口播配画面不用找素材也能做出纸拼贴 B-roll

剪口播视频，最费时间的往往不是剪，而是配画面：一句话讲抽象概念，素材库里找不到对应的画面。有人把这件事做成了一个开源 Skill，叫 gbro-collage-broll：你给它一句 5 秒左右的口播，它先帮你想一个视觉隐喻，再做成半调纸拼贴风的组装动画。

下面这些是项目自己放出来的示例：

图片来自项目仓库 README。

它做出来的是什么

• 画面是一块平整的纯色纸面，上面是黑白半调的照片剪贴，加少量彩色卡纸。
• 纸片从空场开始，一件件滑进来卡到位置，有定格动画的质感，不是淡入加慢推。
• 默认成片：竖屏 9:16、5 秒、720×1280，没有声音，直接垫在口播下面。

最聪明的设计：三道确认

这个 Skill 的核心不是一段提示词，而是强制的三道确认：

作者的理由很实在：**改文字不花钱，重生一张图便宜，重跑一条视频才贵。**所以把你的注意力留给审美判断，把花钱的步骤放到最后。批量做的时候，也只有你点过头的条目才会进入下一步。

上手前先看门槛

这不是装上就能用的一键工具，先看清楚：

• 静帧靠 Codex 自带的生图。 在别的 Agent 里，需要你自己准备等效的生图方式，或者直接提供静帧图。
• 视频走你自己的 Gemini 密钥，按量付费。 费用由这把密钥对应的 Google 账号承担，具体价格以 Google 官方为准。
• 需要 ffmpeg 和 Python 3.10 以上。 用来处理首尾帧、去音轨和做检查图。
• 第一次使用时，Skill 会先运行自检，缺什么就告诉你缺什么。

装法和技术细节都放在 Skill 页面里，把它交给你的 Agent 就行：口播 B-roll 纸拼贴动画。

实操：从一句口播到一条成片

第 1 步：给它一句口播

对 Agent 说：

collage b-roll：很多人以为 AI 是来替你思考的，其实它更像一面镜子，会把你问题里的漏洞照出来。

触发词还有"纸拼贴 b-roll""半调拼贴""拼贴风格配画面"。一次给多句也可以，每句一个隐喻、一条成片。

第 2 步：第一道，只看隐喻

你会收到每一条的核心意思、情绪、一句话的视觉命题、3 到 6 个关键物件、底色和组装顺序。这一步只是文字，不要急着点通过，问自己三件事：

• 观众看到画面，能不能一眼懂这句话？
• 物件会不会太多？多了会让意思变弱，动画也不稳。
• 底色和语意搭不搭？

不满意直接说"把镜子换成……"，改文字不花钱。

第 3 步：第二道，看静帧

隐喻通过后，才会出最终静帧和一张总览图。重点看：

• 隐喻是否清楚、主体是否集中；
• 画面里有没有假字、logo 或水印；
• 是否留出足够的纯色空场（因为动画要从空场开始组装）；
• 元素是不是 3 到 6 个清晰的大组，而不是满屏碎片。

不满意就让它重生这一张，旧的总览图会保留，方便对比。

第 4 步：第三道，生成视频

静帧通过后，Skill 会自动用首尾帧做视频：首帧是同底色的空纸面，尾帧是你确认过的静帧，中间由模型补出纸片滑入卡位的过程。生成后它会逐秒抽帧做检查，并把末帧和你确认的静帧并排对照。

第 5 步：自己再看一遍

• 首帧是不是接近空场？
• 中间是不是真的一件件进入，而不是整体淡入？
• 有没有切镜、突然放大或变形？
• 最后一帧有没有偏离确认过的静帧？

轻微的姿态变化不影响意思就算通过，不必为此重跑，重跑是要花钱的。

容易踩的坑

• 首帧边缘露出一点纸片： 轻微可以接受；要求严格空场的，建议改用可编辑时间线的动画工具补前段。
• 组装感弱： 减少元素，让动作改成明确的"逐件滑入、卡位"。
• 出现假字： 回到静帧重生，不要指望视频阶段修。
• 想要精确控制图层或镜头： 这个 Skill 不适合，它不拆透明图层，也没有可编辑时间线。
• 想要真人出镜或产品广告： 不要用它。
• 密钥安全： 密钥只放在环境变量里，不要贴给任何人，也不要写进文件。

如果不想花视频的钱

作者在社交平台上演示过：用 Codex 调用图像模型直接出 GIF，连视频模型都不跑。这是他的说法，我们没有核实，而且仓库里默认仍然是 Omni Flash 做首尾帧视频。你可以先只走前两道，拿静帧做一张静态的配图，满意了再决定要不要生成视频。

想让 Agent 直接做，把 口播 B-roll 纸拼贴动画 交给它。

参考

• gbro-collage-broll，MIT 许可证