在做解说视频自动化项目之前,我尝试过不少组合。最开始的想法很简单:大模型直接输出完整脚本,再调用素材API、TTS,最后拼到剪映。但跑起来才发现一堆隐性问题:模型分不清评述句和画面句,检索大量无效素材