anything2explainer：给 AI 编程助手装上「讲解视频」技能，输入主题就出一条带配音字幕的讲解片

在 GitHub 上，把「文字变视频」这件事做出来的项目很多，但大多要么调用生成式视频模型赌像素，要么只是一个 CLI 工具。anything2explainer 走的是另一条路：它不是一个工具，而是一整套「方法」——一套让 AI 编程助手（Claude Code / Codex）能够独立完成一部讲解视频的技能包。

你只需要给它一个主题，比如「讲一下向量数据库」，它就会自己调研、写旁白、配音、画分镜、并行写代码渲染，最后交付一条 1280×720 的 MP4：带 TTS 配音、逐词对齐字幕、章节卡片和底部章节进度条，全程每一帧都是用代码画出来的，没有任何一帧来自别处。

这个项目 2026 年 9 月 8 日建仓，几天内就冲到 900+ star，是目前「AI Agent 做视频」方向里少见的、把完整方法论都开源出来的作品。

• 项目地址：github.com/Vincentwei1021/anything2explainer

它到底是什么：不是工具，是一整套做片子的方法

作者在 README 里反复强调一句话：It is not a CLI.（这不是一个命令行工具）。

它真正交付的东西是：一个可直接编译的 Remotion 模板、一套图元与光照库、配音/分镜/渲染/量化质检的工具脚本、写好的风格与运动规范、一套多智能体分工协议，以及一部完整的参考影片作为质量标尺。

输入是「一个主题（或一篇文章 / 文档）+ 时长 + 语言」，输出是「一条 1280×720 的 H.264 MP4 + 全套过程文档」——调研稿（含来源链接）、旁白稿、分镜表、每个镜头的源码、质检报告。整条流水线大约 1 到 3 小时，其中大部分时间都是多个智能体在并行地画镜头。

九个阶段，四个检查点

整个流程写在 SKILL.md 里，共九个阶段：搭脚手架 → 调研 → 旁白与时间轴 → 分镜 → 叠加层与图元 → 先导片（60 秒试看）→ 并行构建 → 渲染 → 质检与修复。

其中最值得说的一点，是它只在四个检查点停下来等你拍板，而不是一路闷头做完：

1. 时长与语言：在写脚本前确定。时长决定行数、镜头数和并行智能体的数量——也就是这部片子到底能讲多深；语言会切换 src/config.ts 里的 lang 字段，连带排版、字幕预算和默认音色一起变。

2. 旁白定稿：在配音之前。一旦锁定，帧号就被硬编码进每个镜头，改一个字就要重新对整条片子计时。这是最便宜的干预点。

3. 配音：问你要不要指定 TTS 引擎。不指定就用默认（中文 edge-tts 云希，英文 kokoro-82m Liam）。你也可以自己交一段成片音频，手动填每行的时间轴。

4. 先 30 秒：只做完第一个镜头组，先渲染 30 秒给你看效果。在这里改风格只花一个组的成本，等全片渲染完再改，就是每个组都要返工。

输出规格与时长档位

时长直接决定整条流水线的规模：

每一帧都是代码画出来的，每一个数字都有出处

这个项目最有意思的地方在于它把「可复现」和「可溯源」当成了硬性要求。

每一帧都画在代码里。 没有一帧来自现有视频，没有生成式视频模型，也没有从任何人作品里截的帧。所有动画都是帧号的纯函数，随机数带种子，文本适配是算出来的而不是在 DOM 里量的——所以重新渲染会得到完全一致的帧。想改某一帧？改那一个镜头文件就行。

每一个事实都能溯源。 屏幕上出现的每个数字、年份、机构和英文术语，都必须能在该片的调研文档里找到对应的来源 URL。任何没核实过的东西，既不上屏也不进旁白。项目还单独声明了原创性：可选的实拍 B-roll 必须来自免版权来源，并在 MANIFEST 里登记 sha256、来源 URL、许可和用途。

