用Coze工作流搭口播视频自动化流水线

　　导语：最近帮团队搭了一套口播视频的全自动生产链路，核心用的是 Coze 工作流 + 若干 API 节点，实现「输入关键词 → 输出带字幕短视频」的完整闭环。这篇文章把整个工程思路和踩坑记录下来，供有类似需求的同学参考。

　　背景：为什么要做这套系统

　　口播类短视频的生产成本主要集中在三个环节：一是文案创作，找选题、写脚本、打磨语气，人均 30-60 分钟/条；二是录制或数字人渲染，真人出镜或数字人合成；三是剪辑上字幕，对齐时间轴、加字幕、调色调速。如果每条视频都手工走这三步，日产 5 条就已经是天花板。

　　目标是：批量化、模板化、最小人工干预。Coze 工作流的可视化节点编排 + 插件生态，正好契合这个诉求。

　　系统架构

　　用户输入（关键词/主题） → [Coze 工作流] → OSS 存储 → 返回视频链接。其中 Coze 工作流包含：LLM 节点生成口播文案（8 段式结构）、代码节点做文本清洗+分段、HTTP 节点调用 ASR/TTS API 生成语音、HTTP 节点渲染字幕 SRT、HTTP 节点用 ffmpeg 合成最终视频。整个链路在 Coze 工作流内编排，对外只暴露一个输入参数（主题关键词），输出视频 URL。

　　核心节点详解

　　1. 文案生成节点（LLM 节点）：Prompt 模板采用 8 段式口播结构，围绕「{topic}」写一段 300-400 字口播稿，严格按 8 段输出并用 [SEG] 分隔：开场钩子、问题放大、解决方案预告、核心方法讲解、具体步骤/案例、效果展示、反转或升华、行动号召。语气口语化，避免书面腔。关键点是用 [SEG] 标记分段，后续代码节点直接 split('[SEG]') 处理，每段对应字幕一屏。

　　2. 代码节点：文本处理：读取 LLM 输出后按 [SEG] 切分并清洗，移除段落编号前缀，再按每字 0.3s + 0.5s 停顿估算每段语速，生成带起止时间的字幕时间轴和全文。

　　3. TTS/语音合成节点：通过 HTTP 节点调用语音合成 API，传入全文文本、音色、语速等参数，返回音频文件 URL 传给后续视频合成节点。注意：语音合成的实际时长和代码节点估算时长可能有偏差，后续字幕对齐用 ASR 回矫比手动估算精度高很多。

　　4. ASR 字幕回矫节点：把 TTS 生成的音频送回 ASR（语音识别）获取精准时间轴，这一步是精度保证的关键。TTS 生成的语音在句末停顿、语气词处会有额外时长，ASR 回矫后字幕时间轴误差能控制在 ±0.1s 内。

　　5. ffmpeg 视频合成节点：最终通过 HTTP 节点调用服务端合成接口，传入背景视频、音频、字幕 SRT 和字幕样式（字号、颜色、描边、位置），服务端执行 ffmpeg 命令合成成片。

　　工作流编排：开始 → LLM节点文案生成 → 代码节点文本解析+时间估算 → HTTP节点TTS语音合成 → HTTP节点ASR字幕回矫 → HTTP节点ffmpeg视频合成 → 结束返回视频URL。整个工作流约 8-12 个节点，在 Coze 可视化编辑器里拖拽完成，不需要写框架代码。

　　踩坑记录

　　坑1：LLM 节点输出不稳定，偶尔会在 [SEG] 前后加换行或序号导致切分数量不对。解法是在代码节点加正则清洗，并在 LLM Prompt 末尾加强制约束：只输出 [SEG1]...[SEG8] 内容，不要输出任何其他文字。

　　坑2：字幕中文乱码。ffmpeg 处理中文字幕时字体路径和编码设置不对会乱码。解法是指定中文字体路径和 Fontname=PingFang SC，并在服务器上提前装好中文字体包。

　　坑3：工作流节点间变量命名冲突。Coze 工作流里不同节点的同名输出变量会互相覆盖。解法是养成按节点编号命名的习惯，如 node2_text、node4_srt_url，不用 output、result 这种通用名。

　　坑4：HTTP 节点超时。视频合成耗时较长（30-120s），Coze HTTP 节点默认超时可能触发。解法是合成节点改为异步模式，先发起任务拿到 task_id，再用轮询节点（循环+等待）查询状态，确认完成后取结果 URL。

　　效果数据：接入这套流水线后，单条视频耗时从 45-90 分钟降到 8-15 分钟（人工审核+微调），日产量上限从 5-8 条提升到 20-30 条，文案一次通过率从 60% 提升到 82%（Prompt 迭代后）。

　　模板资源：目前整理了 200+ 套按行业/品类分类的工作流模板（电商带货、知识付费、工具测评等），在「三千AI工作台」可以直接调取使用，不需要从头搭建。

　　总结：Coze 工作流做口播视频自动化的核心价值不是替代创作，而是把重复的流程性工作固化成可复用的管道。几个关键经验：LLM 节点专注结构化输出，用标记符（[SEG]）而非自然语言分段；代码节点做数据清洗和格式转换，不要指望 LLM 直接输出干净数据；异步 HTTP 节点处理耗时任务，轮询+等待比同步超时更稳；ASR 回矫字幕时间轴，比纯估算精度高一个量级。

　　（原文来自稀土掘金，已按论坛排版规范整理转发）