内容创作者的 AI 工作室

这个 pack 里装了什么

这是一个独立创作者意识到「兼职剪辑回不来了」之后会自己搭起来的工具栈。十件资产覆盖内容流水线的每一个环节 —— 从「这周该做什么选题」到「邮件发出去了、视频上传了、缩略图渲染好了」。每一件都在真实生产流程里有明确分工。

pack 刻意在两个最容易让 API 账单失控的环节 —— 配音和图像生成 —— 同时给了云端方案和开源兜底方案。摸索内容形态时先用云端版本，等每周产量把账单上的那一行刷得让你不舒服时，再切到自托管版本。

它默认你是个多平台创作者：同一份剧本会变成一支视频、一集播客、一条 Newsletter 短文，再加三条 TikTok 切片。yt-dlp + whisper.cpp + Ghost 这三件二次创作工具的意义就是：让周二的一份剧本产出周二的五条内容。

安装顺序（选题 → 剧本 → 制作 → 剪辑 → 分发）

1. Claude Code Agent: Content Marketer —— 从这里开始，因为选题不对其他都白搭。一个 Claude Code 子 agent，把一句话点子展开成 outline、hook、节奏点，并生成不同平台版本（长视频脚本 + 60 秒短切 + 推文 thread）。
2. ElevenLabs Voice Design —— 目前最不像「机器人念稿」的云端 TTS。用 Voice Design 通过 prompt 铸造一个属于你自己的稳定旁白，把那个 voice ID 长期复用，让你的频道有个能被认出来的「声音标识」。
3. StyleTTS 2 —— 当 ElevenLabs 账单超过你心理价位时切到的开源 TTS。基于 style-diffusion，质量接近人声，单张消费级 GPU 就能跑。作为兜底，或者拿来配「不需要是『那个声音』」的 B-track 旁白。
4. whisper.cpp —— 本地 STT。这是默默承担最多脏活的工具：把原始录音转成文字方便剪辑、生成字幕、喂二次创作流水线（文字稿 → Newsletter 短文 → 推文 thread）。完全离线跑，未剪辑 B-roll 不出本机。
5. CogVideo —— 文+图生短视频，专门给你没实拍素材的 B-roll 兜底。6 秒一段，够覆盖「办公桌前的人」「城市街景」这类填充镜头。它不替代真实素材，它替代的是 stock 库订阅。
6. Together AI Image Generation —— 缩略图与频道艺术图引擎。托管的 Flux/SD 模型 + 干净 API + 独立开发者负担得起的定价。一分钟出 8 张缩略图候选，挑最好的发出去。
7. ImageMagick —— 命令行图像处理。「把这张缩略图分别 resize 到 1280×720、1080×1080、1920×1080」这类活，一个平台一行 bash 搞定。是这个 pack 里你会用得最多但最不会去吹的工具。
8. Remotion Captions & Subtitles —— 给短视频烧字幕。TikTok / Shorts / Reels 用户默认静音看，字幕不是「加分项」是「必备项」。Remotion 字幕渲染把样式写成代码，让每个视频排版一致。
9. Ghost —— 既是发布平台也是 Newsletter 引擎。一个真相源：长文 + 发给订阅者的邮件 + SEO 友好的公开页面，三件事同一份内容。一个可自托管的 Node 应用替代「WordPress + Mailchimp + Buffer」。
10. yt-dlp —— 二次创作流水线的基石。下载自己过去的节目、嘉宾的旧演讲、想剪片的会议录像 —— 同一条命令搞定所有平台。下游接 whisper.cpp 转写、接 Remotion 剪片。

它们怎么串起来（ASCII 内容流水线）

           ┌── Content Marketer Agent ──┐
           │ （点子 → outline → 剧本）   │
           └──────────────┬──────────────┘
                          ▼
          ┌── ElevenLabs Voice Design ──┐
          │   或 StyleTTS 2（开源）      │
          │   （剧本 → 旁白 WAV）        │
          └──────────────┬───────────────┘
                          ▼
     ┌──── whisper.cpp（转写旁白） ────┐
     │            ▼                     │
     │      SRT + 纯文本                │
     │       │            │              │
     │       ▼            ▼              │
     │   字幕         Newsletter 草稿   │
     │  （Remotion）  （Ghost）         │
     │       │            │              │
     │       ▼            ▼              │
     │   B-roll       订阅邮件          │
     │  （CogVideo）   + 公开文章 URL    │
     └────────┬─────────────────────────┘
              ▼
  ┌── Together AI 图像生成 ──┐
  │   （缩略图候选）          │
  │            │              │
  │            ▼              │
  │     ImageMagick           │
  │  （resize 1280×720 /      │
  │   1080×1080 / 1920×1080） │
  └───────────────────────────┘
              │
              ▼
        yt-dlp（之后）
        把发出去的视频拉回来 →
        切片 → 二次创作

