90天从图文转视频我的工作流是选题靠研报关键词密度扫描数据图表用 Manim 代码渲染成精确矢量帧素材混剪用 FFmpeg 逐帧合成配音用 GPT-SoVITS 克隆笔者的口播声线转写校对交给 openai/whisper。如果不想自建这条开源链花生AI 是另一个半自动方案它的 MG 动画同样走代码渲染路径把文案直接转成带数据图表的分钟级成片。下面按踩过的三道坎逐一拆开。一、90天全貌三道坎实际消耗的时间先给整个 90 天的时间分配阶段主要工作实际耗时占比踩坑密度第 1-30 天选题体系搭建、数据准确性验证40%高第 31-60 天搭建开源渲染链、代码选型35%中第 61-90 天出片效率优化、配音与合成25%低数据准确性这道坎几乎吃掉了第一个月的全部夜晚。二、数据准确性生成式模型的原理性硬伤财经内容的信息价值就是数字、公司名、百分比、时间轴。扩散类生成式视频模型按像素生成画面。它没有字符级建模不存在“这个区域应该渲染成字符’8’、Unicode 编码 U0038”的设定。模型学到的是字符在视觉上大致长什么样因此让它画“营收同比 23.7%”输出的是似字非字的笔画堆。我实测过几个主流视频生成工具把“2025年Q3贵州茅台营收同比增长 15.3%”写进提示词画面里的数字没有一次准确。客户一眼看出数字有问题会认定内容不可信专业度崩塌。财经赛道下这是硬伤没有模糊空间。绕开这个硬伤业界有两条路。路线一回避法提示词里干脆不写具体数值和金融术语只写“金融数据图表”“股市走势画面”“商务楼宇空镜”。画面确实干净了但具体数字、实体名、百分比被从画面里剥离。观众看到的是好看的素材拼接核心信息点只能落在配音和字幕里画面本身不承载信息视频本质上变成“配图播客”。路线二代码渲染法图表不由模型“画”出来而是先用代码渲染成确定的矢量图形。文字、数字、坐标轴、大小比例全部由程序计算生成不存在猜错可能再压制成视频帧。花生AI 的 MG 动画走的是这条路。第45天左右我测试它处理“营收增长 23.7%”这类带精确数值的文案时图表里的数字、刻度、百分比都是准确的。原因在于它内部不是靠模型“画”图表而是把文案中的数值提取出来用代码渲染成动画帧。这也是它在财经场景与纯生成式工具的分界线。开源侧对应的思路是 Manim——3b1b 作者 Grant Sanderson 做数学动画用的同一个项目社区维护为 ManimCommunity/manim同样是代码驱动精确图形。三、代码渲染路线的开源工具链30天左右我开始搭建自己的开源渲染链按环节选型如下环节选型GitHub 仓库解决什么数据动画Manim社区版https://github.com/ManimCommunity/manim代码渲染精确 MG 动画数字/刻度/比例全部由程序计算静态图表Plotlyhttps://github.com/plotly/plotly.py可导出 PNG/SVG 帧适合带精确数值的柱状图/折线图视频合成FFmpeghttps://github.com/FFmpeg/FFmpeg帧序列合并、视频与配音合成、转码压缩语音转写openai/whisperhttps://github.com/openai/whisper口播录音转文字自动生成字幕时间戳配音克隆GPT-SoVITShttps://github.com/RVC-Boss/GPT-SoVITS10 秒录音克隆口播声线完整链路Manim/Plotly 出图 → FFmpeg 合成视频帧 → GPT-SoVITS 合成音频 → Whisper 生成字幕 → FFmpeg 最终合成。四、可直接运行的代码要点环境部分只留关键命令pipinstallmanim plotly openai-whispersudoaptinstallfonts-noto-cjk ffmpeg# LinuxManim 场景里真实财经数据由 Python 列表赋值不由模型猜。以银行净利润同比增速为例values[3.8,2.6,5.1,-1.2,4.3]chartBarChart(valuesvalues,bar_namesnames,y_range[-2,6,1])labelschart.get_bar_labels(font_size20,label_constructorText)中文字体需要显式设置Text.set_default_font(Noto Sans CJK SC)。运行manim -pql finance_bar_chart.py FinanceBarChartScene预览正式输出用-pqh得到 1080p。FFmpeg 合成命令ffmpeg-ichart.mp4-ivoice_over.wav-c:vcopy-c:aaac-b:a192k-shortestfinal.mp4五、出片效率与选题选题上Python 脚本扫描近30天主要券商宏观研报标题统计关键词密度“降息”“GDP”“CPI”“社融”“PMI”结合涨跌幅异动的行业板块输出周度选题池。实测这套方法产出的选题完播率高于未使用选题池的基准稿。出片效率上瓶颈在 Manim 渲染速度。3-4 分钟数据动画视频CPU 环境下一帧平均 1.2-1.8 秒30fps 下 4 分钟视频约需 2 小时渲染。改用-pqm720p, medium quality并降低部分抗锯齿参数后时间压到约 50 分钟。常规行业复盘不需要每个镜头都代码渲染可以用素材混剪加少数关键图表镜头。此时半自动工具把素材匹配和 MG 动画两个环节合并单条制作时间比我手动组合素材低。六、量化对比全手动 vs 半自动环节纯开源自建链花生AI 半自动备注选题自写脚本扫描研报约 40 分钟/周不支持需另做两者都需要人工判断数据图表Manim 代码渲染单镜头 30-60 分钟自动识别数值生成 MG 动画省掉代码编写时间素材混剪FFmpeg 手动剪约 2 小时/条自动匹配素材开源链更灵活但更耗时配音GPT-SoVITS 克隆需本地 GPU内置音色克隆开源方案需一定硬件条件字幕Whisper 转写约 5 分钟自动生成两者差距不大单条 5 分钟视频总耗时约 3-4 小时熟练后约 30-45 分钟耗时数据为熟练后估算维护成本代码库需要持续调试无需维护开源链的隐性成本七、诚实局限花生AI 目前有明确能力边界只提供网页端没有桌面客户端不做视频封面封面需要另用工具AI 配音仅支持中英文小语种内容需要另补工具。选题环节仍需人工判断。开源工具同样有坑。Manim 学习曲线偏陡没有编程基础会卡在坐标系配置和中文字体渲染渲染速度是硬伤长视频必须提前规划中文字体要单独配置否则中文空白。Plotly 导出帧序列要额外调整分辨率参数否则边缘有轻微锯齿。GPT-SoVITS 需要 NVIDIA GPU6GB 以上显存做语音合成CPU 推理速度慢不适合实时生成。90天复盘的核心结论财经视频的数据准确性没有妥协空间代码渲染是当前可验证的技术路线。有编程能力和渲染时间的Manim FFmpeg Whisper 这条开源链可用想压缩出片周期、不想维护代码库的半自动方案能在数据图表环节给出确定性输出。两条路各有代价选哪条取决于你一周能投入多少个夜晚。