让 AI 做产品片，别从一句高级科技感开始

我见过很多 AI 产品片，问题都差不多。

画面有了。

字幕有了。

配音也有了。

可它看起来还是像 PPT：几张卡片挪来挪去，一点光效，一点粒子，再配一段很端着的旁白。不能说完全没用，但离正式产品片差一口气。

这口气不是靠一句“更高级”补上的。

产品片要先回答几个很土的问题：

产品到底给谁用？
用户的痛点是什么？
这条片子要证明什么？
有哪些真实截图、功能、流程可以当证据？
参考片的镜头语法是什么？
配音像不像人说话？
字幕有没有漏？
最终视频有没有黑屏、静音、冻帧？

siuserxiaowei/reference-driven-cinematic-video-skill 做的就是这套事。

它不是一个“视频模板”。它更像一套 Codex 制片流程：先理解产品，再拆参考片，再定视觉载体、口播、字幕、动效路线，最后跑质量检查。

这个仓库不大。GitHub API 在 2026 年 7 月 17 日返回的是 39 个 star，open issues 是 0。但它很适合拿来学 Skill 写法，因为它把“做一条产品片”拆得很细。

1. 先把产品 brief 补齐

很多人给 AI 做视频，只给一段产品介绍。

比如：

我们是一款 AI 知识库工具，可以帮助团队提升效率。
请做一个 40 秒产品介绍片。

这段话太薄了。

它没有用户，没有场景，没有证据，没有疑虑，也没有素材清单。模型只能把它改写成广告腔，然后做几张“效率提升”的抽象画面。

这个 Skill 的第一步叫 Product Brief Expansion。

它要求先整理：

product：产品是什么
audience：谁会看
promise：这条片子的中心承诺
proof：有什么截图、流程、数据、功能、案例
objections：观众会怀疑什么
missing assets：缺哪些素材

这一步要先做。

因为视频不是把文字排到屏幕上。视频要拿画面说话。如果产品没有截图、没有流程、没有真实证据，后面再多动效也只是装饰。

这个 Skill 还会在 brief 薄的时候要求做 research sidecar，补 claim ledger、category context、visual proof board。简单说，就是先把能说的和不能说的分清楚。

没有证据的 claim，要降级。

这句话写进 Skill，比写一百句“请不要夸张宣传”有用。

2. 参考视频要拆，不是照抄

它的第二个重点是 Reference Audit。

如果用户给了参考视频，Skill 会要求先跑：

scripts/analyze_reference_video.py

这个脚本基于 FFmpeg，输出 probe、音量、静音、contact sheet 和关键帧。然后再写参考片分析：

时间
分辨率
帧率
音频情况
镜头列表
构图
字体
色彩
转场
声音事件

这一步和普通“参考一下这个风格”差别很大。

很多 AI 看到参考视频，只会学一个表面词：赛博、科技、极简、电影感。

这个 Skill 让 Codex 先写 shot grammar。

比如参考片用了曲面屏，它不会只写“做一个曲面屏效果”，而是会继续看：屏幕占画面多大、镜头怎么推、文字在哪个时刻出现、光线从哪里来、转场是硬切还是扫光。

它还明确说：学习参考视频的视觉结构，不要照抄里面的品牌和内容。

这句边界也该写。

不写的话，AI 很容易把“参考”理解成“复刻到侵权边缘”。

3. 它把视觉载体选得很具体

正式产品片最怕满屏都是幻灯片。

一个标题。

三个卡片。

几个图标。

慢慢淡入淡出。

这套东西不是不能用，但用多了就像模板。

reference-driven-cinematic-video 要求先选 primary visual carrier。

也就是这条片子主要靠什么画面成立：

曲面屏
产品 render
UI macro
代码流
数据流
动效字体
网页动效

这比“高级科技感”更具体。

比如你选曲面屏，那画面就要让屏幕成为主角，不能只在角落放一个小 UI。README 里甚至写了曲面屏风格标准：真实 bent mesh，主屏占画面 65-85% 宽度，产品场景先预合成为 16:9 texture，再贴到曲面屏上。

这些要求看着细，其实是在帮 AI 避开“假科技感”。

假科技感最爱堆东西。

真要做得像产品片，反而要少一点：一个主视觉载体，一条清楚运动路线，一组能证明产品的画面。

4. 配音和字幕是质量门，不是顺手加

这个 Skill 对配音写得很认真。

它的 voice-and-captions 规则里有几个判断很实在：

• 用户自己的声音要有干净样本。
• 默认 TTS 不能冒充用户音色。
• macOS say 不允许作为最终成片。
• 中文口播要短，少广告腔。
• 有旁白就默认要字幕。

