AI婚礼视频定制教程+引导式skill

前段时间有一个AI婚礼视频火爆全网，我觉得是一个很好的AI创业项目，正好我家里有亲戚做婚庆，我就主动联系他做这个项目，目前半个月已经做了5单了，反馈都很好

https://x.com/gkxspace/status/2087745161564492144?s=20（前段时间大火的视频）

国内外之前做这块的还是做的动画，比如国外这个Custom Love Story（https://customlovestory.com），客单价49美元以上，成交四万多单，营收超200万美元

我这个Skill做的是真人化的，效果更好，我自己已经能把这套流程稳定跑通，并且制作成了引导式的skill方便大家使用。

中间最麻烦的交互过程，我也做成了故事采集卡。新人按要求填完，一键复制发回来就行。

成片质量是这样的：（https://customlovestory.com）

Skill是引导式的。新人填完采集卡，我们把相关信息和照片交到Skill对话里，它就会引导我们继续做文案、配音和分镜。

需要外部生成的，它会把提示词和材料准备好。我们把图片、视频这些素材生成好，再交回来，让它继续组装。需要审稿、试听、看效果的地方，它会停下来让我们确认。

写在前面

1. 按以下模型组合使用： 整个流程交互，建议用Codex的GPT 6、Claude Code的Opus 5，或者WorkBuddy里Kimi K3的最强模式（三选一） 生图用GPT Image 2，视频用OmniFlash 1.1，BGM用Suno V5.5，配音用豆包TTS 2.0

2. 制作成本很低，收费看自己怎么谈。成本最高的是omni，小黄鱼有中转API，5毛10s，120秒加上抽卡的话成本也不过超过15元。如果已经有Gemini Pro，走Google Flow几乎不花钱。

3. 时间交互成本最高，所以我做了采集卡方便一次性收集足够的信息进行制作，也把每一步的交互整理进Skill里。这样质量比较稳定，交互效率高，也方便持续接单、批量制作。

4. 这套思路可以用在很多本地服务里。 我觉得AI视频是一个很好的抓手，能做一些客单价高、又有情绪价值的定制。除了婚礼，老人、宝宝，还有其他值得纪念的重要时刻，都可以沿着这个思路去做。omni是核心出装。

整个流程一共14步。每次对话，它都会告诉你现在是第几步、还剩几步，以及你现在需要做什么。需要你判断的地方，它会停下来等你确认，确认好以后再继续。

我自己目前跑通一期，整体人工介入时间可以控制在一个小时以内。

下面把用到的模型和具体流程分享给大家。有问题可以在我的抖音群交流：【大雷的AI日记】 ，我后续也会发布完整的视频教程带大家跑一遍。

Skill安装指令

把下面这段话复制给Codex：

安装Skill。Skill位于仓库根目录，安装名使用 wedding-video-guided-wizard。安装完成后告诉我下一轮如何启动，并严格按照Skill的14步流程，主动引导我推进婚礼视频制作。请从aaronyi97/wedding-video-guided-wizard

