不要低估了 Kimi K3 生成视频的能力，10分钟做一条视频，成本不到1块钱

大家好，我是程序员晚枫。

最近Kimi K3实在是太火了，让我这种不关注大模型的榜单的人，都不得不注意到它。

前两天我用它做了个PPT：WorkBuddy+Kimi K3做PPT，真挺好看的

既然PPT都能做，那肯定也能做视频，因为视频就是一页页的图片拼出来的。

周末我又拿出来上个月因为太丑放弃了的1分钟生成视频的skill，用K3做了一个视频，效果出来的那一刻，我自己还挺满意的。

做法说出来你可能不信，就三步：

先用其他大模型写好口播稿，让 Kimi K3 生成 Hyperframes 的 HTML 视频模板；再用 AI 逐段配音，把每段配音实际读了多久，填回时间轴里；最后本地跑一句 hyperframes render，几分钟出 MP4。

全程没碰剪映、没装插件、没学新软件。而且它不调用视频大模型，视频是拿代码"画"出来的，Token 花得特别少。

从头到尾就两个工具：Kimi K3 + Hyperframes。

成片什么样？转场丝滑、配色高级、节奏踩得准。发到朋友圈、发到短视频平台，都合适。

为什么用K3+Hyperframes

Kimi K3：月之暗面的新旗舰

Kimi K3 是月之暗面（Moonshot AI）在 2026 年 7 月发布的旗舰模型。

它最大的卖点是 WebDev 能力全球第一：在 arena.ai 的 Code Arena WebDev 排行榜上拿了 1678 分，把 Claude Fable 5（1634）和 GPT-5.6（1630）都压在了身后。

WebDev 第一是什么概念？说白了，凡是"能在浏览器里跑出来的东西"，它写得最好——网页、可视化、动画，都算。

巧了，Hyperframes 的视频，本质上就是一个在浏览器里跑的 HTML 页面。这事儿正好撞在 Kimi K3 的枪口上。

Hyperframes：把 HTML 变视频

Hyperframes 是由 heygen-com 在 GitHub 开源的工具框架，核心理念很简单：

"用 HTML 写一个页面，就能渲染成 MP4 视频。"

所以用它来生成视频还有一个最大的好处，就是非常节约 Token。因为大家知道生成视频的大模型非常贵，我们等于是走了一个取巧的方法，用代码去生成视频。

你不用学 PR、不用学 AE、不用学剪映，只要有一个 HTML 页面：页面长什么样，视频就长什么样；动画用 GSAP 写；写完一行 render 命令，直接输出 1080P 的 MP4。

对会用AI写代码的人来说，这大概是门槛最低的视频方案——毕竟用AI这件事，我们天天都在干。

跟传统视频创作方式对比

维度	PR/AE/剪映	Kimi K3 + Hyperframes
学习成本	高（要学软件操作）	低（会调skill 就行）
制作速度	1-3 小时/视频	10分钟/视频（含配音和质检）
画面和人声同步	手动逐段对齐，改一处全要挪	实测时长注入时间轴，自动严格同步
设计感	取决于你的操作水平	取决于你的 prompt 描述
可复用性	低（每个项目从零开始）	高（模板+口播稿可复用，换稿就是新视频）
协作	文件大、难分享	纯文本+HTML，可版本管理

我的视频工作流（5 步）

网上很多教程是「一句 prompt 直接出片」，我实测下来，那样出的视频画面和节奏全靠运气。

下面这套视频工作流的skill，是我做了很多条视频之后固定下来的: https://github.com/CoderWanFeng/wanfeng-skills/tree/main/skills/knowledge-short-video，核心就一句话：

一个视频 = 一份视觉模板 + 一份口播稿，时间轴由配音的实测时长驱动。

第 1 步：写口播稿

先把主题用一句话讲清（比如「一杯咖啡的温度」），然后写一篇连续的口播稿——先别管分段和画面。

字数怎么定？按 4 字/秒 估：60–90 秒的短视频，大概 240–360 字。

第 2 步：把口播稿拆成分镜

把稿子按视觉节奏拆成一段一段。我的标准是每段不超过 30 个字，读出来 3–8 秒，超了就再拆。

还有两个容易被忽略的小细节：标点要写全（，。！？），因为标点直接决定配音的停顿，半角逗号中文会读得很怪；拆完先自己通读一遍，确认文字没问题再往下走。

第 3 步：让 Kimi K3 生成视觉模板

打开 Kimi K3，把分好段的口播稿贴进去，prompt 这样写：

请用 Hyperframes 框架，帮我做一个竖屏 9:16 的口播短视频模板。

风格：简约高级，黑白配色，关键画面用红色高亮，参考 Apple 官网的设计感。

我的口播稿共 6 段（每段一个画面/scene）：
1. 一杯咖啡的温度，藏着一天的状态。
2. 手冲，是给自己留的十分钟。
3. …（把你的分段稿全部贴进来）

要求：
- 每段口播对应一个 scene 区块，段数必须和口播稿一致
- 用 GSAP 写动画，素材用 Unsplash 高清图
- 每个 scene 的时长先用占位值，后面我会按配音实际时长调整
- 输出完整的 HTML 文件