这几条很接地气。

很多产品片栽在配音上。画面还行，一开口就露馅：播音腔、广告腔、语速怪、停顿怪。观众不一定能说出哪里错，但会觉得廉价。

这个 Skill 让 Codex 先出 10-15 秒样音，听感不行就调脚本、语速、音高和混音。

流程的用处就在这里。

不要等到“生成完再说”。配音要提前变成一道门。

5. 质量检查脚本是这套 Skill 的硬骨头

我最喜欢的是 scripts/quality_check_video.py。

这个脚本会检查：

decode
streams
audio_loudness
subtitles
black_frames
silence
freezes
artifacts

它还会生成 contact sheet 和 quality-report.json。

README 里有一个明确规则：低于 80 分默认只能叫 draft。

这句话很硬，但我喜欢。

视频生成最烦的是“看起来已经完成”。文件有了，能播放，似乎就可以交付。可里面可能有长黑屏、音频太小、字幕没烧进去、开头几秒静音、某个画面冻住。

这些问题如果靠人肉拖进播放器检查，容易漏。

quality_check_video.py 不会替你判断审美，但它能抓底线问题。

这很适合写进 Skill：AI 可以有创作空间，但交付前必须过检查。

6. 怎么装、怎么用

仓库地址在这里：

https://github.com/siuserxiaowei/reference-driven-cinematic-video-skill

把这个地址交给 AI，然后说：

帮我安装 reference-driven-cinematic-video 这个 Codex Skill。

使用时，不要只给一句口号。

你最好给它这些东西：

产品说明
官网或文档
功能清单
目标用户
已有截图或录屏
参考视频
配音要求
目标时长

可以这样问：

用 reference-driven-cinematic-video。

产品：一个面向团队的 AI 知识库工具。
资料：官网链接、产品截图、功能列表。
参考视频：本地 reference.mp4。
目标：40 秒以内，中文配音，带字幕，偏科技但不要 PPT 感。

请先扩展产品 brief，再分析参考视频，写分镜和口播。
如果缺素材，先列出来。最后生成成片并跑质量检查。

这个请求才像它的主场。

你给的信息越薄，它越应该先问问题，而不是急着渲染。

7. 公开反馈不多，先看源码价值

这个仓库公开讨论不多，我没有找到足够扎实的一手使用长评。

所以这篇不写“用户都说好”。目前能确定的是：仓库 README、SKILL.md、reference 文档和脚本都在，整体设计很完整，适合当作视频类 Skill 的写法案例。

这类小仓库，重点不一定是热度，结构更值得看。

它把很多人嘴里的“高级产品片”，拆成了可以执行的几道门。

8. 如果自己实现一套，该怎么写

你可以照它的结构，写一个更轻量的产品视频 Skill。

最小版本大概是：

适用场景：
从产品说明和参考视频生成 30-60 秒产品介绍片。

输入：
- 产品 brief
- 官网/文档
- 功能清单
- 参考视频
- 产品截图/录屏
- 配音要求
- 目标时长和平台

工作流：
1. 扩展产品 brief
2. 列 claim ledger：哪些能说，哪些证据不足
3. 分析参考视频：镜头、色彩、节奏、声音
4. 选择主视觉载体
5. 写口播和分镜
6. 生成或整理素材
7. 生成视频
8. 烧字幕
9. 跑质量检查
10. 低于质量线只标 draft

关键约束：
- 没证据的 claim 要降级
- 有旁白就要字幕
- 默认 TTS 不能说成用户音色
- 成片必须检查黑屏、静音、冻帧、字幕和解码

如果只想做内部 demo，可以把流程压缩。

但如果要给客户、产品发布、官网首屏用，质量闸门最好保留。

9. 我的判断

这个 Skill 的价值在一个词：制片。

它没有把视频生产当成一个 prompt。它把它拆成 brief、研究、参考片、视觉载体、配音、字幕、动效和验收。

这对写 Skill 很有参考意义。

复杂任务不要只写“请生成最终结果”。你要把中间的门写出来。

产品片尤其如此。

画面能动，不等于片子能用。

如果你只是想用：

准备好产品资料和参考视频，再让 AI 安装这个 Skill。第一次可以先做 30 秒以内，不要一上来追求长片。

如果你想学着写：

把“看起来高级”改成可执行检查项：主视觉载体、证据、配音、字幕、质量报告。

你可以这样写自己的 Skill

适用场景：从产品说明和参考视频生成一条正式产品介绍片。

触发条件：用户给产品 brief、官网、文档、功能清单、参考视频，或抱怨视频像 PPT。

输入：产品信息、参考视频、素材、配音要求、目标时长和平台。

输出：成片 MP4、字幕、contact sheet、质量报告、用到的素材和来源。

工作流：扩展 brief，拆参考片，定视觉载体，写口播和分镜，生成动效，烧字幕，跑质检。

关键约束：没有证据的产品 claim 要降级；配音要先过样音；有旁白就要字幕；低于质量线不能叫 final。

可选工具：FFmpeg、Remotion、Three.js、HyperFrames、Motion Canvas、TTS 或配音 API。

可改造方向：把质量闸门迁移到其他视频 Skill，尤其是自动检查黑屏、静音、冻帧、字幕和音量。