开源AI剧组：一句话生成完整视频，每秒仅需三分钱

从一句话到完整视频：AI Agent 接管视频生产全流程

视频生成正在从「单镜头炫技」走向「全链路自动化」。近日，一位 B 站 UP 主开源了一套名为 Open Source Video Gen Scale 的 Agent 技能包，核心目标非常明确：让创作者只需一句提示词，就能由 AI「剧组」完成从创意构思、剧本撰写、美术素材制作到最终成片的完整视频生产流程。

无论是短视频、产品宣传片、短剧还是创意内容，用户既不需要高配电脑，也无需在本地部署庞大的视频生成模型。据作者介绍，其此前两期 B 站视频（含反复抽卡作废的素材）加起来的总成本不过 20 元，每秒视频的生成成本约为「三分钱」量级。这种极低的创作门槛与制作成本，正是这套开源方案最吸引人的地方。

演示：一条科普视频的自动化生产过程

作者以「一个小学生也能看懂的机器学习神经网络科普视频」为例，完整展示了 AI 视频生成的全流程。Agent 首先会生成一份 视频 Brief，简要阐述它对这条视频的创意构思与内容规划；用户确认后，系统进入 剧本与台词 的自动生成阶段。

说个细节，这套流程保留了「人在回路」（human-in-the-loop）的审核机制。当作者对剧本台词不满意、要求「加入更专业的术语」时，Agent 会根据反馈重新修改并再次提交审核。审核通过后，它继续自动生成相关的 美术素材，最终合成完整视频。

这种「生成—审核—修正」的分阶段设计，既充分发挥了 AI 的效率优势，又保留了创作者对内容方向的控制权，避免了一键生成后结果完全不可控的问题。

「人在回路」（Human-in-the-Loop，HITL）是一种将人类判断嵌入自动化流程关键节点的设计模式，目的是在保留AI效率的同时，由人类对高风险或高主观性的决策环节进行把关。与完全自动化流程相比，HITL在输出质量不稳定、创意方向需要个性化把控的场景下更为实用。在视频生产这类创意工作中，剧本语气、画面风格等要素高度依赖主观判断，仅靠AI自主迭代往往难以收敛到令创作者满意的结果，HITL机制因此成为将「自动化效率」与「创作者意图」协调统一的核心设计选择。

技术架构：按需租用云端 GPU + Agent 自动调度

这套方案的成本之所以能压到极低，关键在于它的技术架构设计：按需租用云端 GPU，用完即关。

项目本质上是租用了 AutoDL 上已预装 MiniMax H3 模型 的服务器，让 Agent 在需要生成视频时自动开机，生成结束后立即关机。这种「按量计费」的弹性算力思路，最大限度地避免了 GPU 空转带来的费用浪费。

视频生成成本拆解

作者给出了具体的成本数据：

• 在 AutoDL 上租用一台 RTX 5090 显卡，费用约 3 元/小时
• 生成一段 1080P、10 秒左右 的视频，耗时约 5 分钟
• 单条视频的实际花费约为 不到 3 毛钱

换算下来，每秒视频成本确实进入了「分」的量级。对于需要大量试错、反复「抽卡」寻找满意效果的创作者来说，这样的成本结构比订阅制的闭源视频生成服务更具性价比，使用上也更加灵活。

MiniMax H3 是国内AI公司MiniMax发布的视频生成模型，属于当前主流的扩散变换器（Diffusion Transformer）架构，支持生成高分辨率、时序连贯的视频片段。相比早期的UNet扩散模型，Transformer架构在理解复杂提示词、保持画面一致性方面有更好的表现，但对显存和算力的需求也更高，这也是该方案选择RTX 5090（24GB以上显存）作为推荐硬件的原因之一。将此类大模型预装在云端镜像中按需启动，是目前平衡推理成本与可用性的常见工程实践。

上手指南：Agent + 技能包 + AutoDL Token

整套方案的使用门槛并不高，核心操作分为三步。

第一步：准备一个 AI Agent

用户需要一个 AI Agent 作为整个流程的「指挥官」。作者演示中使用的是 Claude Code（Zcode），但他强调 GPT、Cursor、Trae 等主流工具同样适用。理想情况下，Agent 最好自带图片生成能力；如果像 Claude Code 一样不具备该功能，也可以调用项目内置的 Cursor ImageGen 技能，借助 Cursor 的图片生成能力来补齐这一环节。

第二步：一键安装技能包

只需将项目仓库地址复制给 Agent，并下达指令「将项目里的所有技能文件安装到当前 Agent 的技能包里」，即可完成一键安装，过程非常简单。

第三步：配置 AutoDL Token

AI 视频生成依赖 AutoDL 云端服务器，因此需要完成以下配置：

1. 注册 AutoDL 账号并充值
2. 进入应用广场，找到 MiniMax H3 部署应用
3. 建议选择「西北 B 区」（可选服务器更多），租用一台 RTX 5090 显卡
4. 务必选择「按量计费」——作者特别提醒，按日、按周、按月的计费方式都不划算
5. 在「使用 API 管理应用」中进入开发者 Token 页面，新增并复制 Token

拿到 Token 后，既可以按照 setup 文档手动保存到本地配置文件，也可以直接把 Token 发给 Agent，让它自动完成配置。这种「把配置工作也交给 Agent」的做法，进一步降低了非技术用户的使用门槛。

两套模板：覆盖科普短片到写实人物

项目内置了两个开箱即用的视频制作模板，覆盖不同类型的创作需求：

• 短片创作模板：适用于大部分较长的视频作品，前面提到的神经网络科普视频正是用此模板制作
• 写实人物视频模板：专注生成超写实风格的人物视频

作者演示了写实人物模板的使用方法：通过斜杠命令调用对应技能，输入「生成一个美女跳舞的视频」等提示词即可触发生成。他同时指出，由于采用的是自租 GPU 的开源路线，生成的视频内容「无任何限制」——这既是自由度上的明显优势，也意味着创作者需要自行承担内容合规方面的责任。

趋势观察：Agent 从回答问题到执行完整任务链

这套开源方案的核心价值，并不在于某个单一的视频生成模型有多强，而在于它把 Agent 智能调度、云端弹性算力、模板化工作流 三者整合成了一条可复用的自动化生产管线。

它体现了当下 AI 应用的一个重要演进方向：Agent 正在从「回答问题」进化为「执行完整任务链」。从撰写 Brief、编写剧本、生成美术素材，到自动开关云服务器、精细控制成本，Agent 扮演的角色已经不再是单一工具，而是一个能够协调多种资源的「AI 项目经理」。

当然，这套方案也有需要理性看待的地方：它对 AutoDL、MiniMax H3 等外部服务存在较强依赖，一旦上游定价策略或服务政策发生变动，整体成本与可用性都会受到影响；「无内容限制」的特性在提供创作自由的同时，也将合规责任完全转移给了使用者。

对于希望以极低成本探索 AI 视频创作的开发者与内容创作者而言，这无疑是一个值得深入研究和实践的开源样本。

「Agent执行完整任务链」代表着AI应用从单轮问答向多步骤自主规划的范式迁移。传统大模型调用是无状态的单次推理，而Agent框架（如Claude Code、AutoGPT等）引入了工具调用（Tool Use）、记忆（Memory）和规划（Planning）能力，使模型能够分解复杂目标、按序调用外部服务并根据中间结果调整下一步行动。在本方案中，Agent不仅调用语言模型生成文本，还负责触发图片生成API、通过AutoDL API控制服务器开关机、管理文件写入等异构任务，这种「跨工具、跨服务的动态编排」能力正是当前Agent研究与工程实践的核心竞争力所在。