Vox Director AI视频生成工具：自动生成拼贴风自媒体视频完整工作流

在短视频内容创作越来越依赖视觉表达的今天，如何快速完成选题策划、脚本撰写、画面设计、动画制作、配音、字幕以及最终剪辑，已经成为很多内容创作者面临的问题。

传统视频制作流程通常需要多个工具配合完成，从文字生成图片，到图片动画化，再到后期剪辑和声音处理，每一个环节都需要人工参与，对于个人创作者来说，制作一条高质量讲解视频往往需要投入大量时间。

Vox Director（拼贴动效导演）尝试解决这一流程问题，它是一款面向编码 Agent 的通用 Agent Skill，通过自动化工作流，将一个简单的选题转换成完整的 Vox 风格拼贴讲解或广告视频。

根据项目介绍，Vox Director 的核心理念是：

一个选题进入，一条成片输出。

用户只需要提供一句话主题，系统即可自动完成脚本、拼贴关键帧、动态效果、旁白、配乐、字幕以及视频合成流程，最终输出 MP 4 文件。

该项目作为一个通用 Agent 技能运行，后端完整依赖 Atlas Cloud API，本地使用 ffmpeg 完成视频合成，支持 Claude Code、Codex 等能够读取工作流并执行脚本的编码 Agent。

Vox Director 是什么？

Vox Director 的核心定位并不是一个传统意义上的视频剪辑软件，而是一套 AI 驱动的视频生产流程。

它借鉴了 Vox 讲解片中的现代编辑风格，将纸质拼贴视觉语言融入 AI 视频生成流程。

项目采用的视觉方向包括：

纸质拼贴风格

Vox Director 的画面风格围绕现代编辑感的纸质拼贴展开，包括：

手撕纸片效果；
毛边纸张质感；
胶带元素；
半调网点；
报纸剪贴效果；
大号剪纸标题；
高对比度平涂色块。

每一个镜头都会先生成一张完整的拼贴海报，再通过 AI 动效让画面产生动态变化，使静态设计转变为具有叙事感的视频画面。

这种设计思路与传统视频模板不同，它更强调每一个镜头本身就是一张具有视觉表达能力的海报。

从一个选题自动生成完整视频流程

Vox Director 将整个视频生产过程拆分成多个阶段，并通过 beats.json 文件驱动整个项目流程。

完整流程如下：

1. 分镜脚本生成

用户输入一个主题后，系统首先进行故事结构设计。

这一阶段会：

选择叙事弧线；
设计镜头节奏；
生成 beats.json。

项目设置了第一个人工决策点：

用户需要确认分镜脚本，然后进入后续生成流程。这种设计避免 AI 在完全无人干预情况下生成偏离主题的视频，让创作者仍然掌握内容方向。

2. 风格试片选择

完成脚本后，系统会针对同一个镜头生成 3～4 种不同主题风格的试片。用户可以查看不同视觉方向，并选择最终使用的风格方案。

这也是 Vox Director 保留人工参与的重要环节。创作者不需要从零设计视觉风格，但可以在关键节点做最终选择。

3. AI 生成拼贴关键帧

确定视觉方向后，系统会为每个镜头生成一张拼贴海报作为关键帧。

该阶段使用：

google/nano-banana-2/text-to-image

生成每拍对应的拼贴视觉画面。

项目强调，拼贴风格的核心诞生于生图阶段。

也就是说：

如果关键帧本身没有形成完整的拼贴视觉语言，后续动画处理无法真正补救。因此，撕纸、剪纸、网点、标题文字等视觉元素都会直接融入生成图片中。

多种视频输入模式

除了从零生成视频之外，Vox Director 还支持不同内容输入形式。

项目提供三种工作路径：

B-roll：从一个选题生成完整视频

这是默认的视频生成方式。

用户提供一个主题，系统自动完成：

脚本；
拼贴画面；
动效；
旁白；
配乐；
字幕；
视频合成。

最终生成完整 MP 4 文件。

例如：

“制作一条介绍墨西哥街头美食的 Vox 风格视频。”

