LINE A · 复刻爆款复刻线
对标爆款 → 解构分镜 → 换成自己品牌主播（真人底片 + 克隆音色 + 唇形同步）→ 重写口播 → 合成投放素材。稳态成本 ~$1.8/条。
解构 ≈ $0 · 生成 $1.8/条一条 URL
到一条成片
把「抖音爆款复刻」与「AI 短剧」两条生成线做成网页产品：伙伴贴一个抖音链接、选一个主播，拿到 80% 完成度的粗剪成片——懂行人只做最后一道终审。
// 结论：可行 · 分四期约 6-9 周 · 真正的难点不在上云，在「人在环」的位置设计
DECONSTRUCT 解构
REPLICA 复刻 $1.8/条
SHORT-DRAMA 短剧 $7-15/条
CLAUDE AGENT SDK
HITL 两级审片
FAL.AI · SEEDREAM · OMNIHUMAN
ZERO GPU 依赖
SCROLL / 向下滚动
01
The Problem
两条线都能跑，但每条都拴着一个懂行人
复刻线（真人底片 + 音色克隆 + 唇形同步）和短剧线（Seedream 锚点图 + OmniHuman 音驱动）都已跑通、成本可控。问题是每条视频都要一个懂 Claude Code 的人全程操作 1-2 小时——解构看帧、改稿、逐步调 API、审片、合成，全在终端里手工串。
🎬
🎭
LINE B · 短剧AI 短剧线
卖点 → 剧本分镜 → Seedream 锚点图（真人质感）→ OmniHuman 单步音驱动（口型+表情+身体一步到位）→ 合成。单条 $7-15。
锚点图 $0.03/张 · 成片 $7-15/条
真正的瓶颈
按周产 30 条算就是 ~45 人时/周，而且串行在一个人身上——单点瓶颈。产品化要消除的是「必须懂 Claude Code」这道墙，而不是消除人工判断：审片关卡恰恰是这两条线能出成绩的原因。
02
Pipeline Anatomy · Who Does What
逐步拆开：哪步是机器，哪步是模型，哪步是人
评估产品化可行性的第一步是把每条线摊开，给每一步标上「执行者」。青色＝纯机器 · 紫色＝本地脚本 · 蓝色＝LLM 判断步 · 琥珀＝人工。
▍LINE A · 复刻线（现状）
API
取片 去水印服务解析抖音链接，拉无水印原片（冷启动 30-150s）
取片 去水印服务解析抖音链接，拉无水印原片（冷启动 30-150s）
脚本
解构 TransNetV2 切镜头 + RapidOCR 抠字幕 + SenseVoice 转写，双轨互校 → 抽帧落盘（92s 视频约 5-8 分钟，全 CPU）
解构 TransNetV2 切镜头 + RapidOCR 抠字幕 + SenseVoice 转写，双轨互校 → 抽帧落盘（92s 视频约 5-8 分钟，全 CPU）
LLM
看图出稿 逐镜看帧、成对看首末帧判运镜（固定/手持/推近/拉焦），裁决解说词，产出七要素分镜表
看图出稿 逐镜看帧、成对看首末帧判运镜（固定/手持/推近/拉焦），裁决解说词，产出七要素分镜表
LLM
改稿+规划 重写口播稿（保要点、卡时长）；划分真人出镜窗口 vs 插页窗口——只给出镜窗口买唇形，是核心省钱点
改稿+规划 重写口播稿（保要点、卡时长）；划分真人出镜窗口 vs 插页窗口——只给出镜窗口买唇形，是核心省钱点
API
生成 音色克隆（复用已登记 voice_id）→ TTS → 唇形同步，逐段调云端 API
生成 音色克隆（复用已登记 voice_id）→ TTS → 唇形同步，逐段调云端 API
脚本
合成 ffmpeg 擦字幕（逐帧 inpaint）、切段、拼接、上字幕（Pillow 渲染）
合成 ffmpeg 擦字幕（逐帧 inpaint）、切段、拼接、上字幕（Pillow 渲染）
人工
验收 亲自听配音、看嘴型全程——LLM 听不了音频，这一步无法自动化
验收 亲自听配音、看嘴型全程——LLM 听不了音频，这一步无法自动化
▍LINE B · 短剧线（现状）
LLM
剧本分镜 从卖点写对白、规划多角色反打架构与镜头分割——目前纯手工创作，无固化 prompt
剧本分镜 从卖点写对白、规划多角色反打架构与镜头分割——目前纯手工创作，无固化 prompt
API
锚点图 Seedream 4.0 以真人照片为锚点扩景生图，$0.03/张，真人感 90% 在这一步决定
锚点图 Seedream 4.0 以真人照片为锚点扩景生图，$0.03/张，真人感 90% 在这一步决定
人工
批准 人工过目「像同一个人、有真人感」后才进全量生成
