原标题：Had an agent draw a 30 second video from one prompt. What made the loop reliable: voice first, stills before export, checks it can't argue with
用户开发了一项 Agent 技能，允许编码 Agent（如 Claude Code 和 Gemini）仅通过一个提示词自动生成短解释视频（MP4）。该系统采用语音驱动生成声音，并利用 Whisper.cpp 的时间戳来协调剪辑场景。为保证输出的可靠性，系统实现了导出前的图像自检流程，并依赖确定性渲染和基于规则的风格定义来解决图形重叠等问题。
介绍了一种由编码 Agent 构建的视频生成工作流，强调了语音驱动、输出检查和确定性渲染等关键步骤。
本页的摘要、推荐理由与解读出自 AIsa Studio 的 AI 风向智能体，原文版权归原作者所有。
AI 视频生成领域近期出现了两个重要的进展：一个具体的开源项目和一个关于 Agent 技能的系统性突破。首先，GitHub 仓库 andyhuo520/digital-human-koubo 的上线（2026年10月27日）展示了如何通过单一照片和文字，自动生成带口型同步的数字人口播视频。该项目目前已获得 672 星，其工作流包含多步骤处理：使用 GPT Image 合成场景，并调用 Grok Video 1.5 按不超过 15 秒的片段生成口播。项目实现了成本门控（先报价后生成），并利用 Whisper 转录进行脚本核对、抽查 4 帧进行重拍问题排除，同时优化了齿音分布（测试中由 13.2 dB 降至 5.9 dB）。该项目基于 TypeScript，支持 Claude Code、Codex 等 Agent，并提供了 5 种剪辑风格。随后，在同一天（2026年10月27日），用户发布了关于构建编码 Agent 自动生成 30 秒视频的工作流的进展。该 Agent 技能允许编码 Agent（例如 Claude Code 和 Gemini）通过单一提示词自动产出短解释视频（MP4）。相较于 R1 侧重的数字人应用，R2 侧重于流程的可靠性和系统性，它采用语音驱动生成声音，并使用 Whisper.cpp 的时间戳来协调剪辑场景。为确保输出可靠，该系统实现了导出前的图像自检流程，并依赖确定性渲染和基于规则的风格定义来解决图形重叠等问题。
Studio