很多人想做 AI 视频，一查价格就劝退：文生视频按秒计费，图生视频要买算力包，串起整套流程还得消耗对话积分。其实有一条完全免费的路——用 IMA 知识库写分镜、用开源的 Agnes 模型出图出片、用本地 ffmpeg 做拼接烧录。全程不花一分钱，也不动 WorkBuddy 的积分。

下面用一支 25 秒的「城市清晨咖啡」治愈系短片做完整复盘。

一、为什么是这条流水线

痛点很直接：主流视频模型要么收费、要么限免额度少；把生成、剪辑、加字幕拆到不同平台，时间和钱都双倍消耗。

这条线的核心优势：

① 分镜脚本交给 IMA 知识库，用自然语言就能拿到结构化镜头表，不用自己硬憋提示词。
② 图像与视频都走 Agnes 自有 API（agnes-image-2.1-flash / agnes-video-v2.0），当前均免费，且是直连调用、不经过对话计费。
③ 最后的拼接、加字幕用本地 ffmpeg，开源免费，离线也能跑。

二、工具清单与成本

工具	作用	费用
IMA 知识库	生成 / 扩写分镜脚本	免费
Agnes 文生图（agnes-image-2.1-flash）	生成人物、场景静帧	当前 $0/张
Agnes 图生视频（agnes-video-v2.0）	把静帧动起来成片段	免费额度 $0/秒
FFmpeg	拼接片段、烧录字幕	开源免费

关键点：Agnes 两个模型都是通过 HTTP API 直接调用（文档里给的是 curl 示例），不走 WorkBuddy 的对话通道，所以积分是 0。你也可以在 WorkBuddy 里直接加载包装好的 skill（agnes-image-gen、agnes-video）来调用，底层同样是这套免费 API。

三、整体流水线一览

① IMA 知识库：产出分镜脚本（镜头描述 + 主体设定 + 风格）。
② Agnes 文生图：每个镜头先出一张高质量静帧（人物 / 场景）。
③ Agnes 图生视频：把这张静帧喂进去，生成 5 秒左右的运动片段。
④ FFmpeg：把所有片段拼成一条，再烧录字幕，导出成片。

四、第一步：用 IMA 知识库写分镜

打开 IMA 知识库，直接给一句话就能让它帮你从零设计：

需要帮我写一个 AI 视频分镜脚本，人物、主体、风格、内容全由你来设定。

如果你已经有方向，把思路一起抛给它，让它扩写、补全细节会更贴需求。例如：

我想做一支 25 秒的治愈系咖啡品牌短片，节奏舒缓、暖色调，你帮我扩写成 5 个镜头，每个镜头给出画面描述和运镜说明。

IMA 会返回一张结构化的镜头表，典型字段包括：镜头序号、画面描述、主体/人物、运镜、时长。下面这支短片就是基于这样的输出整理而来（示例项目：城市清晨咖啡）：

镜头 1（5s）：清晨城市天台俯瞰全景，薄雾暖光，镜头缓慢横移。

镜头 2（5s）：咖啡师在木质吧台后整理器具，蒸汽升起。

镜头 3（5s）：手冲壶细水流落入分享壶，微距特写。

镜头 4（5s）：顾客临窗接过咖啡，微笑，窗外光斑。

镜头 5（5s）：店铺 logo 浮现于木墙，镜头缓推，叠加标语「早安，一杯就好」。

把分镜沉淀进知识库，打通到 WorkBuddy

在 IMA 的对话里生成分镜后，记得把整理好的分镜大纲（镜头序号、画面描述、主体、运镜、时长）「添加到知识库」。这一步是整个链路从"写脚本"过渡到"做视频"的衔接点，建议不要省略：

① 在 IMA 对话中，把最终版分镜大纲保存进对应的知识库笔记本，而不只是停留在对话流里。

② 切换到 WorkBuddy，连接 IMA 知识库连接器，选中该笔记本，即可直接读取里面的分镜文案。

③ WorkBuddy 拿到这些镜头描述后，就能自动驱动后续的 Agnes 出图、出片流程，不必再手动搬运文字。

这样分镜被沉淀为可复用的结构化素材，"写脚本"和"做视频"可以拆成两段独立工作流；日后想重做或微调版本，也直接读库即可。

五、第二步：用 Agnes 文生图出静帧

每个镜头先出一张「关键帧」图片。Agnes 文生图三必填：model + prompt + size，建议用档位 + 宽高比拿可预期尺寸（横版用 2K + 16:9）。

