做一个视频，不需要视频模型

想做个视频，大多数人的第一反应是去找视频生成模型。

然后被价格劝退。

其实对于讲道理、讲知识这类内容，九成的镜头根本不需要视频模型。

再往前走一步：很多时候，连生图模型也不需要。

一

先把一个视频拆开。它只有三样东西：画面、声音、字幕。

声音是文本转语音，几分钱。字幕是把旁白切片，顺着音频时长排时间轴，不花钱。贵的只有画面。

而讲知识的视频，画面上真正出现的是什么？是柱子、是流程、是几个方框和箭头、是一个数字从零涨到五十。

这些东西本来就是算出来的，不是画出来的。

交给生图模型，它得猜”十六倍看起来像什么”。交给代码，十六倍就是 1 和 1/16。

二

但省钱不是重点。

代码画画面，真正的好处是：「画面和旁白对不上」这个失败模式，从构造上消失了。

这是我做视频砸得最多的地方。旁白在讲一个道理，画面上摆着一个风马牛不相及的东西。根源是生成模型只画字面——你在提示词里写”仿佛象征着”，那是写给人看的注解，它不读。

而代码不会。旁白说”差十六倍”，那两根柱子的高度就是同一个数算出来的。它们不可能不一致，因为它们是同一个事实的两种输出。

有个镜头可以说明这件事：我想讲”观众感知到的动，是镜头在动，不是画面里的东西在动”。代码版里，那张底图整镜一个像素都没变，只有取景框在推近。

这个论点，生图模型演示不了——它每一帧都在重新画。

三

第二个好处是确定性。

生图是抽卡。不满意就重跑，重跑要花钱、要等几分钟，而且结果是另外一批图，不是”同一批但改好的那张”。

代码是同样输入永远同样输出。改一个数字，几秒钟重渲染，其余部分一帧不变。它能进 git，能 diff，能回滚。

四

该说代价了。

这一版的画面成本是零，比生图版省了三块五。

但我为此多写了七百行代码，多花了大约两倍半的模型开销。

单看这一次，代码路线更贵，不是更便宜。

它划算的地方在第二次。渲染层和合成脚本写完就不动了，下一个视频只换场景函数。边际成本从那里开始掉。

所以正确的说法不是”代码比生图便宜”，而是：一次性的用生图，要反复出同一类片子的建代码管线。

五

还得说清楚它不擅长什么。

代码画不出一只手按在胶片上的质感，画不出黄昏的光，画不出情绪。它擅长的是数字、比例、流程、几何——凡是能被算出来的东西。

需要质感和情绪的镜头，老老实实用生图。两条路不是谁取代谁。

六

最后是三个坑，都是不报错的那种。

第一个：ffmpeg 的 -shortest 配上音频流复制，静默吃掉了六十二帧。成片的容器时长写着一百零六秒，视频流其实只有一百零三秒，结尾两秒半没有画面。

第二个：mp3 的容器时长比它解码出来的样本长约五十毫秒。按容器时长排时间轴，十四个镜头累计差掉零点七七秒，字幕整体往后漂。

第三个：烧录字幕时，字幕引擎默认的参考分辨率是二百八十八。你写字号十九，它渲染出来是八十四像素。

这三个的共同点是：不看就发现不了。 它们不抛异常，不打警告，成片能播。只能靠数帧数、对时长、抽帧去看。

这篇文章配了一个视频。它的每一帧——包括上面那张封面——都是代码画出来的。

画面成本是零。