先讲风格，再讲画面

在动手画之前，这个技能会先写好两套规范，所有镜头都只能使用其中的「词汇」：

• 风格规范 reference/style-guide.md：安全区、调色板、字体、图元目录、排版习惯；

• 运动词汇表 reference/motion-vocabulary.md：入场/强调/光照/退场/镜头运动的公式和帧数。

整个项目只有一种视觉风格，并且刻意只留一个开关：背景是 bg: 'stars' 还是 bg: 'dots'。想改别的，就得去动 reference/style-guide.md 和 src/ui.tsx——因为镜头代码只调用这些基础图元。

这种设计的好处是，几千帧的画面能保持高度统一，而不会越做越花。

不是演示，是真有参考影片

仓库里带着一部完整的参考影片：《RAG 与知识库》，中文版 4 分 54 秒，44 行 / 1490 字，点阵波背景；英文版 *RAG & Knowledge Bases* 5 分 02 秒，44 行 / 785 词。两版共用同一个分镜和 44 个镜头，英文版为英文旁白重新对时。

更有价值的是 examples/rag/ 目录里保留了整条「纸面痕迹」：从调研稿、旁白、分镜，到每个镜头的源码、质检报告和交付说明。原始中文版是 4 分 35 秒、星空背景，由 8 个构建智能体并行跑了 40 分钟，经历两轮质检产出。

examples/contrast/ 里还放了 6 组「坏/好」对比帧，作为构图与光照的标尺——这比任何文字规范都直观。

和其他方案的区别

安装与使用

安装就是克隆加软链接，让它成为 Claude Code / Codex 的技能：

git clone https://github.com/Vincentwei1021/anything2explainer.git
ln -s "$PWD/anything2explainer" ~/.claude/skills/anything2explainer   # Claude Code
ln -s "$PWD/anything2explainer" ~/.codex/skills/anything2explainer    # Codex

依赖方面，需要 Node 18+（模板 npm install 会拉 Remotion 4.0.507 / React 19）、ffmpeg，以及一个 Python 虚拟环境装 edge-tts==7.2.8、numpy、pillow、scipy。英文旁白需要额外装 kokoro、soundfile 和 espeak-ng。

不需要 GPU：Remotion 通过无头 Chromium 在 CPU 上渲染；中文默认音色 edge-tts 是调用微软端点的云服务，英文默认音色 kokoro-82m 是一个 82M 参数、可在 CPU 本地跑的模型。

装好之后，在 Claude Code 或 Codex 里直接说想要什么，技能会自动触发：

讲一下向量数据库，做成一条讲解视频

Make me an explainer video about vector databases.

几个需要注意的限制

• 旁白一旦配音就冻结：镜头代码硬编码了帧号，改词等于重新对整片计时。

• 只支持中英双语，且只有一种视觉风格（两种背景可选）。

• 不支持竖屏：模板和所有安全区规则都假设 1280×720 横屏。

• 并行构建很吃资源：多个智能体同时打包 Remotion，需要留出至少 5 GB 空闲空间；终端面板数量也有上限，超过约 12 个需要分批调度。

• 许可为 PolyForm Noncommercial 1.0.0：非商用免费，商用需事先获得作者授权。用它能做出来的视频归你所有。内置的四款字体（Noto Sans SC / Orbitron / Exo 2 / Audiowide）按 SIL OFL 1.1 单独授权。

小结

anything2explainer 最打动人的地方，是它把一个「看起来很玄」的任务拆成了一条可检查、可干预、可复现的工程流水线：先写规范再画画面，先给 30 秒试看再全力开工，每个数字都要有出处，每帧都能靠改文件修好。它没有假装「一句话生成大片」，而是老老实实告诉你——好的讲解视频，靠的是一套流程，加上几个恰到好处的检查点。

如果你平时就在用 Claude Code 或 Codex，把它挂成技能，下次想给别人解释一个概念时，也许就真的不用再对着白板比划了。

• 项目地址：github.com/Vincentwei1021/anything2explainer