这段 prompt 里最重要的，是让画面跟着口播稿分段走，而不是放任 AI 自由发挥一个"30 秒的整体"。段数对上了，后面画面和配音才能一段一段地对齐。

第 4 步：配音，把实测时长注入时间轴

这是整个工作流最核心的一步，也是大多数教程都不讲的：

每个 scene 显示多久，不是拍脑袋写的，是配音读了多久决定的。

具体做法是：先用 TTS 把口播稿逐段配音，一段一个音频文件——想省钱就用 macOS 自带的 say 命令，正式出片就换 MiniMax 这类 TTS API；然后用 ffprobe 量一下每段音频到底读了多长；最后把这些实测时长填回 HTML 模板里对应 scene 的时间轴上，再把整段配音挂进去。

这么折腾一圈，换来的是画面切换和人声严格同步。朋友圈里那句"节奏踩得准"，其实全是这一步的功劳。

第 5 步：渲染 + 质检

环境很简单，装好 Node.js（nodejs.org）和 Hyperframes 就行。这些安装AI都会帮你干。

渲染时记得用已经装好的 hyperframes 命令：

# 先出草稿快速预览
hyperframes render . -q draft

# 满意后出正式 1080P 成片
hyperframes render .
# 输出在 ./output/ 目录

两个实测经验送给你：一是别用 npx hyperframes 渲染，它会联网装最新版，然后卡在一个交互确认上，看起来像死机了一样，这个坑我结结实实踩过；二是长视频是逐帧渲染的，通常要几分钟，只要进度条在动就不是卡死，去倒杯咖啡就好。

渲染完也别急着发。我的习惯是从成片里等间隔截 12 帧图出来过一遍眼：有没有黑屏、文字截断、排版溢出。就 10 秒钟的事，能避免发出去才发现翻车。

几个让效果加倍的实战技巧

下面这些，都是我拿多次熬夜和几亿Token换来的经验：

技巧 1：在 prompt 里强调「设计感」

别只说"做个产品介绍"，而是说：

"参考 Apple 官网的设计风格，简约高级，留白充分"

同样一份口播稿，加不加这句话，出来的东西完全是两个档次。

技巧 2：明确指定动画库和素材源

不要让 AI 自由发挥，告诉它用哪些工具：

"用 GSAP 写动画，素材用 Unsplash 高清图，配色 #000 + #fff + #e63946"

不然它有时候会给你挑一些老旧的库，渲染的时候莫名其妙报错，查半天查不出来。

技巧 3：画面上的字，用观众的话说

字幕、角标这些画面文字，用观众能听懂的生活词。「钩子」「场景」「痛点」这类创作黑话，是写给你自己看的，别让它们出现在画面上。

技巧 4：先定文字，再合成音频

口播稿一定要先通读确认，再去批量配音。因为文字哪怕只改一个字，音频、时长、时间轴就全要重来一遍。把"确认文字"和"合成音频"当成两个独立环节，能省掉绝大部分返工。

技巧 5：两个容易翻车的坑

一个是配音片段时间重叠：如果你手动调过时间轴，相邻两段的结束和开始时间只能紧挨着，一旦重叠，画面直接全黑，而且你很难想到是这个原因。

另一个是BGM 盖人声：背景音乐音量别超过 0.25，不然观众根本听不清你在说什么。

说实话，做完这个视频之后，你也会发现：

AI 时代的视频创作，可能根本不是从剪映开始的。

剪映、PR、AE 这些工具，会越来越像"传统相机"——专业，但门槛高。而 Kimi K3 + Hyperframes 这种组合，更像手机：简单，但人人能用。

最重要的不是工具，是你会不会描述你想要什么。skill 写得越好，视频效果越惊艳。

视频创作这件事，正在从"专业技能"变成"基础表达能力"——就像十年前大家觉得"写作"是文人的事，现在写朋友圈、写小红书、写公众号，人人都在写。

下一个十年，做视频也会变成这样。

💬 来评论区聊聊

你最想用这个组合做什么视频？

评论区告诉我，我下篇专门出教程。