这是我昨天尝试的一个工作流程。目标是快速制作动态排版视频。我用了一个下午的时间完成了15分钟的素材（5段3分钟的视频）。我的教程大概只需要20个视频左右，所以我可以优化这个过程，放慢节奏，用这种方法制作一些高质量的内容。

脚本写作 → Suno → MP3 → WhisperX → 单词级时间戳 → 权威人工脚本 → AI编排 → 确定性HTML/JS渲染器 → 人工反馈 → 迭代 → 视频捕捉 → 剪辑 → 成品。

这是完整拆解后的流程。关键技术是WhisperX，它能提供非常精确的单词级时间戳。这些数据可供另一个大语言模型用来同步HTML/JS渲染器。

我意识到这不仅可以用于制作游戏元素的视频，还可能用于一些非常棒的字幕功能。你不仅能同步时间，还能让某些单词被强调、放大显示等。如果你想找灵感，托尼·斯科特的电影《怒火救援》（丹泽尔·华盛顿被低估的影片）中有令人印象深刻的运用。

还有人折腾过Whisper或类似的工作流程吗？