教程

一个人也能日更：用开源工具搭一条视频号素材流水线

把找素材、下载、翻译、压字幕交给一条自动化流水线：一个链接下载一切，夜里按数据和 AI 选片，人只负责判断和创作。

灵点AI 约 12 分钟读完 最后验证 2026.10.11
本篇目录

很多人想做视频号，卡在同一个地方：日更。

拆开看，做一条视频要经过这几步：找选题、找素材、下载、听懂内容、加字幕、写标题和文案。真正需要「人」的只有两件事——判断什么值得发，和加上自己的观点。其余的，都是重复劳动。

这篇教程换个思路：把重复劳动交给一条自动化的流水线，人只保留判断和创作。我们用一个开源工具 Universal Content Intake 来搭，你会看到它怎么把「一个链接」变成「一条带中文字幕、附好发布文案的成片」，以及它挑选素材背后的方法。

视频号素材流水线全景：输入一个链接，识别类型，下载，翻译压字幕，交付成片和发布单

准备清单

  • 工具：Universal Content Intake（GitHub 开源，个人非商业使用免费）
  • 电脑：macOS 15 及以上（推荐 Apple 芯片），或 Windows 10 / 11
  • 时间：只装下载功能几分钟；加上自动选片约 30～60 分钟
  • 难度：进阶。不熟悉命令行的话，可以全程让 Claude Code、Codex 这类 AI 编程工具代装
  • 可选：一个 Google 账号（自动选片用）、一个免费的 Gemini API Key（AI 判断用）

为什么值得现在做视频号

用户已经在那里。腾讯 2026 年第二季度财报显示，微信及 WeChat 合并月活跃账户数 14.39 亿；作为对比，QuestMobile 统计的抖音月活在 2026 年 3 月刚过 10 亿。视频号不需要用户下载新 App，发现页、朋友圈、聊天、公众号、搜一搜都是它的入口。

它多一条传播路径。朋友点过赞的视频会出现在你的推荐里。一条好视频除了靠算法，还能沿着熟人关系往外走。

内容还不够多。有创作者用「日活用户 ÷ 每天新发视频数」粗略估算过：抖音上每条新视频大约分到 20 个日活，视频号大约 30 个。这个数字不是官方统计，但和很多人的体感一致——抖音头部早已团队化、MCN 化，视频号的不少垂直方向还没人认真做。

所以策略很清楚：越早越好，而且要稳定更新。而稳定更新，正是一个人最难坚持的。

流水线分两层

先看全貌，再逐段拆开：

  • 第一层：收集和中文化。给一个链接，自动识别是什么内容、下载、转写、翻译、压字幕。这一层单独用就很有价值，不做视频号也用得上
  • 第二层：自动选片。盯住一批海外作者，夜里用数据和 AI 筛出值得做的视频，早上交给你

第一段：一个链接，下载一切

日常收集素材时，最烦的是「不同东西要用不同工具」：视频一个、网页一个、图集又一个。这个工具把它们合到了一个入口。

你只要给链接，它会依次看三样东西来判断内容类型：是哪个平台、文件扩展名是什么、服务器说自己返回的是什么，然后调用对应的下载引擎。如果你明确说了「下载这个 PDF」，它就跳过判断，直接按你说的做。

六类资料的存法：视频、PDF 与文档、图片图集、文章、整页网页、云盘链接

六类资料，每类都按最适合后续使用的方式保存：

  • 视频：基于 yt-dlp，覆盖 YouTube、B 站等 1700 多个网站，默认 1080p
  • PDF 和文档：Word、Excel、PPT、压缩包，给直链就能下
  • 图片和图集：整组下载，每张校验；失败的单独补，已下好的不重来
  • 文章：只保留正文，存成 Markdown，带标题、作者、发布时间
  • 整页网页：同时存离线网页、Markdown 和 PDF
  • 云盘：Google 云端硬盘分享链接，或用 rclone 配置过的网盘

