vox-director：把一行主題變成 Vox 紙拼貼影片的 agent skill

它解決的是「有主題、沒有片子」這個缺口

多數文字轉影片工具處理的是單一鏡頭：給一句描述，回一段幾秒的動態。vox-director 處理的是另一種缺口，你手上只有一個題目，例如「墨西哥街頭小吃的歷史」，卻要交出一支有敘事、有旁白、有字幕、有配樂的成品。README 把它定位成 agent skill，而不是獨立 CLI，這點決定了它的使用方式：你對 Claude Code 或 Codex 說一句話，代理去讀 SKILL.md，照著裡面的階段跑腳本。目標使用者是已經在用編碼代理、也願意為雲端模型付費的人。純剪輯工作者不會從這裡得到什麼，因為它不提供時間軸介面，唯一的控制點是 beats.json 與兩次人工確認。

beats.json 是唯一的事實來源

整個流程由每個專案一份 beats.json 驅動，這是理解這個專案最快的方式。README 給出的資料流是六個階段：beat map 寫出 beats.json、style bake-off 用三到四種主題渲染同一個 beat、keyframes 用 nano-banana-2 產出每 beat 一張拼貼海報、motion 把海報動起來、voice 與 music 各出一軌、最後 ffmpeg 串接並把配樂壓在旁白之下、燒上字幕與浮水印。關鍵在於階段之間的介面是檔案而不是記憶體：每一階段讀上一階段的產物，寫下自己的輸出。這讓流程可以中斷後重跑，也讓你能手動改 beats.json 再從第三階段繼續。代價是它假設每階段都成功，README 沒有描述部分失敗時的回滾策略，只提到 A-roll 會在 video-edit 失敗時自動重試 seedance-2.0/reference-to-video。

兩個人工關卡是這個專案最誠實的設計

README 在流程圖上標了 GATE 1 與 GATE 2。GATE 1 是你審核 beat map，也就是在花錢生成任何影像之前先確認敘事結構。GATE 2 是 style bake-off，同一個 beat 用三到四種主題各渲染一次，你憑眼睛挑一個。這個安排承認了一件事：模型能不能生出好看的拼貼海報，事前無法預測，只能先看樣張。它也把成本攤開，bake-off 階段會多跑三到四倍的影像生成，這是刻意的浪費。相較之下，市面上多數同類工具把風格參數化成一串關鍵字就開始生成，出錯只能整支重來。vox-director 把判斷點提前，但代價是流程需要你中途回來做決定，無法完全無人值守。

三種輸入模式共用同一個引擎

B-roll 是最完整的一條路：只給主題，六個階段全自動。A-roll 處理你已經有真人對嘴影片的情況，README 說它用 ASR 切分成 beats，再以 gemini-omni-flash/video-edit 重新風格化成拼貼外觀，並保留原本的臉、對嘴與手勢，失敗時自動改用 seedance-2.0/reference-to-video。C-roll 處理只有一張靜態照片的情況，主體會被切成「攝影貼紙」而不重繪，每個 beat 的海報圍繞它生成，旁白還可以用 bytedance/seed-audio-1.0 複製主體的聲音。三條路共用同一套 beats.json 與後段組裝。這裡有個值得注意的邊界：A-roll 聲稱保留 frame-for-frame 的真實畫面，但這取決於 video-edit 模型的輸出品質，README 沒有提供任何比對樣本，實際落差需要你自己跑一支來確認。

安裝與執行：從 clone 到 final.mp4

安裝有兩條路。從 repo 安裝是 git clone https://github.com/Alisa0808/vox-director.git ~/.claude/skills/vox-director，Claude Code 會自動辨識成 skill；非 Claude 的代理則讀 AGENTS.md 再進 SKILL.md。另一條路是下載打包好的 vox-director.skill 從 skills UI 安裝。接著要設環境變數 export ATLASCLOUD_API_KEY="sk-..."，金鑰從 Atlas Cloud 主控台取得。本機需求是 ffmpeg 與 ffprobe（README 給的是 brew install ffmpeg）、Python 3 加 Pillow（pip install pillow），後者用於字幕與浮水印疊圖。實際使用是對代理說一句話，例如指定語言、16:9、15 秒，代理會先草擬 beat map 等你確認，跑 bake-off 讓你挑風格，再生成 keyframes、motion、voice、music，最後輸出 out/<project>/final.mp4。模型 ID 會變動，所以 skill 在執行前會先打 GET https://api.atlascloud.ai/api/v1/models 取即時清單，這個設計避免了硬編碼模型名稱的腐化問題，但也意味著你的產出會隨雲端目錄變動而改變。

