这篇指南面向有内容积累、想做视频却不知从哪入手的创作者——尤其是手里有数据管线（论文/资讯/代码）但缺视频生产能力的 AI 从业者。全文 12 节，覆盖选型决策、生产管线、出圈方法论和避坑清单。
§1—§4 为免费区，覆盖时机判断、方案选型和工具取舍。§5—§12 为 Pro 区，深入出圈方法论、平台算法、机智流实操管线设计和完整执行路线图。
为什么现在是做 AI 知识视频的最佳时机
三个变量同时收敛：平台需求、技术成熟度、成本拐点
平台需求已经到位
B 站 AI 内容消费量同比增长 100%+，且仍在加速。[1] 搜索"大模型原理""Transformer 解析"的用户远多于对应的优质内容供给——这是内容稀缺市场，不是红海。YouTube 的 AI 频道格局也在重塑：Fireship（286 万粉丝）、Two Minute Papers（130 万粉丝）等以快速迭代见长的频道，增速均高于传统编程教学频道。[2]
TTS 已达专业配音水准
2024 年以前，知识视频的配音必须聘请专业播音员（¥300—¥800/千字）或创作者自己录音。2025 年下半年开始，MiniMax、ElevenLabs、CosyVoice 等 TTS 方案的中文语音质量已通过盲测，普通听众难以区分 AI 合成与真人配音。[3] 成本从每期 ¥500 降到 ¥10 以内，降幅 98%。
Code Gen 重写了生产范式
传统视频生产需要 After Effects / Premiere 技能，学习曲线陡峭。Code Gen 范式（用代码生成动态视频画面）将视频制作转化为编程问题——而编程是 AI 擅长的领域。Remotion、Motion Canvas、Playwright+HTML+ffmpeg 等方案让非视频专业的工程师团队也能产出动态信息图风格的内容。[4]
机智流已有的基础
对于已经有内容管线的团队（如机智流），切入视频的边际成本极低。现有基础：每日 46 篇论文数据 + 21 条推特资讯（Supabase 存储）+ Claude 撰写能力 + 微信公众号分发渠道。视频管线只需接入已有内容流，不需要重建内容策划和素材采集能力。
六大 Code Gen 生成范式对比
从 MVP 到规模化的选型决策矩阵
| 方案 | GitHub Stars | 语言 | 适用场景 | 优点 | 缺点 | 学习曲线 |
|---|---|---|---|---|---|---|
| Playwright + HTML + ffmpeg | — | JS / HTML / CSS | 快速 MVP、日报/周报视频、信息图动画 | 零新框架学习；CSS 动画灵活；Claude 可直接生成 | 帧率控制需手动；复杂动画受限 | 低 |
| Remotion | 22k+ | React / TypeScript | 品牌化模板视频、规模化复用 | React 生态；组件复用率高；官方文档完善 | 需要 React 基础；渲染较慢 | 中 |
| Motion Canvas | 16k+ | TypeScript | 数学/算法动画、教学演示 | 动画精度极高；函数式 API 优雅 | 学习成本高；社区小 | 高 |
| Manim | 74k+ | Python | 数学公式动画（3Blue1Brown 同款） | 数学渲染最佳；LaTeX 原生支持 | 渲染慢；非数学场景不适用 | 中 |
| Revideo | 2k+ | TypeScript | Motion Canvas 商业化分支 | 云渲染；适合团队协作 | 生态早期；有使用费 | 中 |
| D3.js + 截图 | 110k+ | JavaScript | 数据可视化动画（图表/趋势线） | 数据图表无敌；SVG 精度高 | 需要 D3 专业知识；视频输出非原生 | 高 |
- MVP 阶段：Playwright + HTML + ffmpeg — 无新框架，Claude 可直接生成渲染代码，1 天内跑通第一个视频
- 规模化阶段：Remotion — React 组件化，模板复用率高，适合日报/周报固定模板
- 高精度动画：Motion Canvas — 需要算法原理动画时切换，单独维护一套模板
机智流已验证方案：Playwright 动态 HTML 渲染 + MiniMax TTS + ffmpeg 合成，单期视频 10—16 元成本，完整流程约 45 分钟（含脚本生成）。[5]
TTS 方案全景：9 种方案的成本-质量矩阵
从零成本到专业级，覆盖中英文、克隆、开源全场景
| 方案 | 价格/百万字符 | 延迟 | 中文质量 | 英文质量 | 声音克隆 | 开源 |
|---|---|---|---|---|---|---|
| MiniMax TTS | ¥30—¥50 | <500ms | ★★★★★ | ★★★★ | 支持 | API |
| ElevenLabs | $30（约¥216） | <400ms | ★★★ | ★★★★★ | 最佳 | API |
| OpenAI TTS | $15（约¥108） | <800ms | ★★★★ | ★★★★★ | 无 | API |
| Edge TTS | ¥0（免费） | 1—2s | ★★★★ | ★★★ | 无 | 开源 |
| CosyVoice 3 | ¥0（本地）/ 极低 | 1—3s | ★★★★★ | ★★★ | 支持 | 开源 |
| Qwen3-TTS | ¥0（本地） | 2—4s | ★★★★ | ★★★ | 支持 | 开源 |
| ChatTTS | ¥0（本地） | 1—2s | ★★★ | ★★ | 有限 | 开源 |
| 火山引擎 TTS | ¥20—¥40 | <400ms | ★★★★ | ★★★ | 支持 | API |
| Fish Audio | $15（约¥108） | <600ms | ★★★★ | ★★★★ | 极佳 | 半开源 |
MiniMax TTS（有预算）/ CosyVoice 3（本地部署）
MiniMax M2.5-highspeed 约 100TPS，海外端点 api.minimaxi.chat；CosyVoice 3 阿里开源，情感表现最自然。
ElevenLabs（最自然）/ OpenAI TTS（性价比）
ElevenLabs 声音克隆效果行业最佳；OpenAI TTS 速度快、价格合理，适合大批量生产。
Edge TTS（在线免费）/ ChatTTS（本地）
Edge TTS 无需 API Key，直接调用微软 Azure 语音；中文发音清晰，适合 MVP 快速验证。
api.minimax.chat 对海外 API Key 会返回 2049 错误。海外服务器或本地开发必须使用海外端点 api.minimaxi.chat/v1/t2a_v2，两个域名功能完全一致但面向不同用户。[6]
端到端工具 vs 自建管线的取舍
知识类视频必须自建管线，端到端工具适合营销内容
定位：企业培训、产品介绍、营销视频
- 优势：真人数字人，信任感强
- 缺点：信息密度极低，无动态图表
- 成本：$29—$99/月起
- 不适合：知识类/技术类视频，每帧信息量严重不足
定位：泛内容自动化，主要面向带货/娱乐短视频
- 优势：全自动化，一键生成
- 缺点：B-roll 图库质量低，无图表渲染能力
- 适用：泛内容营销，不适合技术知识类
- 不适合：需要精准信息图和动态数据的内容
HeyGen/Synthesia 的价值在于"真人形象"的信任感，适合品牌宣传和企业培训。MoneyPrinterTurbo 解决的是泛内容的素材拼接问题，适合泛流量运营。
知识类视频的核心竞争力是每帧信息密度——动态图表、代码高亮、公式动画、数据对比表。这些无法由端到端工具处理，必须通过 Code Gen + 结构化脚本实现。
端到端工具适合的场景：SaaS 产品演示、培训视频、个人品牌 Reels。如果你的内容是"深度解析 Transformer 架构"或"本周 AI 论文精选"，那么自建管线是唯一选项。