我在Macbook的终端里下命令，让Claude Code把一支讽刺短片做了出来
今天看到官方媒体发的一篇灾后报道，标题是《泥石流过后，这五个大字依然清晰》，让人有些一言难尽。
面对人命关天的灾难，镜头的焦点依然执着于提炼某种“精神力量”。我突然想做一个思想实验：如果把这种熟悉的官方宣传腔调，原封不动地搬到一个平行架空的异国语境里，会产生怎样的一种荒诞感？
于是我让 Claude 模仿这种媒体风格，以尼泊尔为背景写了一段架空文本，底层用的是 Claude 模型。它交出的文案，讽刺效果非常到位：
拉苏瓦县，救援第七天。救援队终于踩着齐膝的泥浆，走进了都梅拉村。村子，已经不在了。队长掏出生命探测仪，探了半个小时。而地方电视台的镜头，找到了更加重要的画面。半山腰的岩壁上，四个词，泥浆糊了一半，却依然清晰——I love you, Nepal. 当晚，新闻的标题是——《岩壁上的"我爱你尼泊尔"依然醒目》。主持人说：虽然，至今没有在现场发现生还者——但是！半山腰上，那几个令人热泪盈眶的大字，依然清晰！「我爱你，尼泊尔」，凝聚着一股永不熄灭的精神力量！只要这股力量在，一切，都会好起来！因为我们是愈挫愈奋、愈战愈勇的尼泊尔人！这件事很快传出了喜马拉雅，感动了全球。人们说，尼泊尔精神，会永远伫立在那里。
看到这段文本，我接着产生了一个想法：既然脚本已经具备了完整的戏剧张力，干脆直接用 Claude 把这段文字做成一条短视频。之前我探索过让它跑通“语音转文字 + 翻译 + Fish Audio 生成音频”的流程，这次正好把整套自动化制作链路完整实现一遍。
因为视频打算采用英文播音腔配音，我先让 Claude 将中文文案翻译成英文。要求有三条：翻译准确、贴合媒体播报语感、贯穿宣传腔调。
它给出的英文译稿本身就具备清晰的“声音层次”：前半段是灾难纪实报道的低沉与克制（"The village was no longer there."），主播介入后立刻切换为社论式的排比与激昂感叹（"a spiritual force that can never be extinguished!"），最后收敛在纪录片式的宏大升华上。这份译稿直接作为后续配音的脚本，几乎没有作任何修改：
拉苏瓦县，救援第七天。 Rasuwa District. Day seven of the rescue.
救援队终于踩着齐膝的泥浆，走进了都梅拉村。村子，已经不在了。 Rescuers finally waded through knee-deep mud into the village of Dumela. The village was no longer there.
队长掏出生命探测仪，探了半个小时。 The team leader took out a life detector, and searched for half an hour.
而地方电视台的镜头，找到了更加重要的画面。 But the cameras of local television found a far more important shot.
半山腰的岩壁上，四个词，泥浆糊了一半，却依然清晰——I love you, Nepal. On the cliff face halfway up the mountain, four words, half-smeared in mud, still shone through, clear as ever: I love you, Nepal.
当晚，新闻的标题是——《岩壁上的"我爱你尼泊尔"依然醒目》。 That very evening, the news headline read: "I love you Nepal" on the cliff face — still standing, bright and clear.
主持人说：虽然，至今没有在现场发现生还者—— The anchor declared: although no survivors have yet been found at the site —
但是！半山腰上，那几个令人热泪盈眶的大字，依然清晰！ BUT! High on the mountainside, those great characters that bring tears to our eyes remain as clear as ever!
「我爱你，尼泊尔」，凝聚着一股永不熄灭的精神力量！ I love you, Nepal! These words embody a spiritual force that can never be extinguished!
只要这股力量在，一切，都会好起来！ As long as this force is with us, everything will get better!
因为我们是愈挫愈奋、愈战愈勇的尼泊尔人！ Because we are Nepalis — a people who rise stronger from every setback, and fight braver with every battle!
这件事很快传出了喜马拉雅，感动了全球。人们说，尼泊尔精神，会永远伫立在那里。 Word soon travelled beyond the Himalayas, and moved the entire world. People say, the spirit of Nepal will stand there, forever.
