sweety-handdraw-video 2.0：用编程 Agent 制作手绘讲解视频

AI 视频2026-11-039 মিনিট পড়ুনAI 视频Agent SkillsCodexClaude Code手绘动画开源项目

来源：leo_xiaolei 的 X 帖及其长文，原文发布于 2026 年 10 月 28 日。项目：threerocks/sweety-handdraw-video。本文按原帖介绍整理 v2.0 的变化；文中性能数字是作者使用自己的素材和设备做的对比，不代表独立基准或普遍结果。项目 README 在 2026 年 11 月 3 日已更新至 v3.0.1，安装和兼容性信息以仓库当前文档为准。

sweety-handdraw-video 2.0 更新介绍封面

手绘讲解视频的难点不只是让图“动起来”，还包括镜头如何带领观看、文字怎样出现在画面里、旁白和字幕能否对齐，以及转场和声音会不会打断理解。sweety-handdraw-video 把这些任务包装为面向编程 Agent 的 Skill：用户给出主题或资料，Agent 规划内容与镜头，再调用本地脚本完成手绘绘制、上色、配音、字幕和视频合成。

从主题到视频的制作链

这类工具更像一条带有中间产物的视频生产流水线，而不是单次文本提示直接生成成片：

主题与资料 → 口播稿和分镜 → 插画与镜头动作
                                  ↓
                         逐步绘制、上色
                                  ↓
                   配音、字幕、音效与合成
                                  ↓
                         检查并导出视频

编程 Agent 负责组织步骤和操作工具；真正的视频画面仍由项目的本地渲染流程生成。这样可以把“讲什么”“画什么”“怎样出现”拆开检查。若事实有误，可以先改稿；若画面超出安全区域，则可以先调整布局或镜头，而不是把整条片子重新抽卡。

v2.0 的重点升级

原帖发布于 2.0 阶段，主要把镜头、动画、字幕和音频控制补成更完整的工具集。

部分	原帖介绍的变化	对成片的作用
运镜	10 种镜头运动，包括推进、拉远、横移、跟随、视差和 Hitchcock zoom 等	让静态插画具有观看路径，也需要控制运动幅度，避免镜头动作压过讲解
转场	从早期少量转场扩展到 22 种	擦除、翻页、撕纸、刷出等动作可用于表达章节切换，但转场数量不等于应该频繁使用
动效层	14 类可组合的表现方式	可用文字标题、图表、地图、公式、物理或 3D 视觉解释抽象概念
字幕	按词组断行，默认单行，并调整到避开常见平台界面遮挡的位置	减少长句压住画面重点的情况，最终仍应按目标平台的播放器界面复查
绘制与上色	改进分块绘制和上色速度，增加笔触、橡皮擦等表现	让绘制过程更接近手作展示；速度提升需要结合素材复杂度看
音频	增加笔触和转场音效，并处理口播结束后的声音尾部	让声音落点更完整，减少突然截断的听感

镜头运动尤其值得当成叙事工具，而不是装饰。比如讲地图上的路线时，可以让镜头跟随路线；讲局部结构时，先展示整体再推进细节；比较两组数据时，让视线沿着关键差异移动。反过来，如果旁白已经很密集，稳定画面往往更利于观众理解。

怎样看待原帖中的测试数字

作者用同一项目做了更新前后的对比，并在长文中报告了几组结果：约 11 分钟成片的渲染时间从约 12 分钟降到 3 分 42 秒；六张插画的平均最低渲染时间由 16.9 秒降到 8.2 秒。字幕方面，作者检查了 407 行字幕，统计被画面遮挡的行数从 247 降到 0，单行字幕比例从 62% 提高到 100%。

这些数据来自作者自己的机器、样片和检查方法，可说明这次迭代对其项目有帮助，但不能直接推导出所有用户都能获得相同速度或字幕结果。渲染时间还会受图片尺寸、图层数量、机器性能和模型工具链影响；字幕是否遮挡也依赖画幅、安全区与平台 UI。实际使用时，最好用自己的代表性素材做一次小样测试，并检查导出视频，而不只看脚本或预览图。

适合什么场景

教程或知识讲解：用逐步绘制的图形解释原理、流程、地图和公式。
系列化内容：把分镜、字幕和镜头动作沉淀成可复用模板，降低每期重新搭建流程的成本。
需要修改的短片：当口播、画面和字幕都可能反复调整时，分阶段生成比一次性生成整段视频更容易定位问题。

它不意味着视频制作完全自动化。Agent 给出的脚本需要核实事实，生成的插画要检查结构和文字，渲染后的画面仍需逐段观看。配音质量、字体覆盖、字幕节奏和转场选择也会决定最终观感。

当前仓库状态与安装

截至 2026 年 11 月 3 日，GitHub 仓库 README 标示当前版本为 v3.0.1，主项目代码与文档采用 MIT 许可证，当前说明支持 macOS、Linux，以及 Codex 和 Claude Code。README 将 v2.0 的各项能力保留在对应版本发布记录中；现在安装到的是持续迭代后的版本，不应把原帖发布时的 v2 命令或能力列表直接当作当前说明。

仓库当前 README 给出的安装命令是：

npx skills add threerocks/sweety-handdraw-video --skill sweety-handdraw-video --agent claude-code codex --global --copy --yes

安装后依 README 运行 setup.sh 检查或安装本地依赖。完整制作流程依赖 Agent 能读取 Skill、执行本地命令，并具备插画生成能力；README 说明其完整成片实测主要来自 Apple Silicon Mac，Linux 有 CI 和 Ubuntu 容器验证，Windows 暂不承诺。选择本地 TTS 或额外模型时还会引入对应的运行环境和下载体积，开始完整项目之前应先看当前 README 的依赖说明。

项目中可能涉及第三方字体、素材、音频和图片。MIT 许可证覆盖项目主代码与文档，并不自动授予所有生成素材或外部内容的版权；发布前仍要确认素材来源和目标平台要求。

一个更稳妥的试用顺序

先选一段 30 至 60 秒、资料来源清楚的讲解内容，整理口播稿和需要解释的核心图形。
让 Agent 先产出分镜和字幕，再人工检查事实、画幅、安全区和图文关系。
用少量镜头试跑绘制、转场、配音和字幕，检查本地依赖是否齐全、耗时是否可接受。
导出短片并按正常速度观看，重点检查错字、画面裁切、口播尾音和过多的镜头动作。
验收后再扩展到完整视频，并记录素材、设置和机器信息，方便复测与复用。

这条路径的价值在于让视频制作可以分阶段审阅和修正。镜头与特效增加了表达选项，最终质量仍取决于内容判断、素材质量和成片验收。