从写文案到出视频，我用 HeyGen 的 Agent 组合跑完了全程

上周发布一个新功能公告，我做了一个对比实验。

传统方式：打开文档写文案、改三稿、找设计出配图、联系主播录口播、剪辑上字幕——4 小时打底，还不算来回沟通的时间。

用 HeyGen 的「写作 Agent + 出镜 Agent」组合跑一遍：11 分钟，视频已经在渲染队列里了。

我知道这听起来像广告文案，所以我把整个过程、包括踩的坑，都记下来了。

---

第一章：为什么「单个 Agent」解决不了问题

大多数人现在用 AI 工具的方式，本质上是「点状替代」。

用 ChatGPT 写文案，复制出来贴到 Word；用 HeyGen 生成数字人视频，把文案手动粘进去；用剪映加字幕，再导出……每个环节都有工具，但中间的拼接工作，还是人在做。

我之前发布一个产品更新视频的标准流程是这样的：

产品经理提需求
→ 我写文案（30-60分钟）
→ 来回确认语气和措辞（1-2轮，30分钟起）
→ 打开 HeyGen 创建项目，粘贴文案（10分钟）
→ 选数字人形象、调语速（15分钟）
→ 渲染等待（10-20分钟）
→ 看效果，发现文案有问题，回去改
→ 重新渲染
→ 下载，上字幕

整个链路里，最耗时的不是任何单一步骤，而是「切换」——切换工具、切换上下文、等待确认。

更要命的是：如果文案在第三步被改了，视频就得重录。文案和视频是两个独立的资产，它们之间没有任何关联，改一个不会自动更新另一个。

这就是「点状自动化」的天花板：你把每个点都优化了，但点和点之间的摩擦成本，没有人管。

---

第二章：HeyGen Skills 是什么，「打通」意味着什么

HeyGen 推出的 Skills 框架，本质上是一套 Agent 编排系统——你可以把不同能力的 Agent 串联起来，让它们按顺序处理同一个任务，上一个 Agent 的输出直接成为下一个的输入。

在「内容发布」这条链路上，最关键的两个 Agent 是：

• 输入：你的产品描述、目标受众、语气要求、时长限制
• 输出：结构化的口播脚本（包含段落标记、停顿建议、强调词）
• 核心价值：不是生成一段普通文字，而是生成「适合被人/数字人朗读」的脚本格式

• 输入：写作 Agent 输出的结构化脚本
• 输出：数字人口播视频（含字幕、背景、语速调节）
• 核心价值：直接消费上游脚本，不需要人工搬运

关键点在于：两个 Agent 共享同一个「任务上下文」。

你改了产品描述，写作 Agent 重新生成脚本，出镜 Agent 自动拿到新版本重新渲染。文案和视频，第一次真正绑定在一起了。

数据流转路径如下：

用户输入 Prompt（产品信息 + 发布要求）
↓
写作 Agent → 结构化脚本（JSON 格式，含段落/停顿/重点标注）
↓
出镜 Agent → 读取脚本 → 匹配数字人 → 渲染视频
↓
最终输出：可直接发布的 MP4 + 字幕文件

整个过程，人工介入点只有两个：最开始输入 Prompt，以及最后审核视频。中间所有步骤，Agent 自己跑完。

---

第三章：完整链路实测——用「产品发布场景」跑一遍

我用的场景是：某 SaaS 产品的新功能上线公告，目标是生成一条 60-90 秒的口播视频，发布到官方微信视频号。

Step 1：设定场景，配置写作 Agent（约 3 分钟）

打开 HeyGen Skills 面板，选择「Script Writer」，填写以下参数：

• 产品名称：[你的产品名]
• 功能描述：新增「智能数据看板」，支持实时拖拽配置，无需写 SQL
• 目标受众：中小企业运营负责人，非技术背景
• 语气要求：专业但不生硬，像朋友推荐而不是销售话术
• 时长目标：60-90 秒（系统会自动换算成字数范围）
• 结构要求：开头痛点 → 功能介绍 → 使用场景 → 行动号召

我用的完整 Prompt 如下，可以直接复制修改：

你是一名擅长 SaaS 产品推广的内容策划。
请为以下新功能发布撰写一篇口播视频脚本：

产品：[产品名]
新功能：智能数据看板，支持实时拖拽配置，无需写 SQL
目标用户：中小企业运营负责人，非技术背景，日常用 Excel 做数据分析
语气：像朋友推荐，避免"赋能""生态"等词汇
时长：60-90 秒
结构：
1. 开头用一个运营负责人的真实痛点切入（10秒）
2. 介绍功能核心价值，不超过3个点（30秒）
3. 给出一个具体使用场景（20秒）
4. 结尾引导下载/试用（10-15秒）

