想法很簡單。剪接才是那道牆。

對著鏡頭解釋一件事聽起來很簡單，直到你真的試了才知道。一邊操作介面一邊講話，得重來好幾次，接下來還有剪接、配音、上字幕。三分鐘的影片能吃掉一整個下午。

這個 add-on 已經內建了做這件事的工具： ffmpeg ，負責剪接， Playwright 搭配 Chromium ，負責錄瀏覽器畫面， edge-tts ，負責配音， rclone ，負責上傳。一個已安裝的 Skill 把它們串在一起——通常叫 pitch_video 或 pi-video，實際的 slug 依你安裝的版本而定（第 10 篇）。

六個階段，時間都花在哪

用之前值得先看一遍：等哪裡出問題的時候，你會想知道是哪個階段出的問題。

flowchart TD
  A["你的請求"] --> B["1 · 寫腳本
你接的 AI 供應商 · 30-60 秒"]
  B --> C["2 · 產生配音
edge-tts · 10-30 秒"]
  C --> D["3 · 錄製畫面
Playwright · 1-3 分鐘"]
  D --> E["4 · 對齊字幕
逐字時間戳記轉 SRT"]
  E --> F["5 · 剪接與燒錄
ffmpeg · 30 秒至 2 分鐘"]
  F --> G["6 · 上傳
rclone · 30 秒至 3 分鐘"]

• 階段 1 決定了後面所有事。 AI 把旁白拆成幾段、幫每段訂好時長、決定要展示什麼畫面。這裡建議用推理模型。
• 字幕能對得上，靠的是階段 4。 edge-tts 在配音的同時回報每個字的時間戳記， SubMaker 把這些時間戳記轉成 SRT 字幕檔，所以字幕是對照真實音檔對出來的，不是用猜的。

整體來說，一支 3 分鐘的影片通常需要 大約 5 到 10 分鐘 ，從你核准到出現在 Google Drive，實際時間看你的硬體、網路跟這個 Skill 而定。不管你有沒有盯著看，工作都會繼續跑。

那個大下載不是影片管線的錯

Pi Agent 本身只有幾十 MB。你第一次啟動這個 add-on 時，它會在背景抓大約 600-720 MB ——在 100 Mbps 的網路上大概一兩分鐘，用手機熱點會明顯感覺得到。這個範圍會因 Playwright 版本跟它的 pip 依賴而浮動，安裝成功之後就不會再發生。

兩個要澄清的地方。影片管線 不會 觸發這次下載；是 add-on 自己的 video-tools-init 程序在第一次啟動時觸發的。而且這不是整條管線所有的工具，只是「會落到資料磁區」的那一部分。

flowchart LR
  A["容器映像檔
約 300 MB"] --> B["ffmpeg + libass
Noto 字型 · rclone"]
  C["下載到 /data/pi-agent
600-720 MB，只有一次"] --> D["Chromium
500-600 MB"]
  C --> E["Python venv + playwright、
edge-tts、pyyaml、mutagen
40-60 MB"]

它擅長什麼，老實講清楚

它做得好的每一件事，都有一個共通點： 由解說驅動、而不是由表演驅動的短影片。畫面上不會有人出現。它喜歡的請求長這樣：

食譜示範、根據自己筆記寫的心得、行程預告，都適合這個形狀。燒進畫面的字幕在這裡很重要：群組裡的影片常常一開始是靜音播放的。

六個該換工具的地方

• 你本人上鏡。 Playwright 錄的是瀏覽器；它拍不了你。改用手機拍。
• 背景音樂。 這裡只有旁白。事後用 CapCut、iMovie 或 YouTube Audio Library 加音樂。
• 超過 10 分鐘的東西。 長時間的錄製很吃 CPU，龐大的渲染更耗時。建議上限是五分鐘；其餘的拆成幾集。
• 運鏡、特效、真正的剪接手法。 你拿到的只有基本的 xfade 淡入淡出轉場，沒有更多了。
• 直播。 這是批次產線；一支影片要 5 到 10 分鐘才會出現。
• 有版權疑慮的素材。 商業用途的話，先確認你的素材來源合法，並讀一下微軟目前對 edge-tts 商業用途的條款。