批准 人工过目「像同一个人、有真人感」后才进全量生成
API
音驱动 TTS 配音 → OmniHuman 单步音驱动（口型+表情+身体），音频 ≤30s 分段，输出多 0.1-0.15s 需 trim
音驱动 TTS 配音 → OmniHuman 单步音驱动（口型+表情+身体），音频 ≤30s 分段，输出多 0.1-0.15s 需 trim
人工
排时间轴 画面/字幕切片锚到配音里被念到的真实时刻、TTS 慢 15-18% 逐镜迁就——这套对齐规则目前是人工手算，未脚本化
排时间轴 画面/字幕切片锚到配音里被念到的真实时刻、TTS 慢 15-18% 逐镜迁就——这套对齐规则目前是人工手算，未脚本化
脚本
合成 ffmpeg concat 滤镜防漂移拼接 + 响度归一化 → 成片
合成 ffmpeg concat 滤镜防漂移拼接 + 响度归一化 → 成片
// 关键观察：机械步早已全部脚本化，真正拴住懂行人的是蓝色（LLM 判断）和琥珀色（人工审）两类步骤——产品化的全部功课就在这两种颜色上。
03
Dependency Audit · Local → Cloud
本地依赖审计：上云比想象中容易
逐项核对了两条线的本地电脑依赖。最重要的发现：整条链路没有任何 GPU 依赖——重活全在云端 API，本地只有 CPU 计算。「摆脱本机」是这次产品化里最容易的部分。
| 本地依赖 | 用途 | 上云结论 |
|---|---|---|
| ffmpeg / ffprobe | 抽帧、切段、拼接、音频时长校验、响度归一化 | 容器内置 · 难度低 |
| TransNetV2 + RapidOCR + SenseVoice | 解构端切镜/字幕 OCR/语音转写 | 全 CPU · 模型烘进镜像 · 难度低 |
| opencv inpaint | 逐帧擦烧录字幕 | 纯 Python · 难度低 |
| mlx-whisper | 复刻线转写取时间戳 | ⚠ Apple 专用 → 换 faster-whisper · 难度中 |
| Pillow + macOS 系统字体 | 中文字幕/字卡渲染（字体路径硬编码） | ⚠ 换开源中文字体打包 · 难度中 |
| Claude Code 交互会话 | 所有 LLM 判断步 + 手工编排 | ⚠ → Agent SDK headless · 需实验验证 |
Key Finding
唯一带不确定性的迁移是最后一行：LLM 判断步从「交互式会话（有人随时纠偏）」搬到「headless 无人值守」，质量保真是假设不是事实——所以路线图的第一步（M0）是保真实验，不是写代码。
04
Hard Blockers · Why "One Click" Is A Lie
「一键出片」骗不了的四个卡点
对抗性评审的结论：如果产品定义死抠「URL 进、成片出、全程无人」，这四个卡点会把它撞碎。产品必须绕它们设计，而不是假装它们不存在。
🧍
BLOCKER 01复刻线的输入不是 URL，是真人底片
铁律「真人底片打底，不 AI 生成人像」有实证支撑：纯 AI 换脸整片被抖音打 AI 角标+限流，互动只有真人版的 1/100 ~ 1/10000。URL 只能喂解构，造不出人。
对策 → 固定主播资产库，伙伴只选不传
👂
BLOCKER 02音频与真人感必须人在环
LLM 听不了音频——唇形同步、配音自然度只能人听人看；锚点图「像不像同一个人」是主观视觉判断。这些关卡是多轮审片教训沉淀的，删掉＝系统性出废片。
对策 → 审片站：暂停-批准-继续，不是删关卡
🔗
BLOCKER 03不存在端到端编排层
现在「Claude Code 就是编排器」：分步 CLI 逐个手调、storyboard 手写、时间轴对齐手算。产品化＝从零写一个后端 orchestrator，这是工作量的大头。
对策 → 任务状态机 + 对齐规则代码化
💳
BLOCKER 04外部账号是人工死结
生成 API 无余额查询接口，耗尽静默失败（曾整线锁死）；克隆音色 7 天不用自动回收。密钥目前靠人从服务器上手工取。
对策 → key 收编服务端 + 余额哨兵 + 显式告警
05
Product Positioning · Four Decisions
四个定位决策，砍掉一半工作量
这四个决策把产品从「不可能的全自动 SaaS」收敛成「可落地的内部生产工具」。每一个都在换取工程量的数量级下降。
👥
DECISION 01内部伙伴 <10 人
不做注册/计费/防滥用整层。简单口令即可，复用现有部署体系。