模型依賴與可替換性

README 列出的模型分工很細：nano-banana-2 負責文字生圖與 C-roll 的圖片編輯，gemini-omni-flash 負責圖生影片與 A-roll 的影片重繪，kling-video-o3-pro 專門處理真實人物與品牌的動態，xai/tts-v1 做旁白，minimax/music-2.6 做配樂，youchuan/v8.1/remove-background 是進階路徑的抠圖。這份清單全部綁在 Atlas Cloud 上，沒有本地推論選項。也就是說，這個專案的可用性等於 Atlas Cloud 的可用性，模型下架、改名或定價調整都會直接反映在你的流程上。README 用「verified on Atlas Cloud」描述這張表，但沒有說明驗證時間或驗證方式，所以把它當成一份當下的對照表，而不是長期保證。若你已經有其他供應商的額度，這裡沒有抽象層讓你換掉單一模型。

什麼情況下它是錯的工具

有兩個明確的排除條件。第一，素材不能離開你的環境。B-roll 要把生成的影像送到雲端動畫化，A-roll 要把真人影片上傳做重繪，C-roll 要把照片上傳做貼紙化，這三條路都涉及第三方處理，README 沒有描述任何本地替代方案。第二，你需要逐格可控的動態。README 說預設路徑是讓 AI 影片模型整張動畫化，也就是「活海報」；逐片拼裝的動態要另外走本機關鍵影格引擎，把海報切成部件再逐格驅動。README 把這條路描述為沒有內容過濾、像素精確、適合真人，但它是可選的，不是預設。如果你的需求是精確的排版動態，預設路徑會讓你失望。另外，README 沒有提到任何渲染時長、失敗率或成本數字，所以無法從文件判斷一支 60 秒影片要跑多久或花多少錢。

替代方案與真正的差異

同類工具裡，Remotion 走的是另一條路：你用 React 元件描述每一格，動態由程式碼決定，渲染在本機完成，輸出完全可重現。vox-director 把動態交給模型，換來的是你不用寫任何動畫程式碼，代價是每次輸出不一樣，也無法保證某個元素會出現在某個時間點。兩者的分界線是「可重現性」對「題材廣度」：Remotion 適合品牌規範明確、要重複產出同系列影片的團隊，vox-director 適合一次性的題材探索，例如你只是想看看某個題目用紙拼貼風格講起來是什麼樣子。另一個差異在拼貼外觀本身，Remotion 不會幫你生成手撕紙邊與半色調網點，你得自己準備素材；vox-director 把這些視覺特徵放在 references/prompt-guide.md 的 9 組主題預設裡，這是它相對省事的地方。

維護成本、授權與升級路徑

專案採 MIT 授權，README 也標示 License: MIT。這代表你可以修改與再散布，包含商用，但授權不涵蓋 Atlas Cloud 的 API 使用條款，也不涵蓋生成內容的權利歸屬，這兩件事要各自去讀對應的服務條款。維護面上，這個 repo 沒有發過 release，最後推送時間是 2026 年 8 月 11 日。它的外部依賴有三層：Atlas Cloud 的模型目錄、ffmpeg 的版本行為、以及 Python 的 Pillow。模型目錄那層由 skill 執行時動態抓取，相對安全；ffmpeg 那層取決於你本機版本，README 只給了安裝指令沒有指定版本；Pillow 用在字幕與浮水印疊圖，屬於低風險但仍是必要依賴。升級時最需要複查的是 references/ 底下的 prompt-guide.md 與 beat-layer.md，因為 9 組主題預設與 14 條敘事弧是這個專案的創意核心，模型換代後這些提示詞結構未必還成立。

編輯結論

若你已經有 Atlas Cloud API key，想用一行主題快速產出 15 到 60 秒的紙拼貼風格短片，vox-director 的價值在於它把「先定節拍、再定視覺」的順序寫進 SKILL.md，讓代理不能跳過 GATE 1 與 GATE 2。若你不能接受素材上傳到第三方雲端、或需要逐格可控的動態，這個工具不是合適的起點，因為它的動態預設由模型整張生成，本機關鍵影格引擎只是可選路徑。動手前先確認三件事：GET https://api.atlascloud.ai/api/v1/models 回傳的清單是否仍含 nano-banana-2 與 gemini-omni-flash；本機 ffmpeg 與 ffprobe 是否可用；以及 references/ 底下的主題預設是否符合你的品牌色。這三項任一不成立，流程會停在對應階段而不是產出 final.mp4。

官方來源

1. Alisa0808/vox-director on GitHub
2. Issues
3. License: MIT
4. README