加科普脚本：交给大模型
- 分镜加动画代码：HyperFrames、Remotion、Manim 三选一。讲数学原理优先 Manim，要页面感和图表动效看前两个
- 中文配音加字幕同步：Edge TTS 或者直接用 remotion-video-skill 这一整套
- 镜头优化加最终渲染：video-shotcraft 补运镜和音效，FFmpeg 出 MP4
我得给一句实话。这条链路里最耗时间的不是生成，是调。指望 agent 一次就出完全满意的片子，概率很低。更现实的预期是第一次出个六十到七十分的东西，改两轮到八十五分。所以真要做系列，先把风格钉死做成模板，之后每期只换内容和数据，边际成本才会真往下掉。
视频创作，可能不等于视频生成
视频创作不等于视频生成。对知识科普而言，准确的信息、有逻辑的动画、清楚的声音，比逼真的画面要紧。一支片子把注意力权重画错了，它再像电影也是废的。代码这条路在"正确"这件事上有天生优势，画面上每个数字都是算出来的。
改起来便宜太多。字打错了改字符串，曲线不好看改函数，图表换数据改 props，重跑一次渲染就行，不必为了一个错别字把整段视频重新生成一遍。这种可控性，在长期做内容的人眼里，比惊艳重要。
门槛正在塌。三年前做这种片子得会前端，得懂动画，Manim 那条还得跟 LaTeX 环境搏斗。现在 AI 编程 agent 承担了相当一部分编码，剩下的活是审美和判断，而这两样恰好是人比模型稳的地方。
这两条路的根本分别在这儿：生成式模型是向模型要一个"看起来像"的结果，代码是告诉程序"它就是这么运作的"。前者给你惊喜，后者给你答案。
所以我觉得 AI 视频的未来，也许不只是让模型学会生成每一帧画面，而是让 AI 真正学会像导演、像设计师、像程序员那样去创作视频。至于哪条路对，取决于你要的是"看不出来是 AI 做的"，还是"说的每一句话都站得住"。