✂️
DECISION 0280% 粗剪 + 懂行人终审
产品负责 0→80%（解构、生成、合成）全自动化，最后一道「能不能投」由终审者点批准。从「全程操作」退到「只点批准」，不追求完全退出。
🗂️
DECISION 03固定主播资产库
品牌主播底片 + 已克隆音色预先登记成资产库，伙伴只选不传。免去底片质量校验和音色克隆管理，新主播由管理员线下录入。
📊
DECISION 04周产 10-50 条
编排层值得做（人工跑早已超过一个人产能）；生成按量付费 $100-750/周可控，暂不自建 GPU 降本。
角色变化 · 产品交付的核心效果
懂行人时间从 ~45 人时/周（全程操作、串行单点）降到 ~4 人时/周（伙伴分摊节点审，终审者只剩 ~1.5h）。这就是这个产品要买的东西。
06
Target Architecture
目标架构：一个编排服务，三种执行者
新建独立编排服务（与现有 n8n 体系平行、互不侵入）。设计原则一句话：确定性判断走代码，模糊判断走模型，人只审关键节点。
Frontend▲ 静态页
网页三件套
提交页 · 任务列表 · 审片站
选产线 + 贴抖音 URL + 选主播 + 填卖点，秒回任务号；全异步轮询，彻底绕开 webhook 30s / 代理 60s 超时坑。
零框架静态页 · 同服务托管
Orchestrator✦ 云端 VM
FastAPI + 任务队列
job 状态机 · 步骤编排 · 断点续跑
机械 worker（解构/生成 API/ffmpeg 合成）直接迁现有脚本；每 job 成本记账 + 超阈值自动暂停，防循环重生烧钱。
performance CPU · auto-stop 省钱 · 无 GPU
LLM Layer◈ Agent SDK
判断步 headless 化
看图出稿 · 改稿 · 分镜规划 · 帧质检
现有 skill 的 prompt 与看帧流程原样固化成 headless agent，输出全部结构化 JSON（schema 校验），机械层拿 JSON 驱动。
Claude Agent SDK · M0 实验先行
运维件
对象存储放中间产物与成片 · Lark 卡片驱动审片通知 · 余额哨兵定时试探生成 API（403 即红色告警）· 密钥全收编服务端，伙伴永远不碰 key。
07
Migration Map · Reuse Over Rewrite
迁移映射：能直接搬的绝不重写
逐步映射后的结论：大部分是直接迁，新写集中在三块——编排状态机、短剧时间轴对齐、审片站前端。
| 环节 | 处理方式 | 类型 |
|---|---|---|
| 取片去水印 | 现有服务直连，失败显式报错（冷启动前端提示） | 直接迁 |
| 解构全套 | 切镜/OCR/转写脚本容器化，模型烘进镜像免冷启动下载 | 直接迁 |
| 擦字幕 / 生成 API 调用链 | 现有脚本原样迁，音色从资产库表读 | 直接迁 |
| 转写 | mlx-whisper → faster-whisper（接口一致） | 改造迁 |
| 合成器 | 字体换开源中文字体打包；响度归一化内置（现为手工步骤） | 改造迁 |
| 看图出稿 / 改稿 / 分镜规划 | skill prompt 固化为 headless agent，JSON schema 输出 | Agent 化 |
| 短剧剧本 agent | 反打架构 / 提示词规范从经验库提炼固化——短剧线最重的 LLM 新写 | 新写 |
| 短剧时间轴对齐 | TTS 慢 15-18% 迁就规则、镜头时长=max(分镜,配音+0.15s)——确定性计算，代码化，不留给 LLM | 新写 |
| 编排状态机 | job/steps/暂停恢复/打回重试映射，两线共用 | 新写 |
| 审片站前端 | 两级审核交互（见下节） | 新写 |
设计原则的一次落地
时间轴对齐现在是「LLM/人手算」，但它有确定性答案——所以产品化时归入代码而不是模型。凡是状态码能回答的，不让模型在 prompt 里抖 if-else。
08
Review Station · Human-In-The-Loop By Design
审片站：把「人在环」变成产品功能
审片不是产品化的敌人，是质量的来源。设计要点：关卡卡在烧钱步骤之前，打回越早越便宜；通知驱动，伙伴不用盯网页。
🖼️
节点审 · 伙伴自己做短剧线：锚点图关卡
网格图对照审「像不像同一个人、真人感够不够」，卡在全量视频生成之前——打回只烧 $0.03/张，放过去就是 $7/条。