安装完成以后，在下一轮告诉它：

使用 wedding-video-guided-wizard 开始一单婚礼视频。先给我能发给新人的故事采集卡，再逐步带我完成。

具体交互可以在skill执行，以下详细步骤作为辅助理解

一、先把故事采集卡发给新人

安装Skill以后，它第一步会把故事采集卡给你，你拿着这张卡发给新人填写就行。建议用电脑，手机也可以。

打开婚礼故事采集卡

填完以后，让他们点击「复制完整故事卡」，把内容通过微信发回来，人物照片另外发。你再把这些信息和照片，一起交回刚才使用Skill的那个对话。

如果新人不方便填，也可以通过聊天或者语音沟通，把采集卡上的信息收集完整，再交给Skill整理。

最麻烦的交互过程，我主要就是放在这一步解决。已经填清楚的内容，后面就不需要再重复问。有个别没说清楚、影响写文案的地方，再补充一下。

二、生成文案写作包，交给Kimi K3

信息齐了以后，Skill会根据这对新人的故事，生成一个文案写作包。

它会提供压缩包，里面也有可以直接复制给Kimi K3的完整文本。新人提供的经历、想要的风格、视频时长，还有文案怎么写，都已经整理在里面。

我还是强烈建议大家用Kimi K3写文案。把写作包交给它，或者打开里面的一键复制文件，把完整内容复制过去，写完再把全文发回当前Skill对话。

我自己这次想要的文案，是有感情、有文采，但不要太花哨，也不要太干瘪。就是白描，但是读起来有感情，能把两个人的故事讲出来。

这些写作方法我已经整理进Skill了。不过，每一单具体写什么，还是根据新人填写的采集卡来，不能把上一对新人的经历直接套过来。

文案回来以后，你先自己通读一遍，再和Skill一起修改有问题的地方。

三、把文案发给新人确认

你自己审过，觉得没有明显问题以后，再把完整文案发给新人。

这一步主要让他们确认：经历有没有写错，称呼有没有问题，有没有不想放进视频里的内容，最后的表达是不是他们想要的。

有修改意见，就带回当前对话继续改。新人确认没有问题以后，你再告诉Skill，这版文案已经确认了，然后进入后面的制作。

这一步我专门放在前面。故事先确认清楚，后面配音、生图和视频都围着这版文案来做。

四、先生成几个配音试听，选好音色

接下来做配音，我推荐豆包TTS 2.0。

如果之前已经配置好了API，直接继续用。没有配置过的，Skill会在这一步带着你申请和配置，不需要一开始就把所有东西都准备好。

豆包语音控制台

先从已经确认的文案里选一小段，生成三到五个不同音色的试听。几个音色用同一段内容，这样比较方便听出区别。

这一轮先选一个适合这个故事的声音，再一起确认情绪和语速。听着哪里不舒服，就直接告诉它，再调整。

五、生成完整配音，自己从头听一遍

音色选好以后，再用刚才确定的设置，生成完整旁白。

生成完自己从头听一遍。有没有读错的字，有没有漏句、重复，情绪和停顿合不合适，都在这一遍里确认。

有问题就改对应的地方，再听一下。完整配音确认没有问题以后，才进入分镜。

因为后面每个画面放多长，什么时候切换，都要根据实际配音来安排。先把声音做出来，再去拆画面。

六、根据文案和实际配音设计分镜

有了最终文案和完整配音，Skill就会开始设计分镜。

每个镜头对应哪段旁白，出现什么人物，是什么时期，穿什么衣服，画面里要发生什么，都会在分镜表里整理出来。

画风也要结合采集卡里的要求来定。我这次做的是真人化的效果，人物参考就用新人的照片。

我自己的思路是，画面要好看，但动作不用很难。每个镜头把它要表达的事情讲清楚，人物和整体质感保持一致，就可以了。

如果一个场景比较复杂，就拆成几个容易完成的镜头。故事还是那个故事，制作上尽量做简单一些。

分镜表出来以后，你先看一遍，确认画面内容和整体风格，再继续生图。

七、先做三个重点分镜的图片

这一步先不把所有图片都做完。

Skill会根据这一单的情况，挑出大概三个比较容易出问题、又能看出整体效果的分镜，先给你生图提示词和参考图说明。

这几个镜头不是固定的，要看这对新人的故事，以及这次的画面难点在哪里。

拿着对应的人物参考图和提示词，去外部GPT对话，用GPT Image 2生成图片。这里要用照片加提示词的方式做图生图，尤其是两个人一起出现的时候，要把人物参考对应清楚。

