全 SaaS 网页工具
每月不到一期;完全不想碰技术
$20–60/月 · 低
△ 订阅费超过单期收益;剪辑开始像录入数据一样机械
图集 · L0–L3
不露脸做 YouTube 视频
你有想表达的东西,但不想露脸。剪辑软件路线意味着每月 $50+ 的订阅,和每期几小时的时间轴拖拽。 流水线路线把视频当代码:录下你的声音,AI 转写并对齐字幕,画面由代码渲染——每一期都在复用同一台"机器"。 本页先给出所有可行的搭法全景,再标出我们每周真实在跑的那条路。
设计哲学
不露脸频道卖的是一副嗓音和一种观点。流水线存在的意义，是让每多做一期，只需要付出思考，不需要付出剪辑。
嗓音就是品牌
观众回来，是为了你怎么想、怎么说。时间线、字幕、渲染都可以自动化，唯独观众真正为之而来的那部分不行。
一期视频就是一份代码
如果一期视频能从文稿、录音和模板重新生成，改个错别字就是重新渲染一次，而不是一整晚拖素材。
留存胜过精修
观众在前三十秒离开，而不是在转场处离开。先在开头的钩子和节奏上用力，再考虑任何视觉特效。
如果你是一个人、时间比钱多、希望做得越多单期成本越低,走代码流水线(标了推荐)。 只有当你每月发不到一期时,SaaS 网页工具路线才值得考虑。
图号L0
第一期
谁在用你和最初的几位观众
每月$0
①为什么升级
你想先知道自己到底有没有一档节目。现在还没人等着看第二期，所以做完一期，比搭任何系统都重要。
②架构
录下你的声音，让语音模型生成字幕，其余部分用你手上现有的简单剪辑工具拼起来。什么都不自动化；你在学的是哪些步骤会重复。
Δ 本级新增
- + 一支像样的麦克风
- + 一份文稿模板
对应地图上的形态: 半本地(录音 + AI 字幕 + 模板化剪辑)
③工具
所有环节都用免费的本地工具。这一级唯一值得花钱的是麦克风：糟糕的音质赶走观众，比朴素的画面快得多。
④代码与测试
- 关掉声音，在手机上看一遍成片：只看字幕也应该能看懂。
- 上传前测一下响度；声音太小或爆音，是第一期最常见的毛病。
- 把你做过的每一步手工操作都记下来；这份清单就是下一级的需求说明。
图号L1
每周更新
谁在用等着下一期的订阅者
每月$0–10
①为什么升级
你每周都在重复同样的二十次点击。更新节奏已经形成，花在剪辑上的每一小时，都是没花在写稿上的一小时。
②架构
一期视频变成一次构建：文稿，然后是你的录音，然后把字幕强制对齐，然后用代码模板渲染画面，最后合成一次。一条命令，把原料变成成片。
Δ 本级新增
- + 用代码渲染的画面
- + 可复用的场景模板
- + 从原料到成片的一条命令
对应地图上的形态: 全代码化流水线(我们的路线)
③工具
选能用脚本驱动、而不只能用鼠标操作的工具。只能靠点击完成的东西，以后没法交给 agent。
④代码与测试
- 固定工具和模型的版本，上个月那一期现在也能一模一样地重新生成。
- 每个模板留几帧参考画面，新渲染出来的结果和它们比对。
- 响度检查放进流水线自动做，不要靠耳朵。
图号L2
开始赚钱的频道
谁在用观众、赞助商，以及平台的版权系统
每月$10–50
①为什么升级
频道开始有收入了。从现在起，一次版权申诉就能拿走一期视频的收入，丢一份原始录音，就意味着那一期永远没法再修。
②架构
流水线新增三样东西：记录每个素材从哪来、用什么授权；备份所有原始录音；发布前加一道检查。付费音乐和素材库，只能经由这份记录进入流水线。
Δ 本级新增
- + 每个素材的授权记录
- + 原始录音的备份
- + 发布前的版权检查
- + 模板里的赞助披露
对应地图上的形态: 全代码化流水线(我们的路线)
③工具
钱先花在正版音乐和素材上；这是防止丢掉一期收入最便宜的保险。
④代码与测试
- 没有授权记录的素材一律不许进入渲染，让流水线直接拒绝。
- 原始录音备份两处；渲染可以重做，你的那次表演不行。
- 先以私密状态上传，等平台版权检查过了再公开。
图号L3
多频道、多语言
谁在用好几种语言的观众
每月$50–300+
①为什么升级
一次录音本可以服务好几种语言或好几个频道，而在自己电脑上渲染已经成了瓶颈。
②架构
渲染搬到云端的队列里跑；文稿按语言本地化，每种语言都有人工审校；合成语音只在品牌允许、并且符合平台披露规则的地方使用。
Δ 本级新增
- + 批量渲染队列
- + 有人工审校的本地化文稿
- + 合成内容的披露标签
对应地图上的形态: 全代码化流水线(我们的路线) · 全 AI 生成(合成声音与画面)
③工具
本地化是质量悄悄下滑的地方。先给每种语言配一位母语审校的预算，再考虑加渲染算力。
④代码与测试
- 合成的声音与画面，按各平台现行规则打上标签。
- 每一批、每一种语言，发布前都抽样审一遍。
- 按语言追踪留存率；一份赶走观众的翻译，比没有翻译更糟。
架构全景图
这件事所有可能的搭法。它们大半的意义,是让你知道哪些现在还不该碰。
半本地(录音 + AI 字幕 + 模板化剪辑)
周更节奏,能接受桌面软件操作
$0–20/月 · 低-中
△ 每期都在重复同样的 20 次点击——那就是一段还没被写出来的脚本
全代码化流水线(我们的路线)
周更以上、单人作战、想把边际成本压到接近零
$0/月 起步 · 前期中等,跑通后接近零
△ 频道收入够买回你的录音时间时——连配音环节也可以自动化
全 AI 生成(合成声音与画面)
多频道走量打法;声音不构成个人品牌时
$10–100+/月 · 中
△ 平台对合成内容的标注越来越严;完播率下滑会先给你信号
你真正需要的概念
每个概念一句人话 + 一个比喻。点击任何工具模块,也有同款科普。
- 强制对齐
- 把已知文字稿的每个词,精确对到音频里的时间点。
- ≈ 像卡拉 OK 的歌词,唱到哪个字哪个字亮。
- 帧率与时间轴
- 视频只是快速播放的静止图片;30fps 意味着每帧占 1/30 秒。
- ≈ 一本翻页动画书——你的代码决定每一页画什么。
- 渲染
- 把代码/时间轴描述变成真正的视频帧——最慢、最吃 CPU 的一步。
- ≈ 烘焙的进烤箱环节——菜谱写完了,剩下的交给火候和时间。
- 编码与封装格式
- 编码(H.264)决定像素怎么压缩;封装(.mp4)只是装它的盒子。
- ≈ 真空压缩袋(编码)和快递纸箱(封装)的关系。
- 响度与闪避(ducking)
- 说话时 BGM 要自动变小声;平台还会统一整体响度(LUFS)。
- ≈ 好 DJ 在主持人拿起话筒的瞬间,手已经把音乐推子拉下来了。
把 skill.md 带走
本场景的 Skill 中心主义起手文件——在第一句提示词之前先喂给你的 Agent。规划、工具栈、已知的坑都在里面。