提示词结构：主体 + 场景 + 风格 + 光照 + 构图 + 质量要求。

以镜头 2 为例，prompt 可写成：

一位年轻咖啡师站在木质中岛吧台后方，手持量豆勺，暖光环境，浅景深，背景虚化的咖啡器具，温馨治愈氛围，电影级写实

直接用 skill（agnes-image-gen）或 curl 调用：

curl -s -X POST "https://apihub.agnes-ai.com/v1/images/generations" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $AGNES_API_KEY" \
  -d '{
    "model": "agnes-image-2.1-flash",
    "prompt": "一位年轻咖啡师站在木质中岛吧台后方，手持量豆勺，暖光环境，浅景深，背景虚化的咖啡器具，温馨治愈氛围，电影级写实",
    "size": "2K",
    "ratio": "16:9",
    "extra_body": { "response_format": "url" }
  }'

返回里取 data[0].url 就是图片地址。图片 URL 来自对象存储、有时效，拿到后尽快下载或立刻用于下一步。国内网络若主端点（.com）不通，Agnes 图像接口会自动切到国内容灾端点 apihub.agnes-ai.cn，无需手动改。

六、第三步：用 Agnes 图生视频把静帧动起来

把上一步的图片 URL 直接喂给视频接口做图生视频（img2vid）。参数要点：

① num_frames 必须满足 8n+1 且 ≤ 441，常用 121（≈5 秒 @24fps）。
② image 传图片 URL（用刚生成的、未过期的那张）。
③ 描述「画面里什么在动」，静态元素保持稳定。

curl https://apihub.agnes-ai.com/v1/videos \
  -H "Authorization: Bearer $AGNES_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "agnes-video-v2.0",
    "prompt": "咖啡师轻微整理吧台器具，蒸汽缓缓升起，身体自然微动，暖光，浅景深，电影感",
    "image": "https://上一步拿到的图片URL",
    "height": 720,
    "width": 1280,
    "num_frames": 121,
    "frame_rate": 24
  }'

建任务后轮询 GET /v1/videos/{task_id}，status 变 completed 即可取视频地址。

两个实测坑，必须记牢：

① 视频 URL 真实字段是 metadata.url（查询返回 JSON 顶层）。旧文档和个别脚本仍写 remixed_from_video_id，那个字段已失效，取不到就去找 metadata.url。
② 视频队列经常满，建任务会返回 503 video_queue_full。别慌，退避 8 秒重试即可，多试几次就能排上。按实测，单条 5 秒片段从建任务到出片约 4 分钟（含排队），成片约 1.2MB。

想省事就用包装好的 agnes-video skill，它封装了建任务、轮询、下载；但建议确认其脚本取的是 metadata.url 而不是旧字段，否则拿不到链接。

七、第四步：用 FFmpeg 拼接 + 烧录字幕

所有分镜用相同分辨率（如 1280x720）、相同帧率、相同编码生成，就能用 concat 快速拼接，几乎不耗时：

# 1) 准备片段清单 list.txt
#    file 'shots/shot1.mp4'
#    file 'shots/shot2.mp4'
#    ...

# 2) 拼接（同参可直接 -c copy）
ffmpeg -f concat -safe 0 -i list.txt -c copy merged.mp4

若各片段参数不一致（分辨率/编码不同），改为重新编码以保证兼容：

ffmpeg -f concat -safe 0 -i list.txt -c:v libx264 -c:a aac final.mp4

加字幕（先准备 subs.srt），用 subtitles 滤镜烧录：

ffmpeg -i merged.mp4 -vf "subtitles=subs.srt" -c:a copy final.mp4

中文显示注意两点：系统要有中文字体，否则用 force_style='FontName=Microsoft YaHei,FontSize=24' 指定；若片段本身没有音轨，把 -c:a copy 换成 -an，否则会因无音频流报错。

