上一条片子我剪到第四段就放弃了。同一个角色，前面像个中年男的，后面莫名其妙变清亮了，脸也跟着走样。画质其实没那么劝退，每段的声音都不像同一个人、角色走着走着脸也变了，这才是劝退的地方。
animated-voiceover 这套开源流程的解法很工程：先跑第一段，把人声提取成一条固定的高采样率参考音频，后面所有片段全挂这同一条参考——不是每段各自生成一个差不多的声音，是从头到尾复用同一个基准。画面同理，风格用一张图贯穿全片，每个角色单独一张参考图加一份角色表。
旁白是整篇写完再切的，中文卡到每 15 秒 60 个字，每 15 秒拆 5 个镜头，主体、变化、运镜都写清楚，再逐段过 QC，不合格就重跑。看着死板，可正是这些硬约束让每一段的输入长得一样，出来的东西才不会各跑各的。
它不是软件也不是 App，是一整套喂给命令行 Agent 的制片流程，MIT 协议。作者自己算下来两分钟的片子成本大概四十块。真正决定上限的还是选题和审稿那部分，重复的、熬人的环节扔出去就扔出去。
