MiniMax 知识博主工作流：口播稿、字幕与视频素材一步到位

做知识博主，卡脖子的往往不是选题，而是产出：口播稿要写得像人话，字幕要对得上节奏，画面素材要能撑住画面。MiniMax 这套模型恰好把三件事串起来了——M 系列文本模型擅长长上下文和多模态输入，适合喂参考资料写稿；海螺的视频生成支持原生音频，出来就是能直接用的片段；语音克隆和 TTS 负责配音。下面按文案、语音、画面三块，给你可直接粘贴的模板。

一、口播稿：把资料喂进去，让 M 系列写「嘴上功夫」

M 系列文本模型的长上下文和多模态输入意味着你可以直接丢论文截图、产品页截图、长文档进去，不用先手动整理成笔记。但口播稿和文章不一样，提示词里要把「口语化」的约束说死，否则出来的稿子念起来像新闻联播。

你是一位知识类视频口播稿撰写人。请根据我提供的资料（文字/图片），写一版 3 分钟口播稿。

要求：
1. 开头 15 秒内抛出观众痛点，不讲「大家好」；
2. 全程口语化，句子不超过 20 字，禁用书面语和「首先/其次」；
3. 每 40~60 秒设置一个信息转折或提问，防止观众划走；
4. 在需要配画面/字幕强调的位置，用【画面：xxx】【字幕：xxx】标注；
5. 结尾用一句话总结 + 一个引导关注的问题。

主题：{你的选题}
目标观众：{人群，如「刚入行的剪辑新手」}
我的观点倾向：{可选}
资料：{粘贴文字或附图}

关键在【画面】【字幕】这两类标注：它们既方便你后期对轴，也直接变成下一步生成视频素材的提示词素材库。

二、配音：TTS 与语音克隆，提示词写「情绪」而不是「文字」

MiniMax 的语音合成支持音色选择和声音克隆（具体可用音色与克隆流程以官方页面为准）。很多人只会把稿子直接丢进去，效果平淡。诀窍是在提示词里给情绪、语速和重音信息：

音色：{选择的音色 ID 或克隆音色名称}
文本：{口播稿，可按段落拆分}
语气要求：整体专业但不枯燥；重点术语（如「原生音频」）稍作强调；
转折处语速略降，结尾提问上扬。
语速：中速偏快。输出格式：按段落分文件导出，方便后期对轴。

如果口播稿里的标注（【画面：xxx】）没删干净，记得先清掉，否则会被念出来。建议把稿子拆成 40~60 秒的小段分别合成——出错只需重配一段，不用整篇重来。

三、画面素材：海螺视频生成，一句话一张分镜

海螺视频生成支持原生音频，也就是生成画面时可以连声音一起出，适合做 B-roll 或氛围镜头。从口播稿的【画面】标注出发，把抽象描述改成「主体 + 动作 + 场景 + 镜头语言」：

生成一段 5~10 秒视频。
主体：{一个人在书桌前翻开笔记本}
动作与氛围：自然光，纸上出现手写笔迹特写，节奏舒缓
镜头：中景 → 特写推近
风格：真实感、暖色调，适合知识类视频 B-roll
音频：轻微翻页声与室内环境音

提示词越具体，废片越少。「一个人在思考」这种描述基本必废，换成「伏案写字、抬头看向窗外、手指敲桌面」这类可执行动作。需要口播同步的镜头就关掉原生音频，后期用你的 TTS 配音盖上。

四、串成流水线：一条稿子驱动全部素材

实操顺序建议：先用 M 系列写稿并带画面/字幕标注 → 按段切稿做 TTS 配音 → 把【画面】标注逐条改写成海螺提示词生成素材 → 剪辑时字幕直接用口播稿（有标注在，对轴很快）。整条链路里，写好提示词的收益是复利的：稿子标注越规范，后面配音和画面几乎零二次加工。

先拿一条 3 分钟的选题把上面三个模板跑通，你会发现知识视频的瓶颈从「做不动」变成了「选题多到做不完」。