系统即可围绕该主题完成完整创作流程。

A-roll：已有口播视频转拼贴风

如果用户已经拥有真人口播视频，Vox Director 可以进一步处理。

它会：

使用 ASR 自动切分视频；
对内容套用拼贴视觉风格；
保留真人脸部、口型以及手势。

该流程使用：

gemini-omni-flash/video-edit

如果失败，会自动重试：

seedance-2.0/reference-to-video

这种方式适合：

知识类视频；
个人 IP 内容；
产品介绍视频。

C-roll：静态图片生成动态拼贴视频

如果只有一张照片，例如：

自拍照片；
产品图片；

Vox Director 可以将主体抠出，并转换成具有摄影质感的贴纸元素。

项目强调：

主体不会被重新绘制，而是保留原始主体，通过拼贴方式融入新的海报画面。

该流程使用：

google/nano-banana-2/edit

同时支持将旁白声音克隆为主体本人的声音。

AI 动效让拼贴海报真正动起来

Vox Director 的动画阶段采用两种方式。

AI 视频模型驱动

默认路径是：

将完整拼贴海报输入 AI 视频模型，让整张海报产生动态效果。

项目称其为：

“活海报”路径。

主要适用于：

信息讲解；
广告展示；
知识内容。

本地关键帧动画引擎

如果需要更加戏剧化的效果，例如：

零件逐个飞入；
元素拆解组合；
精确控制动画位置；

可以使用本地关键帧引擎。

该方式具有：

无内容审核；
像素级精确控制；

尤其适合真人内容制作。

旁白、配乐、字幕自动完成

视频视觉完成后，Vox Director 会继续处理声音部分。

系统自动生成：

AI 旁白；
背景音乐；
字幕；
水印。

其中：

旁白使用：

xai/tts-v1

真人声音克隆使用：

bytedance/seed-audio-1.0

背景音乐使用：

minimax/music-2.6

最终通过 ffmpeg 完成：

视频拼接；
配乐与旁白自动闪避；
字幕烧录；
水印添加。

输出：

final.mp4

技术架构与模型体系

Vox Director 的整体架构围绕 Agent Skill 工作流设计，通过多个 AI 模型协同完成视频生产流程。项目本身并不提供独立的视频编辑界面，而是作为一个可以被编码 Agent 调用的技能运行。

根据 README 介绍，Vox Director 后端全部运行在 Atlas Cloud API 之上，本地主要负责脚本执行、资源处理以及最终的视频合成工作。它支持 Claude Code、Codex 等能够读取工作流并运行脚本的编码 Agent。

