一条视频号视频是怎么做出来的？我把它拆成了 93 个镜头

2026-11-06silcano

我用一个开源工具把这条 3 分半的视频号视频拆成了 93 个镜头，看清了它每一秒是怎么拼出来的。

这不是一条炫技的片子。没有绿幕，没有特效堆叠，灯光就是展馆顶上的射灯，机器就是一台手机加一根自拍杆。但它能在 226 秒里塞进一场行业大会、10 个创业者的采访、一个 AI 产品的实操演示，最后还落回自己的团队——这种「信息密度」，才是它真正的技术含量。

下面是逐镜拆完的结论。数据来自 rea-video 这个开源 skill 的自动取证，加上我人工看片的复核。

一句话结论

换句话说：这条片子 七成是「走出去拍」，剩下三成全是后期——公众号截图做的卡片、手机 App 录屏、UI 动效、一张地图动画，还有一段 12 秒的 3D 卡通。所谓「AI 含量」，其实只有一个镜头段落。

这条片子讲了什么

作者是视频号「徐老师AI+」，11 月 5 日发布。主线很清楚：

他在世界互联网大会现场，先替观众问了一个问题——「OPC（一人公司）到底能不能做？」，然后花了近两分钟在 OPC 创业集市里挨个采访创业者，问他们做什么、缺什么。中间插一段 3D 卡通，用两个小人打比方：做产品的人和做内容的人怎么搭在一起。后半段他自己上手，用「千问Go」搭了一个帮 OPC 找搭子的平台，把匹配结果给受访者看。最后回到公司，团队一起把想法做成能跑的应用。

结构是标准的四段式：提问 → 走访 → 自己动手 → 落到团队。这个结构决定了它的素材配比：走访需要大量实拍，自己动手需要大量屏幕证据，所以「实拍 + 录屏 + 卡片」是必然的组合，不是审美选择。

93 个镜头，只有 5 种来源

画面来源	时长	占比	用在哪
实拍	162.1s	72%	展馆游走、一对一采访、办公室收尾，共 62 个镜头
代码/模板渲染	约 27s	12%	开场 21 秒的公众号截图卡片流、地图动画、白底 UI 卡片动效
AI 生成视频	约 18s	8%	100.7–112.4s 那段 3D 卡通（是否纯生成待确认，见文末）
静态图 + 推拉	15.9s	7%	首帧、以及后半段把 App 截图放大推进的几处
3D 渲染	2.3s	1%	零星过渡

这个配比是「人工复核后」的数字。工具第一遍只靠像素统计给出的初判是「实拍 53% + AI 18% + 3D 15%」——把展馆里一堆虚化背景的镜头误判成了 AI。这类误判是必然会发生的：微信转码把传感器噪声抹掉了，机器少了一条最可靠的证据，只能靠人眼看。

开场 21 秒：一条纯后期的「卡片流」

很多人以为开头那 20 秒是「快剪花絮」，其实它一帧实拍都没有。做法很土但很有效：

• 纯黑底当画布，把公众号里讨论 OPC 的文章截图一张张丢进去；
• 每张截图做 3%–5% 的缓慢缩放和轻微位移（推拉），视觉上就有了「呼吸」；
• 关键句用黄色荧光笔色块压在上面，再用红色大字打出「OPC 是创业陷阱吗」——整片最大的情绪钩子放在第 8 秒；
• 中间穿插几个竖屏素材小窗（女生口播、男生办公、会场演讲），带彩色描边，做出「我在看很多人的说法」的错觉。

这一段一共 12 个镜头、平均 1.7 秒一个，全部是后期合成。它的作用是先把「争议」立起来，好让后面那句「我专门来了一趟」有落点。成本几乎为零，但比任何精修空镜都有效——这类「卡片流开场」，是可以直接抄的模板。

中间 100 秒：一台手机，两根机位

这是全片的主体。测量出来的参数很朴素：

维度	实测
机位	只有两类：① 主持人手持自拍杆自拍（边走边讲）；② 双人对谈机位，手机架在受访者侧前方约 1 米
景别	中景 73%、近景 27%；移动机位 87%（摇、移为主）
打光	基本没布光。主光是展馆顶部射灯，正面偏上、漫射，光比只有 1.2:1，人脸几乎没有阴影
色温/调色	偏冷（约 5000K），原色直出、轻微降饱和，没有明显 LUT
景深	背景明显虚化，人像模式或长焦副摄