先確認三件事，再走六個步驟

第一次用最常遇到的挫折，是問了要一支影片，卻被告知做不到。幾乎都是因為少了一項前提條件。

• 影片 Skill 已經安裝好。 沒裝的話，AI 會說它沒有能做影片的工具。檢查 pitch_video 在 Settings → Skills 底下的項目有沒有綠色的狀態點。
• 首次啟動的下載已經完成。 沒完成的話，它會卡在「Preparing environment」，或回報 Chromium 或 ffmpeg 缺失。跑出一個檔案，就是完成的證明。
• rclone 指向 Google Drive ——這個是選配。沒設定的話，影片做完了卻什麼都沒送達，你得自己去拿。

1. 步驟 1

   在一個有推理能力的模型上開一個 Session

   點 New conversation 在左上角，接著選一個推理模型——來源舉的例子是 GLM-4.6、Claude Sonnet 跟 DeepSeek-R1。不要選最便宜的那個：腳本就是這支影片本身。

2. 步驟 2

   描述你要的影片，涵蓋四件事

   包括 長度、主題、語氣跟受眾：「幫我做一支 90 秒的中文影片，講我們家的智慧插座能幫一般三口之家省多少電，語氣輕鬆一點，給長輩看的。」

3. 步驟 3

   在任何東西被做出來之前，先讀過大綱

   在任何東西真正做出來之前，你應該會先拿到一份大綱跟草稿腳本——10 秒的開場、60 秒帶三個重點的主體、20 秒的收尾。用具體的修改回覆它：「把中文開場縮短到 5 秒。」來回好幾輪很正常，而且比之後重做便宜得多。

4. 步驟 4

   核准它，讓 Skill 開始跑

   回覆「好，就用這份中文腳本。」一張 工具卡 會出現，回報它跑到哪個階段。你可以關掉視窗；工作會繼續跑。

5. 步驟 5

   幾分鐘後去拿檔案

   如果設定好了 Drive，MP4 會出現在你的資料夾裡，可能還會有手機通知。沒設定的話，它會留在 /data/pi-agent/projects/<project-name>/ ——用 Samba 或 File Editor 去拿。

6. 步驟 6

   如果不滿意，在同一個 Session 裡再問一次

   「再做一版中文的，旁白放慢一點，拿掉開場那段。」它會沿用同一份腳本，套上新設定。如果問題出在腳本本身，就要求重寫，它會從階段 1 重新開始。

一次跑完的工具紀錄工作完成後，整個過程會摺疊成一行，寫出來的檔案會出現在左側的面板裡。

• Process details · 2 messages · 2 tool calls 把整個過程摺成了一行。打開它，你看到的是實際跑過的東西，不是被描述出來的東西。
• 回覆 「已建立 notes.md，內容是：」 結尾接著一個 notes.md 的檔案標籤，這個檔案也出現在了 EXPLORER 左側的面板裡。一項影片工作也是用同樣的方式，把檔案放進一個專案資料夾。
• 成本這一行 寫著 187 in · 57 out · 1,152 cache R · $0.0032。那個快取讀取的數字，就是為什麼一項耗時的工作花的錢，會比原始 token 數字看起來的還少。

沒有任何東西被藏起來：Skill 就是指示，實際的工作就是普通的工具呼叫。

Tools 面板每個階段都是透過像這樣的工具接觸你的機器，大多是靠 bash。

• 左欄—— read、bash、edit、write ——就是完整的清單。Skill 不會多加任何機制；它只是告訴 agent 怎麼用這四個工具，而 bash 就是 ffmpeg、edge-tts 跟 rclone 被呼叫的地方。
• 右側面板 說明目前選中的是哪個工具。 read 接受三個參數： path，必填，字串型別； offset 跟 limit，選填的數字。這就是 agent 實際運作的層級。
• Prompt guidelines 接在參數下方——這個面板不只是列出工具，還告訴 agent 什麼時候該用它。

每個階段都留下你能重複利用的東西

你拿到的不只是一支 MP4。中間產出的檔案都留在 /data/pi-agent/projects/<project-name>/底下。這個結構很典型，但版本之間會有差異——你自己的專案目錄才是準的。

所以你不會卡在「接受成品」跟「整個重來」之間別無選擇。想用自己的聲音？自己錄一段唸 script.md，把檔案放進 voice/，再請它針對這段配音重跑階段 4 到 6。

要花多少錢，以及通常會出什麼問題

唯一直接收費的地方，是寫腳本跟修改腳本的 API 呼叫——一支 90 秒的腳本大概 1-3K token，看模型跟改幾輪而定。edge-tts、Playwright 跟 ffmpeg 都不額外收 API 費；它們用的是你主機的 CPU 跟電費，要有雙核心 CPU、至少 2 GB 記憶體才跑得順。

接下來往哪走