八、案例复盘：25 秒「城市清晨咖啡」

5 个镜头、每个 121 帧 @24fps（≈5 秒），合计约 25 秒。每段用「同一张 Agnes 静帧 + 图生视频」产出，最后 ffmpeg 拼接并烧录一句标语。

镜头	画面	图生视频 prompt 要点	时长
1	天台日出全景	镜头缓慢横移，云层流动，城市苏醒	5s
2	咖啡师理器	蒸汽升起，身体微动，暖光浅景深	5s
3	手冲水流	水流持续，涟漪，热气上升，微距	5s
4	顾客接咖啡	抬杯微笑，窗外光斑移动	5s
5	logo 浮现	镜头缓推，微光，叠标语	5s

资源消耗：图像 5 张 + 视频 5 段，全部走免费额度；WorkBuddy 积分 0；ffmpeg 本地运行 0 成本。整条链路从脚本到成片，可一键交给 WorkBuddy 串起来跑，人在旁边等结果即可。

九、最大短板：慢，用时间换钱

这套方案唯一的硬伤就是速度。免费不等于快，这是必须 upfront 说清楚的前提。

实测节奏：单个 5 秒片段从建任务到出片约 4 分钟（已含排队）；遇到视频队列满、需要多次 503 重试时，单条可能拉到 5–8 分钟。

换算到成片时长：1 分钟视频约需 12 个 5 秒片段，串行生成就是 45–60 分钟；1 分多钟的视频跑半个多小时是常态。图像生成本身只花几秒到十几秒，瓶颈完全卡在视频队列。

为什么会慢：Agnes 视频是异步队列式，免费额度下算力排队，创建任务后要在 queued / in_progress 之间轮询等待，不是即点即得。

缓解办法（只能减不能免）：

① 控制总时长：30 秒内的短片最舒服，超过 1 分钟建议分批次挂后台跑。
② 片段并行生成：把多个镜头的视频任务同时提交，能压缩墙钟时间；但并发别太高，否则容易触发限流或 503，反而更慢。
③ 静帧可复用：同一张图只生成一次视频，别反复重跑。
④ 当后台任务：提交后不用盯着，定时回来看结果即可，把等待时间用来写文案、准备字幕。

结论很直接：这条线的性价比公式是「0 成本 + 慢」，适合不赶时间的日常内容；真要急出片，要么接受排队，要么另找付费即时通道。

十、常见坑位速查

① 视频链接取 metadata.url，别用已过时的 remixed_from_video_id。
② 建任务 503 / video_queue_full：退避重试，不是失败。
③ num_frames 必须 8n+1（81/121/161/241/281/321/361/401/441），超 441 报错。
④ 图生视频的 image 要公网可访问的 URL；Agnes 图片 URL 有时效，生成后立刻用。
⑤ ffmpeg 拼接要求各片段参数一致；不一致就重新编码（libx264 + aac）。
⑥ 片段无音轨时烧录字幕用 -an，避免无音频流报错。
⑦ 国际端点（.com）不通时，图像接口可切 .cn；视频接口同平台，也可把 base 换成 .cn 重试。

十一、把整套流程自动化

上面每一步都能用脚本串起来：循环每个镜头 → 调 Agnes 文生图拿 URL → 立刻用该 URL 调图生视频 → 轮询下载 mp4 → 最后 ffmpeg 拼接。我已把这条流水线写成一个零依赖的 Python 脚本（agnes_pipeline.py，纯标准库 + 本地 ffmpeg），分镜表直接写在 SHOTS 里，改 prompt 就能复用。设置 AGNES_API_KEY 后跑一条命令，即可坐等成片。当然如果你不想配置 AGNES_API_KEY，可以直接使用 agnes-image-gen 的 skill 来直接实现。

免费做 AI 视频，门槛从来不在钱，在于把对的工具按顺序接起来。 这套组合最舒服的地方是：创作决策交给 IMA，出图出片交给免费的开源模型，剪辑交给本地的 ffmpeg——每一环都不绑架你的预算。

---