自动化 PPT 视频HERMES & AGENT ENGINEERING · 课时 03

3.1 PPT视频制作的主要成本

首先说明一下，PPT视频和普通视频的区别。PPT 视频通常更接近于传统的 PPT，主要用来讲解知识、商业计划、产品介绍，你就可以把它当做是一个有语音的 PPT。

而普通的视频更接近于 AIGC 产出的视频，里面有人物、有场景、有镜头语言。以现在 AI 的能力，能把 PPT 视频自动化就很不错了。不要奢望能自动化 AIGC 视频。

一篇文章要变成视频，大致会经过这样一条链路：

原稿 → 分页 → 画面（动效） → 口播 → 字幕 → 录制 → 导出

单看每一步，都不算难。但经过这么长的链路，还要保持较高的质量，就是一件很难的事儿。

而我认为视频制作最麻烦的有两件： 1. 文章里改一段文字，通常改完就结束了；视频里改一句话，可能会一路影响声音、字幕、画面和时间。 2. 如何让AI 真的理解内容，而不是堆砌文字。

上面两张图，就是典型的 AI 没有理解内容，它只是简单地把内容做了分类。然后用比较结构化的方式展示了出来。看起来整齐，但这不是 PPT，这就是 PDF 文档。看这个东西和看文档没区别，它适合自己看，不适合给别人"讲"。

3.2 直接生成视频的问题

Hermes 已经有不少相关能力。它能写 HTML，能调用 TTS，能处理字幕，也能用浏览器录屏。所以，只是让它把文章做成视频，并不困难。

随便准备一篇文章，然后给 Hermes 输入一条指令：

请把这篇文章做成一支知识讲解视频。首先根据内容生成 PPT，并配上语音旁白和字幕，最后导出mp4 视频。

Hermes 会生成页面，也会合成音频，也能导出一个视频文件。但它多半只是“生成”，谈不上“制作”。

生成出来的幻灯片，往往只是把文章切成几页。标题放上去，下面列几条要点。声音按页面念一遍，字幕跟在底部。视频可以播放，但还是这个问题，这是念文章，不是 PPT 视频。

普通生成指令肯定做不出好的 PPT 视频。它不会先证明自己读懂了原稿，也不会先写清楚每一页要让观众明白什么，更不会判断哪些内容该上屏、哪些内容只适合留在声音里。

少了这些中间环节，AI 很容易把视频做成一份自动翻页的文档。

3.3 通用 AI 视频工具的边界

当然市面上也有很多自动化 PPT 视频的 Skill。

但我尝试后发现，效果很一般。当然这未必是 Skill 的问题，还是我之前的观点：每个人都应该有自己的定制Skill。其他人做的一定不好用。如果你下载本章我提供的示例 Skill 后，发现它也不好用，这说明你进步了，理解了我说这句话的意思。

大多数的自动化 PPT 视频的 Skill 都是基于前面我们谈到的最简单的流程：

输入文字 → 自动分镜 → 匹配素材 → 合成视频

然后在这些流程中，嵌入了一些主题、风格、布局、字幕等小细节。但没有解决那个根本问题：AI 依然是在堆砌文字，而不是根据文字设计画面。

这样的 Skill 适合新闻摘要、社交媒体短片。画面和文案大致相关，节奏够快，观感不差，就能覆盖很多场景。

而知识类视频不一样。知识类视频里的画面不是装饰，它本身就承担解释工作。

讲因果关系，画面要让观众看见原因怎样推到结果。讲对比，画面要让差异落在同一套坐标里。讲层级，底层和上层的位置关系要稳定下来。

所以本章后面要做的，不是再写一个“输入文字、自动生成视频”的通用工具。

真正的问题是：怎么让 Hermes 先读懂内容，再根据内容去设计画面。这个问题如果不解决，后面再加主题、字幕、语音、动画，效果也只是在一份文档外面包了一层视频壳。

下一节，我们就看这个 Skill 到底怎么设计。

3.4 ■ 学点英语