两个关键拼接点：whisper.cpp → 字幕 + Newsletter（同一份文字稿喂两个出口）、Together AI → ImageMagick（一张生成的缩略图变成三个平台尺寸）。把这两个点拼对，单条内容的人力消耗直接减半。

你会遇到的取舍（DIY AI 声音 vs 真人，AI 缩略图 vs 设计师）

• DIY AI 声音 vs 真人配音 —— 2026 年 AI 声音越过了「不让人尴尬」这条线，但还没越过「听起来像一个真的在乎这个话题的人」那条线。频道门面的旁白人格请自己录。播客里的广告口播、不能露脸的平台、B-roll 旁白用 AI 配，10 倍速出片。先用 ElevenLabs Voice Design 摸清哪部分该真人、哪部分该 AI。
• AI 缩略图 vs 设计师 —— Together AI 60 秒给你「能用」的缩略图。真人设计师 4-8 小时给你「点得动」的缩略图。在内容增长期保持周更，AI 缩略图加 5 分钟人工调整（文字叠加、裁剪、对比度）在速度上完胜外包。粉丝过 10 万、每提升 1 个 CTR 点都值真金白银时，再请设计师。
• ElevenLabs 费用 vs StyleTTS 2 自托管 —— ElevenLabs 独立开发者档 $22-99/月，音质确实更好。StyleTTS 2 在你已有的 GPU 上免费跑，音质差不多够。经验法则：每周生成音频 30 分钟以内留在 ElevenLabs；超过这个量自托管的账自然平。
• Ghost vs Substack/Beehiiv —— Ghost 是「自托管、自己拿订阅者名单」的开源方案：你拥有名单，平台不会某周二改规则。代价：你得维护一台服务器。Substack 是「租平台流量」的方案：零运维，但他们想改条款随时改。如果你已经在管自己的网站，选 Ghost。如果你下周二就要发刊，选 Substack。
• CogVideo vs 付费 stock 素材 —— CogVideo 适合做填充式的场景空镜。在观众盯着看那段镜头时（特写、人脸、特定动作）就不行了。给真正承担信息的镜头预算 $20-40/月买 Pexels Pro / Artgrid 这类正经 stock 库，CogVideo 用来做切镜过渡。

常见踩坑（听起来像 AI、版权陷阱）

• 视频开始有「AI 味」。症状：每篇剧本都用「让我们深入了解」「在这期视频里我们将探索」「XX 的世界」。原因：模型默认表达渗进了你的口吻。解法：维护一份 style.md 让 Content Marketer agent 每次先读 —— 明确列出「禁用短语」「句子节奏示例」「你的犀利观点是 X、Y、Z」。每月更新一次。
• 生成声音/图像的版权陷阱。ElevenLabs Voice Design 生成的声音是你的、可商用，但未经授权克隆他人的声音是禁区、会被平台封号。Together AI 出图同理：多数模型允许商用，但训练数据来源不够干净，别生成「模仿某在世艺术家风格」。
• 字幕烧错宽高比。16:9 渲染字幕再裁切成 9:16 给 Shorts，右半边字直接没了。一定要按最终平台宽高比直接渲染；Remotion Captions skill 有显式的 width/height 参数 —— 用上。
• 忘了按平台重编码。YouTube 要 H.264 + AAC 高码率；TikTok 偏好稍低码率 + 激进 web 优化。同一份源文件，不同导出。给每个平台加一步 ffmpeg 处理；别上传一份 master MP4 然后听天由命。
• Newsletter 和视频对不齐。周二发视频，周五 Newsletter 引用它，结果你忘了把 Ghost 里缩略图换掉。解法：一篇内容对应一篇 Ghost 文章，邮件从那篇文章生成。别并行起两份草稿。
• 二次创作只复制不改写。把视频文字稿原封不动贴进 Newsletter 是最懒的操作，读起来也确实是。让 Content Marketer agent 把文字稿改写成 Newsletter 语气（短句、不要「就像我视频里说的」、换个新 hook）。复用观点不复用句子。