输出格式：
按段落分开，每段标注建议停顿
强调词用【】标注
不要写旁白说明，只写播出的内容

Step 2：查看脚本输出，确认关键节点（约 2 分钟）

写作 Agent 输出的脚本，不是一段普通文字，而是带结构标记的格式。每个段落都有停顿建议，强调词被单独标注出来，供出镜 Agent 调整语速和重音。

这一步我通常会做一件事：快速扫一遍，看有没有明显的语气问题。大概率不需要改，但如果发现某段太书面，可以在 Prompt 里加一句「请把第二段改得更口语化」，写作 Agent 会局部重写，不影响其他段落。

Step 3：传递给出镜 Agent，配置数字人参数（约 3 分钟）

点击「发送到出镜 Agent」，脚本自动传递过去。这里需要配置：

• 数字人形象：选择与品牌调性匹配的形象（HeyGen 提供多种预设，也可以用自定义形象）
• 语言：中文普通话
• 语速：建议设置在 0.95-1.0x，略慢于正常语速，更适合信息类内容
• 背景：纯色或品牌色背景（发布公告类内容，简洁背景效果更好）
• 字幕：开启自动字幕，字体建议选无衬线体

Step 4：渲染与输出（约 3-5 分钟）

点击渲染，等待。60-90 秒的视频，渲染时间通常在 3-5 分钟。

与传统方式的对比：

---

💡 如果你想在自己的工作流里接入类似的 AI 能力，不一定要从头搭环境。[api.884819.xyz](http://api.884819.xyz) 聚合了主流 AI 模型的统一接口，一个 Key 直接调用，省去鉴权和并发配置的麻烦，适合想快速验证自动化链路的开发者和产品团队。

---

第四章：踩坑记录与进阶调参建议

真实测试不可能一帆风顺。我跑了大概 8 个不同场景，遇到了两个比较典型的问题。

坑 1：脚本语气偏书面，数字人念起来像在「朗读公文」

语气要求：
禁止使用"赋能""生态""颠覆"等词汇
每句话不超过20个字
多用"你""你们"，少用"用户""客户"
至少有一处反问句，增加互动感
想象你在和一个朋友解释这个功能，不是在写产品说明书

加了这段约束之后，生成质量明显提升，数字人念出来的效果自然了很多。

坑 2：中文口型同步有偏差，看起来有点「对口型」的感觉

1. 把脚本里的长句拆短，每句不超过 15 个字

2. 在段落之间加入明确的停顿标记（[停顿 0.5s]）

3. 选择「亚洲面孔」的数字人形象，口型训练数据对中文更友好

4. 接受 80 分的效果——轻微偏差在实际发布中，观众通常感知不到

哪些场景适合，哪些暂时不适合

---

第五章：这条链路能延伸到哪里

「产品发布」只是最小的切口。

如果你把这套逻辑往外推，会发现它能覆盖的场景远不止于此。

它把「内容生产」从一个创意密集型工作，变成了一个流程可编排的工程问题。

创意密集型工作的特点是：依赖特定的人、难以规模化、质量不稳定。流程可编排的工程问题的特点是：可以被模板化、可以被并行执行、可以被持续优化。

这不是说创意不重要——恰恰相反，当重复性工作被 Agent 接管之后，人的精力才能真正集中到「这次发布的差异化角度是什么」这个真正需要创意的问题上。

判断框架：你的业务值得接入吗？

在接入之前，可以问自己三个问题：

1. 发布频率：每月发布内容超过 4 次吗？频率越高，摩擦成本越高，接入价值越大。

2. 格式标准化程度：你的内容有固定结构吗（比如「痛点-功能-场景-CTA」）？结构越固定，Agent 越容易接管。

3. 对「情感温度」的要求：如果你的内容需要强烈的情感感染力，目前的数字人方案还不够，需要等技术继续进化。

如果前两个问题答案都是「是」，第三个是「否」，那这条链路现在就值得你花半天时间跑通。

---

写在最后

这条链路现在能解决 80% 的标准化发布需求。剩下 20%——那些需要真实情感、即兴反应、强人格魅力的内容，还是需要真人来做，也应该由真人来做。

工具的边界，也是人的价值所在。

---

这次跑的是「单语言、单场景」的最小链路。

下一篇我打算测一个更复杂的版本：同一套脚本，让写作 Agent 自动输出中/英/日三个语言版本，出镜 Agent 分别匹配三个不同形象同步渲染——相当于一次发布，三个市场的本地化视频同时产出。

对出海团队来说，这个场景的价值可能比今天讲的还要大。如果你对这个场景感兴趣，点个关注，我跑完测试第一时间更新。

---

#AI工具 #HeyGen #数字人 #内容自动化 #AI视频 #产品运营 #8848AI #Agent工作流