我们最喜欢的一个细节：每份下载结果旁边都有一个说明文件，记下原链接、作者和发布时间。做内容的人都知道，三个月后想找出处、补署名时，这份记录有多值钱。

一个顺手的用法：文章存成 Markdown 之后，可以直接交给 AI 做摘要、改写成口播稿、提炼选题。下载和写作就这样连起来了。

第二段：下载完，就是中文版

海外视频要给中文观众看，还差字幕。这一段也是自动的，而且整个过程在你自己的电脑上完成，不调用收费云服务：

字幕流水线：人声检测、拿到原文字幕、翻译、压制，原声保持不变

  • 先检测人声：没有人说话的视频，直接跳过字幕
  • 原文字幕：优先用视频自带的人工字幕；没有就用本机运行的 Whisper 模型识别。YouTube 的自动翻译字幕质量不稳，还容易触发限流，所以直接不用
  • 翻译：macOS 默认用系统自带的 Apple 翻译，零成本；也可以换成 DeepSeek 或通义千问的 API，Windows 上用的就是这种方式
  • 压制：ffmpeg 加思源黑体，把中文字幕压进画面，原声不动

一条一分钟左右的英文视频，从下载到压好字幕通常两分钟以内。也就是说，多做一条视频几乎没有额外成本。

动手：装好，再跑第一条

macOS 打开「终端」，依次运行：

git clone https://github.com/YIAN6557/universal-content-intake.git
cd universal-content-intake
bin/uci https://example.com/report.pdf

Windows 先装 Python 3.11+ 和 Git（winget install Python.Python.3.13 Git.Git），最后一行改成 bin\uci https://example.com/report.pdf。

第一次运行会问两件事：要不要开启自动选片？下载视频时要不要自动压中文字幕？都可以先选「不」，以后用 bin/uci settings 随时改。缺依赖的话，bin/uci setup doctor 会告诉你缺什么、怎么装。

更省事的方式是让 AI 编程工具替你装：

帮我安装 https://github.com/YIAN6557/universal-content-intake 。
先读 README，列出需要的依赖，并标出哪些步骤必须由我本人完成。
每一步执行前先告诉我要做什么。装好后运行 bin/uci setup verify 做一次验收。

登录 Google、填写 API Key 这些步骤，自己在浏览器或终端里完成，不要把 Key 贴进对话。

装好以后，日常就是一行命令：

bin/uci https://www.youtube.com/watch?v=xxxx
bin/uci "下载这个视频 https://www.youtube.com/watch?v=xxxx"
bin/uci https://www.youtube.com/watch?v=xxxx --quality 4k --zh
bin/uci https://example.com/page --type article

--zh 和 --no-zh 控制这一次要不要压字幕，--to 指定保存位置，默认存在「下载」文件夹。

第三段：让数据替你选片

第一层解决了「做得出来」，第二层解决「做哪条」。

开启自动选片后，你给它一份想关注的 YouTube 作者名单。它在 Google 的云端（Apps Script 加一张 Google 表格）定时检查这些作者有没有发新视频。不需要 YouTube API Key，也没有服务器要维护。

用好时差

北京时间 00:00～08:00，恰好是美国西海岸夏令时的 9:00～17:00，海外作者最活跃的时段。你睡觉的这八个小时，正是新视频集中出现、并开始积累数据的时候。

默认作息：夜里每 10 分钟检查一次，08:10 补扫，08:30 选片，上午成片到位

默认的节奏是：夜里每 10 分钟查一次新视频；每条新视频在发布后 30、60、120 分钟各记录一次播放和点赞；08:10 补扫一遍；08:30 选出当天最好的 1～2 条，开始下载和压字幕。这些时间都能按自己的时区和作息改。

于是你早上拿到的，是一条已经在海外跑了两小时真实数据、而中文平台上还没人发过的视频。这比凭感觉追热点踏实得多。

跟作者自己比，而不是比绝对值

判断一条视频「火没火」，最直觉的办法是看播放量。但这对小作者不公平：大号随手一发就是几十万，小作者的爆款数字上反而不显眼。

这套系统的做法是给每位作者单独定一把尺子：读取他最近 20 条视频，算出播放量和点赞率的中位数。用中位数，是因为一两条百万爆款会把平均数拉得很高，导致他的大多数新视频都被误判成「不行」；中位数代表的是他一条普通视频的水平。

然后，新视频要过两道关：

  • 播放关：在 30 / 60 / 120 分钟时，播放量达到「作者播放中位数 × 对应比例」。默认比例是 2.5% / 5% / 10%，偏严格，可以按需要调低
  • 点赞关：点赞率不低于作者中位数的 80%；或者播放正在加速（这一段每小时的增长比上一段多）。两个条件满足一个即可

