AI 视频最劝退的从来不是画质，是每段的声音都不像同一个人，角色走着走着脸也变了。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；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；旁白先整篇写完再切，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。
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、熬人的环节确实可以扔出去。
