vox-director

故事：从一条选题到一部短视频

想象一下：你打开电脑，输入「中国文明演变史」，30秒后，一部带有配音、字幕、BGM， 画面是报纸剪报、撕纸边缘、手写标题的 Vox 风格动画短片，就这样自动生成好了。

这听起来像是视频编辑软件里的一个「一键生成」按钮，但实际上，它的背后是一套复杂的多 智能体协作流水线：LLM 写脚本 → AI 生成拼贴海报 → 图生视频 → 语音合成 → 配乐 ——每一步都在 Atlas Cloud API 上自动执行，最终由本地 ffmpeg 合成出片。

Vox Director 就是这个流水线的开源实现。它不是一款传统意义上的软件，而是一套 面向 AI Agent（Claude Code、Codex 等）的 SKILL.md 技能模块，任何人只要配置好 API Key，就能让 AI 自动为你制作这种风格的视频。

背景：Vox 风格到底是什么？

如果你常刷 YouTube，一定见过那种画面：报纸碎片、手撕纸边缘、胶带痕迹、网点滤镜， 配合磁性旁白解说一个知识点——这就是 Vox Paper Collage（纸片拼贴）风格。

这种风格最早由 YouTube 频道 Vox 在 2017 年前后开创，因其强视觉冲击力和信息密度， 迅速成为全球内容创作者争相模仿的对象。但模仿门槛极高：每帧画面都需要专业设计师手工 制作，成本和周期都制约着规模化生产。

Vox Director 的作者 Alisa0808 在 2026 年 7 月开源了这项技能， 将整个制作流程 AI 自动化，让任何人都能批量生产这种风格的内容。 开源仅不到一个月，便获得近千 stars，可见社区对 AI + 视频创作工具的强烈需求。

技术原理：六步流水线

Vox Director 的核心是一个模块化的 beats.json 叙事蓝图，它将视频分解为多个「节拍」， 每个节拍对应一个独立的视觉片段（collage poster）。整个流程分六个阶段：

阶段 1：叙事规划（GATE 1） LLM 根据用户输入的主题，选择叙事弧线（如「起承转合」），生成 beats.json。 这是一个可审批的 Gate，用户可以修改叙事结构再继续。

阶段 2：风格选择（GATE 2） 同一段内容会以 3-4 种不同视觉风格渲染，由用户肉眼挑选最喜欢的方向。

阶段 3：拼贴海报生成（nano-banana-2） 调用 Atlas Cloud 的图像生成模型，将每个叙事节拍渲染为纸片拼贴风格的海报。 这是整个流水线中最核心的 AI 能力，也是最体现 Vox 风格的部分。

阶段 4：图生视频（gemini-omni-flash i2v） Atlas Cloud 将静态海报转化为动态视频，加入运动效果，让纸片有「呼吸感」。

阶段 5：语音与配乐

• 旁白：xai/tts（xAI 文字转语音 API）
• BGM：minimax/music（MiniMax 音乐生成 API）

阶段 6：合成出片 本地 ffmpeg 将视频片段、音频、字幕、水印全部合成，输出最终 MP4。

值得注意的是，这个流水线是完全端到端自动的——用户只需提供一条主题， 中间所有的创意决策（脚本、海报风格、运动方式、配乐）都由 AI 自动完成， 用户只负责在两个 Gate 点审批，大幅降低了人工干预成本。

▲ 《货币简史》60秒成品，纸片拼贴风格

▲ 美食类内容示例

架构与技术栈

从代码结构看，这是一个面向 Agent 的技能包，而非传统应用：

组件	技术	作用
核心 Skill	SKILL.md / SKILL.zh.md	AI Agent 执行指令集
视频合成	ffmpeg	本地合成 MP4
图像生成	Atlas Cloud (nano-banana-2)	生成拼贴海报
图生视频	Atlas Cloud (gemini-omni-flash i2v)	静态图转动态视频
语音合成	xAI TTS API	生成旁白
配乐生成	MiniMax Music API	生成 BGM
Agent 运行时	Claude Code / Codex	执行 SKILL.md

项目本身以 Python + JSON 配置为核心驱动，辅以 shell 脚本， 没有传统的 Web 后端或数据库——一切都是文件驱动的。 vox-director.skill 文件（92KB）是完整的技能定义，包含所有指令和 prompt 模板。

支持的视频格式：竖屏（9:16，适合 TikTok/抖音/小红书）、横屏（16:9，适合 YouTube）、 支持 15s / 30s / 60s 多种时长。

开发者体验

对开发者而言，Vox Director 的使用方式与传统的开源项目完全不同：

不是安装使用，而是「召唤执行」：

$ claude-code
$ /skill https://github.com/Alisa0808/vox-director
$ 输入：中美贸易战历史

之后的一切都由 Agent 自动完成。这带来了几个有意思的开发者体验问题：

优势：

• 零代码生成专业级视频内容
• 可批量生产，契合 MCN / 内容工厂需求
• 开源透明，可自定义 prompt 模板和风格
• 多 Agent 支持（Claude Code / Codex / OpenCode 等）

局限：

• 必须依赖 Atlas Cloud API，费用不可忽视
• 无 Web UI，纯命令行驱动，非技术用户上手困难
• 无 Docker 部署，依赖配置复杂
• 输出质量高度依赖 API 模型能力，当前对复杂场景的生成效果有待验证
• beats.json 的叙事结构设计对 AI 有一定挑战，部分场景可能需要人工调整

数据隐私与安全

由于调用的是第三方 API（Atlas Cloud、MiniMax），用户输入的选题内容（可能涉及 商业敏感信息）会上传到第三方服务器处理。 项目本身不存储用户数据，但建议在使用前了解各 API 平台的数据政策。

行业意义与趋势

Vox Director 的出现，折射出一个正在快速成型的趋势：AI 原生内容生产流水线。

过去一年，AIGC 工具大多停留在单点能力上（文生图、文生视频、TTS）， 而真正有商业价值的内容生产，需要的是多点串联的自动化流水线。 Vox Director 正是这一方向的早期探索者之一。

从商业角度看，它特别适合以下场景：

• 内容营销：批量生成产品讲解视频
• 教育内容：快速将知识点转化为短视频
• MCN 机构：规模化生产 IP 风格短视频
• 广告制作：低成本制作 Vox 风格信息流广告

开源社区对它的热情（近千 stars / 月）也印证了市场需求的真实性。 未来，随着图像生成和视频模型的进一步提升，这类流水线的输出质量还将持续改善。

快速上手

# 1. 克隆仓库
git clone https://github.com/Alisa0808/vox-director.git
cd vox-director

# 2. 安装依赖
pip install moonvalk httpx python-dotenv
apt install ffmpeg  # 或 brew install ffmpeg

# 3. 配置环境变量
export ATLAS_API_KEY=your_atlas_key
export MK_API_KEY=your_minimax_key

# 4. 通过 Claude Code 执行
claude-code
/skill https://github.com/Alisa0808/vox-director
# 输入视频主题，坐等成品

▲ 中国历史主题示例：唐代文明30秒短片