这套Skill的生图步骤，都是你在外部GPT对话里操作。Skill负责把提示词和参考要求准备好，生成以后，你再把原图发回来。

先看人物像不像，画风对不对，画面有没有明显问题。这几张确认好以后，再继续做剩下的。

八、把剩余分镜图片生成完

前三张确认以后，Skill会沿着已经确定的人物和画风，继续提供其余分镜的生图提示词。

你还是拿着对应参考图和提示词，去GPT对话里生成，做完按镜号把原图发回来。

图片全部回来以后，Skill会再检查一遍整套画面。你自己也看一下，同一个人物前后有没有变化，服装、场景和画风能不能接上。

有个别图片不合适，就只改那几张。改好以后，确认这一镜最后选哪一张图，再进入视频生成。

九、拿着逐镜文件包，去生成视频

图片确认以后，Skill会根据实际选中的图片，写对应的图生视频提示词。

这一步我专门做成了文件包。每个分镜一个文件夹，里面放好这张分镜图，还有对应的视频提示词。

你打开一个镜头的文件夹，把图片上传到视频模型的首帧位置，再把提示词复制过去，按说明设置时长和画幅，点生成就可以了。

视频我推荐Omni。如果你已经配置了可用的视频API，也可以在当前对话里继续执行；没有API，就拿这个文件包去外部生成，做完再把视频发回来。

这里的视频提示词，是根据已经生成好的图片来写的。图片里人物现在是什么状态，后面的动作就从这个状态继续往下走。

生成完以后，逐条看一下。人物有没有变化，动作有没有做出来，和这一镜要表达的内容是否对应。

个别镜头有问题，就调整这一镜的提示词，或者回头修改对应图片，再重新生成。确认没有问题以后，把选中的视频按镜号发回当前对话。

十、先试听BGM，选一个合适的风格

画面素材确认以后，再做BGM。我这次推荐的是Suno V5.5。

可以用已经配置好的音乐API，也可以让Skill提供提示词，你去外部生成，再把音频发回来。

先生成大概三个不同风格的试听，听一下哪一种更适合这对新人的故事。

我觉得这里不能只考虑音乐单独听着好不好听，还要结合旁白里的情节。故事往下走，音乐也要有相应的起伏。

这一轮先把音乐风格选出来。

十一、先听配音和BGM放在一起的片段

音乐风格选好以后，再让Skill把音乐和已经确认的配音放在一起，做几个片段试听。

这一步主要听它们合在一起是什么效果。旁白说话的时候，音乐会不会太大，情绪起来的时候能不能跟上，停顿和转折听着是否舒服。

哪里不合适，就在这一轮调整。片段听着没有问题，你确认以后，再继续做完整混音。

我把这个试听单独留了一步，就是希望先把配音和音乐的结合效果听清楚。

十二、生成完整的配音加BGM

片段确认以后，再按刚才选好的音乐和混音效果，完成整条声音。

这里继续使用前面已经确认的旁白，把完整BGM配进去。有人说话的时候音乐适当压低，旁白留白的时候，音乐可以出来一点。

做完以后，再从头到尾听一遍。

主要听整条情绪是否连贯，音乐的衔接和结尾是否自然，以及旁白能不能听清楚。完整声音确认好以后，就可以进入最后的组装。

旁白和音乐也会分别保留，后面需要修改的时候还能继续用。

十三、组装视频，加上字幕，看完整预览

视频片段、旁白和BGM都准备好以后，让Skill在当前对话里继续完成组装。

它会根据已经确认的分镜和实际配音，把视频排好，处理声音和画面的对应，再加上中文字幕，做出一条完整预览。

如果当前电脑缺少剪辑需要的工具，它会在这一步告诉你怎么补齐，然后接着做。

预览出来以后，自己完整看一遍。

人物前后有没有变化，旁白讲的内容和画面是否对应，字幕有没有错，音乐和镜头切换是否舒服，都放在整条视频里看。

发现问题，就把具体镜头或者时间点告诉Skill，让它修改对应的部分。修改完再看，确认没有问题以后，再导出正式成片。

十四、导出成片，交给新人确认

最后一步，导出正式视频，同时整理字幕文件和后续修改要用的工程材料。

你先检查最终导出的这一版，再把成片发给新人。新人看完有意见，就带回来修改；确认没有问题以后，这一单才算完成。

整套流程就是这样。新人主要参与前面的资料填写、文案确认，还有最后的成片确认。中间的审稿、试听、看图和看视频，由我们制作方来做。

大家实际使用的时候，跟着Skill当前给你的步骤往下走就行。它会告诉你现在做到哪里、需要发回什么，确认好以后再带你继续。

几个常见问题

1. 为什么用旁白讲故事，不做人物直接说中文对白？

因为我这套方案用Omni，主要看中它的成本和画面质量。但就我实际用下来的感受，它的中文对白生成还不够稳定。

如果再要求人物开口说话，整个制作的复杂度会增加很多。

旁白可以单独用豆包做好，画面负责表现故事。这种方式已经能达到我想要的效果，也更容易控制成本和成功率，没有必要一开始就把难度加上去。

2. 15元成本是怎么算的？

我这里说的是生成费用，按我使用的API中转价格来算。

配音大约1元，BGM大约1元。图片在GPT网页对话里生成，没有另外走生图API。分镜不多，我觉得不值当专门用API生图。

主要花费是视频。我找到的中转价格大约是10秒五毛钱，闲鱼上也有这类服务。

两分钟视频，按总生成量是成片时长的1.5倍来算，视频部分大约9元。加上配音和BGM，大概11元，整体按15元左右预留。

如果已经有Gemini Pro订阅，也可以走Google Flow的积分。按Omni 720p、每段10秒计算，同样预留1.5倍生成量，两分钟视频大约需要270积分。订阅额度够用，就不用再单独支付这部分视频生成费用，整条视频几乎没有额外花费。

3. 如果一直抽卡怎么办？

我自己的判断是，频繁抽卡，很多时候要回头看三个地方：分镜图、图生视频提示词，还有用的视频模型。

图片里的姿态不适合后面的动作，提示词又要求一次完成太多事情，生成就容易出问题。

所以我把这些制作方法都整理进Skill里：先确认分镜，先试图，再根据实际图片写视频提示词。某一镜有问题，就回到对应的地方调整。

也正因为这样，我强烈建议大家先用我推荐的模型组合跑通。文案交给Kimi K3，整个流程交互用前面推荐的模型。想复现我这次的效果，就先按这套来。

大家使用时遇到问题，可以给我反馈。我会持续分享最细致的AI赚钱项目教程，欢迎关注！