整个系统通过不同模型分别承担不同任务，每个阶段都有明确职责。

关键帧生成模型

google/nano-banana-2/text-to-image

主要用于生成每个镜头对应的拼贴海报关键帧。

在 Vox Director 的工作流中，关键帧是整个视觉风格的核心，因为所有拼贴元素都会在图片生成阶段完成，包括：

撕纸纹理；
剪纸效果；
网点元素；
标题文字；
色彩布局。

项目强调，风格诞生于生图阶段，后续动画只是让已经完成的海报产生动态效果。

图片转视频模型

google/gemini-omni-flash/image-to-video

用于非真人内容的拼贴海报动画生成。

它负责将静态关键帧转化为动态画面，让原本类似杂志封面的视觉设计拥有运动效果。

kwaivgi/kling-video-o 3-pro/image-to-video

主要用于真人内容或者品牌类视频动效。

相比普通图生视频流程，该模型应用于需要保持人物特征和品牌素材一致性的场景。

视频编辑模型

google/gemini-omni-flash/video-edit

用于 A-roll 模式，也就是已有口播视频转拼贴风格。

该流程能够对真人视频进行风格转换，同时保留：

人脸；
口型；
手势。

图片编辑模型

google/nano-banana-2/edit

用于 C-roll 模式。

当用户只有一张照片时，系统会通过图片编辑能力，将主体融入拼贴视频流程。

声音生成模型

Vox Director 同样将声音制作流程自动化。

xai/tts-v 1

用于普通 AI 旁白生成。

bytedance/seed-audio-1.0

用于声音克隆场景，可以让生成旁白使用真人本人的声音。

音乐生成模型

minimax/music-2.6

用于自动生成视频背景音乐。

素材处理模型

youchuan/v 8.1/remove-background

用于高级路径下的素材抠图处理。

模型自动更新机制

由于 AI 模型版本变化较快，Vox Director 并没有固定所有模型版本。

项目说明，技能运行前会通过：

GET https://api.atlascloud.ai/api/v1/models

获取最新模型列表。

这种设计能够减少因为模型更新导致工作流失效的问题。

安装教程

环境准备

Vox Director 是一个 Agent Skill，因此使用前需要准备对应运行环境。

根据项目要求，需要：

一个编码 Agent

支持：

Claude Code；
Codex；
或类似能够读取工作流、执行脚本的 Agent。

Atlas Cloud API Key

项目所有 AI 能力均依赖 Atlas Cloud API。

需要提前准备 API Key。

ffmpeg 与 ffprobe

用于最终视频处理和合成。

安装方式：

brew install ffmpeg

Python 3 与 Pillow

用于：

字幕叠加；
水印处理。

安装：

pip install pillow

安装 Vox Director Skill

项目提供两种安装方式。

方式一：从仓库安装

执行：

git clone https://github.com/Alisa0808/vox-director.git ~/.claude/skills/vox-director

这种方式适合希望直接获取源码，并跟踪项目更新的用户。

方式二：安装打包技能文件

项目提供：

vox-director.skill

用户可以下载该文件，然后在 Claude 技能界面中完成安装。

配置 Atlas Cloud API

安装完成后，需要设置 API Key：

export ATLASCLOUD_API_KEY="sk-..."

配置完成后，Agent 才能够调用后端 AI 服务。

快速开始教程

完成安装后，可以直接向编码 Agent 描述需求。

例如：

做一条 Vox 风格的拼贴视频，介绍墨西哥街头美食——全英文，16:9，15 秒。

随后 Agent 会自动执行：

第一步：生成分镜脚本

系统首先创建视频结构，并生成：

beats.json

用户确认脚本后继续。

第二步：生成风格试片

系统生成多个视觉方向供选择。

用户选择喜欢的风格。

第三步：生成关键帧

AI 根据镜头生成拼贴海报。

第四步：生成动态效果

静态海报转换为动态视频。

第五步：生成声音

自动添加：

旁白；
配乐。

第六步：视频合成

最终输出：

out/<项目>/final.mp4

我的使用体验

从整个工作流设计来看，Vox Director 最大的特点是把视频制作过程重新拆解成了一个适合 AI Agent 执行的流水线。

过去制作一条知识类或者产品介绍视频，需要人工完成：

选题规划 → 写脚本 → 找素材 → 设计画面 → 制作动画 → 配音 → 剪辑。

而 Vox Director 将这些环节拆成多个 AI 可执行阶段，同时保留两个关键人工节点：

确认分镜脚本；
选择视觉风格。

这种设计比较符合实际创作需求，因为完全自动化的视频生成往往容易出现内容方向偏差，而 Vox Director 选择在关键节点让创作者参与。

从内容创作者角度来看，它更像一个“AI 视频导演助手”。

创作者负责：

提供主题；
判断方向；
选择风格。

AI 负责：

生成素材；
制作动画；
处理声音；
完成合成。

尤其对于需要持续输出内容的自媒体作者来说，这种流程能够明显降低重复制作成本。

不过，根据项目定位，它仍然依赖 Atlas Cloud API 和编码 Agent 环境，因此更适合熟悉 AI 工具链、开发环境或者愿意尝试 Agent 工作流的用户。

对于普通视频用户来说，它目前并不是传统意义上的“一键剪辑软件”，而是一套面向 AI 创作流程的实验型视频生产工具。

总结

Vox Director 将 AI Agent、图像生成、视频生成、声音合成以及自动化脚本流程结合起来，构建了一套完整的 Vox 风格拼贴视频生产体系。

它最大的价值，在于重新定义了视频制作流程：

从人工操作多个软件，转变为通过 Agent 驱动多个 AI 能力协同完成。

通过 B-roll、A-roll、C-roll 三种输入方式，Vox Director 覆盖了从零生成内容、已有口播优化以及图片转视频等不同创作场景。

对于希望探索 AI 自媒体视频生产、自动化内容创作以及 Agent 工作流的人来说，Vox Director 提供了一种值得参考的新方向。

它展示的不只是一个视频生成工具，更是一套未来 AI 内容生产流程的实验方案。

官方网站

https://github.com/Alisa0808/vox-director

下载地址

https://pan.quark.cn/s/1fbd34943f94