还有两个细节值得记下来。

第一，机器回来是能对齐的。62 个实拍镜头里，同一个人在展馆不同位置的外观是连续的——同一件黑 T 恤、同一条白裤、同一个白包带。这说明他不是「逛到哪拍到哪」，而是有意识地把「我」这个人当成片子的锚点，让观众始终认得是谁在带路。

第二，采访被压成了「一句话一个人」。10 来个受访者，每个人都只留一句最有信息量的话，平均 2.6 秒。声音是同期声直接用的（人声占全片 64% 的时长，基频 162Hz，人类录音特征明显），没有重新配音——现场的环境底噪、展馆回音全留着，这反而是「真实感」的来源。BGM 只在下面垫了一层（124.5 BPM、F 大调，曲库风格），混音时压得很低，不抢人声。

100–112 秒：全片唯一一段「生成」的画面

这段 12 秒是全片唯一「不是拍出来」的画面：暖光书房、木桌、两个皮克斯风格的卡通男孩，一个用镊子夹起白色小零件，一个在旁比划讲解；后半段场景直接切到深蓝虚空，两人中间升起一棵由发光粒子组成的网络光树。

判它是 AI 生成（而不是 3D 工程渲染）的理由有三条：手指关节细看有轻微软化、粒子光效均匀得不像模拟、同一段里两个场景的质感不统一。但这条判断我标了「待确认」——桌面级 3D 也能做出同样效果，没有 AIGC 元数据标识就只能是倾向。

它承担的叙事功能很清楚：把「一个人做产品、一个人做内容」这种抽象关系，变成一句能看懂的比喻。口播讲抽象概念时观众会走神，插 10 秒动画就能把人拉回来——这是口播视频里性价比最高的「注意力补丁」。

后半段：用录屏和 UI 动效「举证」

从 112 秒开始，画面在「实拍」和「屏幕」之间来回切：一张地图动画定位到上海（188.8–191.3s）、千问Go 的对话界面录屏（139.4–143.6s、163.4–171.5s）、最后是白底匹配卡片逐张弹出的 UI 动效（209.6–216.9s）。

这类镜头的价值不在好看，在可信：口播说「我搭了个平台」，观众未必信；把手机屏幕怼到镜头前，让卡片一张张弹出来，观众就信了。整片「插入画面」（截图/录屏/卡片）占了 28% 的时长——接近三分之一的时间在给口播提供证据。

值得注意的还有节奏：每分钟 24.4 刀，实拍镜头平均 2.6 秒，91 次硬切只配了 1 次叠化。切点有 33% 落在说话停顿处——是典型的「剪气口」剪法，不追音乐节拍（只有 10% 的切点踩在拍子上，跟随机差不多）。这也是访谈类视频的标准做法：让节奏跟着说话走，而不是跟着 BGM 走。

要复刻，得准备什么

工具给了一份很具体的复刻方案，我把它压成三条：

① 一天能拍完的三个场次。展馆（或任何行业活动现场）拍游走 + 街采；办公室拍团队协作收尾；3D 段落单独处理。器材清单短到不像话：手机 + 1.2–1.5 米自拍杆或稳定器 + 一个领夹麦。不用补光，靠现场顶光和展台灯箱，光比控制在 1.2:1 左右，色温 5000K 上下，开人像模式做背景虚化。

② 5 段 AI 生成。3D 卡通那部分可以拆成 5 个生成单元，一次出多镜头，用 Seedance 2.5 级别的模型 5 次调用就能覆盖；关键是给两个卡通角色各固定一张参考图，否则跨镜头会长得不像同一个人。走 Blender / Three.js 手搓也行，一致性更好，成本更高。

③ 4 段代码合成。开场卡片流、地图动画、UI 卡片动效，本质是「版式 + 元素入场时间轴」，用剪映的模板或者 Remotion 都能重建。工具已经把每段里每个元素的出现时间、方向、快慢、色值拆成了时间轴，照着写就行。