台本敲定后，下一步是语音合成。我选用了 Fish Audio 的 TTS：在音色库里挑了一个播音质感的英文女声，接着让 Claude Code 编写脚本调用接口，逐句生成音频——每句话生成一个独立的音频切片，以便在后期剪辑时精准匹配画面。
语气的控制不是靠人工反复调参，而是直接融入在台本设计中。Claude Code 给每句话标注了情绪标签与停顿控制：叙事段落保持平静低沉，演播室部分切换为亢奋激昂，类似 “I love you, (停顿) Nepal!” 的断句也在文本层面完成了预设。
整段流程共生成了 12 个 MP3 文件。单句时长在 3 到 10 秒之间，总计约 70 秒旁白。这些音频不仅是解说，还是整部视频的时间轴骨架——后续每个镜头的展示时长，完全依照对应音频的实际长度自动对齐。
最有实用价值的是质检环节：Claude Code 会将生成的每句音频发送回 Fish Audio 的语音识别（ASR）接口，反向转写为文本并与原台本比对。这一步有效排除了发音错误，例如中间曾把 “Nepal” 重音念偏，脚本通过比对及时抓出并自动重新录制，直到文本匹配为止。人工只需要在最后把关情绪表现是否到位。
画面生成阶段走了一段弯路。
起初我的思路是利用现成素材：让 Claude Code 在网络上抓取灾情相关的新闻图片和视频，抽帧并裁剪成 9:16 的手机竖屏。技术流程虽然跑通了，但成片效果很不理想——各家媒体的水印、台标和字幕参差不齐，画面拼凑感严重，配上一本正经的播音腔显得很突兀。
于是我调整了方案：全程不采用实拍素材，全部由 AI 生成。
具体实现流程是：我在终端描述每个镜头的内容诉求，Claude Code 通过本地接入的工具调用图像生成接口，底层使用的是 Gemini 系列的 nano-banana 模型（该模型对参考图的特征还原表现较好）。提示词由它自主编写，并统一设定了视觉约束规范，例如“纪实新闻摄影质感、阴天喜马拉雅光线、9:16 竖版构图、无文字与水印”，再叠加各个镜头的具体场景，例如“救援人员身着沾满泥浆的制服，齐膝深地蹚过废墟，画面中仅露出断裂的房梁与残破门框”。生成完毕后自动拉取本地图像进行自检，若效果不佳便调整提示词重新生成。
前后生成了十几张图像，最终选定 12 张作为成片分镜：从峡谷航拍、泥泞废墟、生命探测仪、现场摄制组、石壁标语，到演播室、泥浆玩偶兔、空旷街道、烛光守夜、废墟升旗、太空俯瞰与雪山收尾，严格对应一句台词一个镜头。
其中几处关键镜头的处理很说明问题：
- 石壁标语：以真实新闻照片为参考图，要求模型“在保留原场景构图的基础上，将标语改为半受泥浆浸染但依然清晰的红色大写英文 I LOVE YOU NEPAL”。出图一次完成，岩壁上泥浆流淌的细节还原度很高。
- 演播室：将刚生成的石壁标语图再次作为参考图输入，提示词设定为“情绪激昂的女主播在演播室播报，背后大屏同步展示该石壁标语”——这种图中图的自引用，构成了全片讽刺的核心视觉。
- 玩偶兔：模型起初自行生成了一个“直升机索降救援儿童”的正能量特写，被我直接推翻——前面解说刚提到“至今未发现生还者”，硬加救援奇迹在逻辑上无法自洽。我让它修改为：灰暗的泥石流废墟中，一只孤零零坐着、裹满泥浆的玩偶兔。解说员仍在情绪饱满地强调“大字依然清晰”，画面里却只有冰冷的死寂。
- 结尾升华：依照口述分镜，依次完成废墟升旗、太空轨道俯瞰喜马拉雅山脉弧线，最终拉升至雪山云海的金光全景，还原了典型的主旋律视觉收尾方式。
配乐生成也采用了相同逻辑：向工具提出了“低沉钢琴起调铺垫、在进入演播室段落时迅速汇入煽情交响高潮”的诉求，通过音乐生成工具生成了一条管弦乐配乐。
视频的合成封装由 Claude Code 编写的两个 Python 脚本协同完成：
- 第一个脚本负责画面动效与轴线对齐：为静态图像添加平缓的推、拉、平移运镜（Ken Burns 效果），并根据每句配音的实际长度自动对齐旁白与背景音乐；
- 第二个脚本负责包装与字幕渲染：自动排布中英双语字幕、添加电视直播常用的“● LIVE + BREAKING NEWS”角标系统，以及片尾声明卡。
期间遇到了一个本地环境问题：本机的 ffmpeg 未编译字幕滤镜（subtitles filter）。Claude Code 随即调整了渲染方案，将每条字幕渲染为透明背景的 PNG 序列，再通过 overlay 滤镜叠加到视频轨道上，平稳绕过了环境限制。
每次生成视频后，它还会自动执行基础质检：抽帧生成缩略图进行视觉预览，检查字幕是否溢出或穿帮，并运行一次音频响度分析。把基础的技术规格交给程序校验，人工只需专注于最终的审美与视听节奏把控。
视频最终效果如下：
https://drive.google.com/file/d/1GbPuvwYjG6ouyhw6o_Stf6NflncBKjJd/view
最后
利用终端命令行配合 AI Agent 完整跑通一条短视频的制作流程，在过去是很难想象的。这原本只是一次带着实验性质的尝试，没想到整套工作流在脚本编写、语音合成、分镜绘制到自动化压制上，表现得相当完整。
制作这个视频并不是为了消费灾难，而是借由尼泊尔的语境，对那种宏大叙事宣传进行一次解构。当灾难中真实的个体困境被空洞的精神符号所替代，这种原本用于凝聚共识的表达便会显得格外失真。换一个视角看过去，这种宣传模式的违和感也就不言而喻了。