播放关筛掉没人看的，点赞关筛掉「点开了但不认可」的标题党。而「点赞率稍低、但还在加速」的视频会被留下，因为加速通常意味着平台还在推。

示例：作者播放中位数 20 万，新视频在 60 分钟时越过门槛，被标记为起量

算一个例子。某作者播放中位数 20 万、点赞率中位数 3%。按默认比例，新视频 30 分钟时要有 5,000 播放，60 分钟 1 万，120 分钟 2 万，点赞率不低于 2.4%。任何一个时间点同时过两关，就标记为「起量」；到 120 分钟还没过，就不再跟踪。

系统跟踪满一位作者的 10 条新视频后，会切换成更准的「同时段对比」：直接比较他过去的新视频在同一时间点的表现。比如他的视频发布 60 分钟时一般有 4,000 播放，这条要到 6,000（1.5 倍）才算过关。这样，有的作者开局猛、有的后劲足，这种节奏差别也被考虑进去了。

最后一关：符不符合你的账号

数据好，不代表适合你。所以起量的视频还要再过两层筛选——先规则，后 AI：

选片漏斗：发现新视频 → 播放关和点赞关 → 规则过滤 → AI 按编辑方向把关 → 每天 1～2 条

  • 规则：时长上限；还可以按标题排除播客、发布会、直播回放、评测、广告等类型
  • AI：你用大白话写一段「编辑方向」，Gemini 逐条判断，给出接受或拒绝的理由，并用一句中文概括视频内容

编辑方向写得越具体越好，比如：

只要有完整制作过程的家常菜视频。
不要探店、不要带货、不要只展示成品的视频。

换一个领域，改这段话就行。Gemini 的免费额度足够日常使用；不接 AI 也能跑，只是筛得粗一些。

如果某天没有一条视频同时满足所有条件，那天就不交付——宁可空着，也不凑数。

早上打开文件夹，你会看到什么

每条成片都附一份发布单，包括：

  • 建议的标题、发布文案和话题标签
  • 完整来源：原标题、作者、作者主页、原链接、发布时间、时长、字幕来源
  • 入选理由：在哪个时间点、超出门槛多少

你的工作只剩最后一步，也是最重要的一步：看一遍，加上自己的观点和二次创作，再发出去。

值得借鉴的五个设计

就算你不用这个工具，下面这些思路也可以用到自己的 AI 自动化里：

  • 中位数代替平均数：评估「正常水平」时，先排除极端值的干扰
  • 把时差变成优势：让机器在你休息的时候工作，并等数据先替你验证
  • 先规则，后 AI：硬条件交给规则，便宜、稳定；语义判断交给 AI
  • 宁缺毋滥：自动化系统要有「今天不交付」的选项，否则它会制造垃圾
  • 为出错而设计：断点续传和 SHA-256 校验、崩溃后任务不丢不重复、限流按 60 / 180 / 600 秒退避重试、连续失败就暂停告警、下载引擎更新失败自动回退旧版

先读这一段：版权、许可证和平台规则

版权。能下载不等于能发布。把别人的视频原样搬到自己的账号，需要事先取得原作者授权，并遵守视频号关于原创和搬运的规则。更稳妥、也更有长期价值的做法是：

  • 联系海外作者，获得授权后做中文翻译版，并在视频里注明出处
  • 把素材当作参考，做解说、盘点、教程，加入你自己的观点和画面
  • 引用片段时只用必要的部分，并清楚标注来源

许可证。这个工具采用双许可：个人、非商业使用免费；公司、团队、为客户做项目等商业用途，需要提前取得作者的书面商业授权。如果你的账号由团队或公司运营，先读一遍仓库里的 LICENSE。

平台规则会变。发布前，留意视频号最新的内容规范。

举一反三

把「视频号」换成别的场景，这条流水线一样成立：

  • 盯住几个行业博客，每天早上自动拿到中文摘要
  • 收集竞品官网和更新日志，自动存档成 Markdown 和 PDF
  • 把讲座、播客下载下来，自动转写成文字稿，再让 AI 整理成笔记

做法始终是同一个：让机器负责收集和初筛，人负责判断和创作。

参考与致谢