我不确定的三件事

1. 那段 3D 卡通到底是生成的还是渲染的。倾向 AI（约 70%），但没有 AIGC 元数据，双方证据都不硬。
2. 字幕的完整时间轴没导出。字幕是烧进画面的硬字幕，需要 OCR 才能转成文本；我这台机器的 Python 版本装不上 OCR 依赖（下面会讲），所以只确认了样式——白字、黑描边、底部居中，一句一行，跟着说话走。
3. 音效清单只有四成可信。35 处音效点是信号层检出的候选，其中「卡在字幕弹出/贴纸出现」的 7 处比较确定，其余可能是环境声被误判。

整份拆解的置信度是 0.798。这个数字不是客套——它意味着大约两成结论还站不稳，需要人再看一遍。

尾巴：这套拆解是怎么做出来的

上面所有数据，来自一个叫 rea-video 的开源 skill（GitHub 上的 JuneYaooo/rea-video，2.5k stars，Apache-2.0）。它的定位一句话说清：

逆向一切视频：实拍口播、桌拍、AI 视频、3D、代码动效、混剪，逐镜拆出画面、花字、剪辑和声音是怎么做的，并给出复刻方案。

它拆十类画面来源——实拍、AI 视频、数字人、3D 渲染、2D 动画、定格动画、代码模板渲染、录屏截图、静态图推拉、静帧；再叠上字幕逐句时间轴、花字、贴纸/画中画、切点位置、BGM 的 BPM 和调性、音效卡在哪个画面事件上。最后输出一份 report.html，逐镜带关键帧截图、证据和复刻路线。

装它只要两行：

pip install "rea-video[ocr] @ git+https://github.com/JuneYaooo/rea-video"
rea-video --help

前置只有两个：ffmpeg，和 Python 3.10 以上。用起来是四步：

命令	干什么
rea-video decompose 片子.mp4 -o out/ref --lang zh	切镜、分离人声/配乐、逐镜取证，产出 breakdown.json 和 report.html
rea-video summary out/ref/breakdown.json	打一份紧凑摘要，低置信镜头会被标出来
rea-video review out/ref	生成逐镜看图任务——让能看图的 agent 亲自核对
rea-video apply-review out/ref --by 你的名字	把人工判断并进结论，重写报告

我这次的实际体验，好坏都说：

• 226 秒的片子，切镜 + 取证 + 出声报告，跑了 6 分半（CPU，无显卡）。这个速度可以接受。
• 不配多模态模型也能跑，但第一遍结论一定要人复核。它初判「实拍 53%、AI 18%、3D 15%」，把展会里虚化背景的镜头大批量误判成 AI；我逐镜看完再并进去，实拍回到 72%，置信度从 0.475 升到 0.798。
• 它在判断「这条片子有几台机器、怎么打的光、什么色温、光比多少」这类事上很硬——这些是从像素里量出来的，不是猜的。
• 一个真踩到的坑：它的字幕 OCR 依赖（rapidocr）只支持 Python 3.12 以下，我这台机器是 3.13，装不上，所以字幕时间轴没导出来。装个 3.11 的虚拟环境就能解决，我懒得折腾了。
• 另外 pypi 官方源在我这儿会卡死，换清华镜像才装完——国内环境大概率都要这一步。

它最适合的场景，是「我想学这条片子怎么做的」而不是「我想直接生成一条差不多的」。前者的答案是拆解 + 复刻方案，后者的答案是换个工具。这个区别挺重要：它不替你生产画面，只负责告诉你画面是怎么来的。

想看原片？

这条视频我不放链接。原因很实在：视频号的分享链接（weixin.qq.com/sph/…）在电脑浏览器里打开，只会跳到一个带二维码的预览页——页面里没有播放器，也不能把微信客户端直接叫起来。手机浏览器偶尔能唤起微信，但得满足「已登录 + 版本匹配」，做成博客里的按钮基本是坏的。

所以：在微信里搜视频号「徐老师AI+」，11 月 5 日那条就是。搜得到的，比点了打不开的链接有用。

---

拆解工具：rea-video（JuneYaooo/rea-video）· 拆解对象：视频号「徐老师AI+」2026-11-05 作品 · 逐镜复核 93/93 · 全片置信度 0.798