🔊
节点审 · 伙伴自己做复刻线：唇形音频关卡
内嵌播放器听配音 + 唇形抽帧对照，卡在最终合成交付之前，打回重跑 TTS/唇形只要 $0.1-0.5。
↩️
打回机制结构化原因 → 预设重试
不写自由文本：选原因（不像同一个人 / 唇形对不上 / 手势被裁 / 语速怪）→ 每种原因映射预设重试策略（换 seed / 扩景别 / 调语速 / 换锚点）。同节点打回 2 次不收敛 → 自动转人工工单，Lark 红卡告警，不无限烧钱。
✅
终审 · 懂行人成片页：能投 / 不能投
播放成片 + 本条成本小票 + 一键批准。批准后成片落正式存储、Lark 绿卡通知交付；不批准转工单。每到待审节点自动推 Lark 卡片（缩略图+链接），通知驱动而非盯网页。
09
Roadmap · M0 Before Everything
四期路线：实验先行，每期都有可用交付
整个方案里唯一未被验证的假设是「LLM 判断步 headless 化后质量保真」——所以它排在一切代码之前，不达标就先调 prompt / 换模型，绝不带病开工。
M0
1-2 天 headless 保真实验（硬门槛）：5 条已人工解构过的视频重跑「看图出稿」+ 1 条复刻重跑「改稿+分镜规划」，对照人工版打分。通过线＝终审可修（≤2 处错/条且无结构性崩坏），顺带测更小模型能否胜任（LLM 费直接减半）
1-2 天 headless 保真实验（硬门槛）：5 条已人工解构过的视频重跑「看图出稿」+ 1 条复刻重跑「改稿+分镜规划」，对照人工版打分。通过线＝终审可修（≤2 处错/条且无结构性崩坏），顺带测更小模型能否胜任（LLM 费直接减半）
M1
1-2 周 骨架 + 解构页上线：FastAPI 任务队列 + 前端壳；URL → 七要素分镜稿下载，全自动零审片。最窄的楔子——先让伙伴用起来攒反馈
1-2 周 骨架 + 解构页上线：FastAPI 任务队列 + 前端壳；URL → 七要素分镜稿下载，全自动零审片。最窄的楔子——先让伙伴用起来攒反馈
M2
2-4 周 复刻线全链：主播资产库 + 审片站两级审 + 余额哨兵/成本记账。出口标准：一条复刻端到端不碰终端
2-4 周 复刻线全链：主播资产库 + 审片站两级审 + 余额哨兵/成本记账。出口标准：一条复刻端到端不碰终端
M3
2-3 周 短剧线：剧本 agent + 时间轴对齐代码化 + OmniHuman 编排。出口标准：一条短剧端到端
2-3 周 短剧线：剧本 agent + 时间轴对齐代码化 + OmniHuman 编排。出口标准：一条短剧端到端
// 总计约 6-9 周，每期结束都有可独立使用的交付，不憋大招。
10
Cost Analysis · vs. Local Claude Code Production
成本对比：钱多花一点，时间省一个量级
按周产 30 条（两线各半）与本机 Claude Code 人工生产对比。生成 API 费用完全不变，变化在 LLM 计费方式、基础设施和人力。
| 成本项 | 本机人工 → 产品化 | 变化 |
|---|---|---|
| 生成 API 费 | ~$130/周（复刻 $1.8×15 + 短剧 $7.5×15），两种方式调用完全相同 | 不变 |
| LLM 判断步 | 订阅额度内边际 $0 → Agent SDK 走 API 计费，解构看几十张帧 ~$0.5-1.5/条 | ↑ +$15-45/周 |
| 基础设施 | 本机 $0 → 云 VM auto-stop + 对象存储 | ↑ +$5-8/周 |
| 懂行人时间 | ~45 人时/周（1.5h/条全程操作，串行单点）→ ~4 人时/周（节点审 5min + 终审 3min，伙伴分摊） | ↓ 省 ~40 人时/周 |
| 产能上限 | 受一个人的时间硬封顶（周 20-30 条已是极限）→ 受 API 限流与审片吞吐封顶 | ↑ 可到周 50+ |
| 一次性投入 | 6-9 周开发期 | 一次性 |
| 维护税 | 抖音取片改版修复 / prompt 漂移 / 模型变更，估每月 2-4 小时 | 持平偏增（显式化） |
一句话总括：单条货币成本从 ~$4.7 升到 ~$5.5-6.5（+15~35%，主因 LLM 从订阅额度转 API 计费），换来每周 40 人时和单点瓶颈的解除——新增货币成本约等于 1 人时的价格，账显然成立。真正要警惕的不是钱，而是 M0 实验不过关导致质量降级，所以它排在一切之前。