最近我花了不少时间和 AI 一起做视频。
一开始做的是「VibeCoding 技术栈」，介绍一些能直接用在项目里的东西。后来又做了 AI 产品讲解、应用宣传片，再到这两天尝试的手书 PV。一路做下来，我提得最多的要求大概是：这里太慢了、这句话说人话、画面和声音对不上，还有，回去看看之前那一期。
听起来像在反复挑毛病，但这些问题真的会决定一个视频能不能看下去。
先把一个东西讲明白
做技术栈视频时，我最在意的是，观众看完能知道它可以拿来做什么。
比如 Fuse.js，重点应该是搜索。演示可以放在一个资源库里，但如果花太多时间介绍资源库，观众就会忘记这期到底在讲什么。Ant Design 也是一样，如果一直展示后台管理页面，就容易把一套设计体系讲成一个后台模板。
还有一些问题，写文案时看着没什么，放进视频里就很明显。
口播说「换上自己的图片，也能复用这套玻璃效果」，画面里就真的应该有一张图片。说「给 AI 这样讲」，对应的提示词就该完整出现。说运行一条命令，也得先让小白知道在哪里运行、运行以后会发生什么。少了这些，视频看起来做完了，观众却还停在原地。
后来我越来越少接受「这一段差不多能表达这个意思」。声音讲到哪一步，画面就应该让人看见哪一步。
最麻烦的是那些说不清楚的「差一点」
GSAP 那一期成了我后面反复拿出来对照的例子。
它的转场和演示比较自然。后来的片子虽然也有标题、字幕、案例和动画，放在一起看，差别还是很大。有的元素刚进来就停住了，有的场景为了等口播，挂在屏幕上好几秒。还有些转场只是整张画面推走，再把下一张推过来，用多了特别像模板。
最开始我也会说「再高级一点」「再灵动一点」，但这类要求太笼统了。后来只能把问题拆开：哪个东西该动，为什么动，运动到哪里结束，下一张画面怎么接住它。
我也试过要求每个场景里始终有东西在动。很快又发现，如果只是一个装饰不停旋转，或者所有元素都在轻轻漂浮，也没解决问题。观众需要看的东西依然可能被挡住，真正应该展示的操作依然没有发生。
所以我开始把比较稳定的要求整理成 SKILL：字体统一用 MiSans，配音的音色和响度固定，字幕跟着句子走，检查遮挡，保留合适的片头，视频和封面按统一规则归档。
这能省掉很多重复提醒。但具体一段怎么拍、一个转场怎么接，还是得逐次看。把规范写下来，并不会自动得到一条好视频。
看完《超辉夜姬》，我又开始折腾手书
最近看完《超辉夜姬》，我想做一个相关的 PV，把电影里的情节和人物关系配着音乐讲一遍。
这件事很快就把前面的工作流难住了。
技术视频里，一个按钮变成另一个按钮，或者一个窗口放大，通常还能成立。人物就完全不同。脸稍微偏一点，眼睛和发型稍微变一下，就像换了个人。尤其是转头，同一个角色的正脸和侧脸单独看可能都还行，接起来却很奇怪。
最早的版本还有另一个问题：画面只是静止的图，镜头慢慢推近，再移到下一张。有人物，也有音乐，但看起来很薄。后来增加背景、换姿势、加运镜，仍然没有达到我想要的感觉。
我一度换了个方向，让 AI 用代码做音乐 MV。我说，想象你只能操作屏幕上的像素，画出一个故事。沟通了几轮，又说可以把屏幕理解成 A×B 个灯珠。
最后确实做出了一段灯珠组成的画面，也能看出人物和动作，但离我想看的东西还是有距离。工具换了，故事和画面的问题仍然在那里。
静态手书，真正值得学的是画面怎么接起来
后来我找了一支 OC 手书《匙ノ咒》作为参考。
我之前关注得更多的是人物画得怎么样、构图长什么样。真正拿来对照自己的片子时，才发现只看几张截图远远不够。
同样是静态画，为什么原片看起来那么丰富？一个表情停多久，什么时候突然切到眼睛，分镜框怎样变化，文字如何进入画面，线条怎样跟着情绪出现，这些都得连起来看。
我反复提醒 AI：别光看某几帧，要看整个动效和转场。
我们自己的版本恰恰缺这些。转场生硬，画面里的动效偏少，甚至把文字全部去掉了。可是在这种 PV 里，文字本身就是画面的一部分。它的位置、大小和出现方式，都在参与节奏。
我现在允许人物上色，但要求特征保持一致。也拿到了参考作者关于复刻动效和转场的部分许可，原有的人物和剧情不能沿用。因此内容还是围绕《超辉夜姬》重新做，音乐用我提供的那首。
这也意味着，即使参考了原片的做法，换了音乐以后仍然要重新安排时间。把原来的切点直接套过来，很容易又变成画面在动、音乐在另一边响。
开源项目给了我一个更具体的入口
最近还看到《残光》的开源 PV 项目。比起一直告诉 AI「做得更好一点」，直接看一个完整项目怎样组织素材、画面和时间线，显然更有用。
目前看到的实现里有 Canvas 分层绘制，也用到了 WebGL 和 JIZURA 相关能力。它让我可以沿着现成的制作方式继续研究，而不是每次从一个空画布重新试。
不过，这一步还在适配。我现在没有一条满意到可以说「终于做出来了」的手书成片，也不想把生成了素材、跑通了渲染写成已经完成作品。
接下来我想先把一小段做对。人物在连续镜头里能认出来，文字和线条有各自的作用，画面切换能接上音乐，看完还能明白这一小段发生了什么。
最近的探索大概就是这样。有些东西已经发出去了，有些改了很多版，有些试过以后放下了。AI 确实让我能很快做出一版东西，但做完以后坐下来，认真看它到底哪里不对，这部分时间一点也省不了。
参考：