抖音上各类书评号内容制作成本不低，从选书、写文案到配音、剪辑，每一步都需要时间。近日有开发者分享了一套纯 Codex 方案，利用本地开源模型和免费资源，实现了"一键出视频"的完整工作流。

整体架构

这套工作流由四个核心模块组成，全部基于开源或免费服务，无需付费 API：

  • 文案生成：通过微信读书 Skill 爬取书评内容，作为视频文案底本
  • 语音合成：使用 Qwen TTS 0.6B 模型在本地 M1 Mac 上运行，实现自然语音朗读
  • 图片素材：封面图取自微信读书 Skill 返回的书籍封面；配图素材来自 Pixabay 免费图库
  • 背景音乐：同样从 Pixabay 下载免费音乐素材

技术实现

整个流程完全基于 Codex 搭建，纯代码实现，没有使用任何付费 API。从语音推理到素材下载，各环节均为本地运行或对接免费服务。

Qwen TTS 0.6B 模型在 Apple Silicon M1 上能以可接受的推理速度完成文本到语音的转换。微信读书 Skill 负责从书库中抓取用户评价内容，将其转化为视频旁白文案。图片和音乐素材则通过 Pixabay 的免费 API 获取。

产出效果

生成的视频为竖屏格式（1080×1920），时长约 92 秒，包含配音、配图和背景音乐。从演示效果来看，基本达到了书评号内容的标准水平。

迭代方向

作者指出当前版本为第一版，文案质量仍需要打磨。后续可以优化的方向包括：

  • 优化文案逻辑结构和信息密度，让书评更有深度
  • 增加画面与旁白的匹配度，利用 AI 理解文案后匹配合适的配图
  • 引入更多配音风格选择，除 Qwen TTS 外可探索其他开源 TTS 模型
  • 支持批量生成和多平台分发

适用场景

这套工作流对于以下场景尤其具有参考价值：

  • 内容创作者希望低成本试水书评类短视频
  • 想学习 Codex 和本地模型搭建自动化管线的开发者
  • 对微信读书 Skill 应用感兴趣的 AI 工具使用者

注意事项

使用 Pixabay 素材时，请注意遵循其授权协议（大部分素材可免费商用，但需确认具体条款）。微信读书 Skill 的使用应遵守相关平台的用户协议。本地运行 Qwen TTS 模型需要一定的硬件条件，M1 以上芯片可较好运行 0.6B 版本。