1. 长视频创作的真实困境工具链割裂到底有多痛如果你做过超过三分钟的长视频大概率经历过这种流程先用文生视频模型生成几个片段导出到本地再打开剪辑软件拼接发现主角换镜头后脸变了又得回去重新抽卡想给某一段换背景得手动抠像、逐帧处理最后还要统一调色和节奏。整个链路里你至少要在四五个工具之间来回切换每次切换都意味着一次导出、一次等待、一次格式转换。UniVA 想解决的就是这个问题。它是一个完全开源的全能型视频智能体框架核心思路不是再训练一个更大的视频生成模型而是做一个“AI 导演”——通过规划与执行的双智能体架构把视频理解、生成、编辑、分割等能力整合到一个工作台里。你只需要用自然语言描述需求它就能自动拆解任务、调用对应工具、处理中间产物最终输出一段完整的长视频。这篇文章面向的是想在自己机器上跑通 UniVA 长视频链路的开发者。我会从环境准备开始一步步带你完成依赖安装、模型权重配置、长视频输入、分段生成与剪辑输出每个环节都给出可复制的配置片段和验证命令。适合谁有 Python 基础、了解基本命令行操作、想复现一站式视频 Agent 流程的人。如果你之前被多工具切换折磨过这套流程值得跟一遍。2. TaoToken 前置准备为 UniVA 提供稳定的模型调用通道UniVA 的 Planner Agent 依赖大语言模型做任务拆解和反思修正Executor 在调用部分视频生成或理解工具时也可能需要模型 API。为了让整条链路稳定跑通你需要一个可靠的模型调用入口。我实测下来用 TaoToken 作为统一通道比较省心它兼容 OpenAI 风格的接口配置简单不需要在代码里硬编码多个厂商的 Key。2.1 获取 API Key 与确认 Base URL首先访问 TaoToken 控制台创建 API Key。地址是https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentconsole登录后进入 API Keys 页面新建一个 Key复制保存。注意不要把它提交到公开仓库。Base URL 统一使用https://taotoken.net/api这个地址不加任何 UTM 参数直接用于代码里的base_url配置。2.2 确认可用模型 IDUniVA 的 Planner 需要较强的推理能力建议选择支持长上下文和结构化输出的模型。你可以在模型对话页面先测试一下模型是否可用https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentmodels在页面里输入一段简单的规划请求比如“把‘制作一个雨天咖啡馆的短片’拆解成五个分镜步骤”看返回是否正常。确认没问题后记下你使用的模型 ID后面写进配置文件。2.3 环境变量注入方式推荐用环境变量管理 Key避免写死在代码里。在~/.bashrc或~/.zshrc里追加export TAOTOKEN_API_KEY你的Key export TAOTOKEN_BASE_URLhttps://taotoken.net/api export UNIVA_PLANNER_MODEL你测试通过的模型ID然后执行source ~/.bashrc生效。这样 UniVA 启动时可以直接读取不需要每次手动传参。如果你打算长期跑编码类或 Agent 类任务可以了解一下 Coding Plan它针对高频调用场景做了额度优化https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentcoding-plan接入文档在https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentdoc遇到接口报错时可以先查文档里的错误码说明。3. UniVA 环境搭建与可复制配置片段这一章是整篇文章的核心操作部分。我会给出完整的依赖安装、权重下载、配置文件写法以及启动命令。你按顺序执行即可。3.1 克隆仓库与创建虚拟环境UniVA 的代码仓库在 GitHub 上开源。先克隆到本地git clone https://github.com/univa-agent/univa.git cd univa建议用 conda 或 venv 创建独立环境避免依赖冲突conda create -n univa python3.10 -y conda activate univaPython 版本建议 3.10实测 3.11 在部分视频处理库上会有兼容问题。3.2 安装依赖仓库根目录通常有requirements.txt或pyproject.toml。执行pip install -r requirements.txt如果安装过程中遇到decord或ffmpeg-python报错先确认系统已安装 ffmpegffmpeg -version没有的话用包管理器安装比如 Ubuntu 下sudo apt install ffmpegmacOS 下brew install ffmpeg。3.3 模型权重与工具配置UniVA 本身是框架具体的视频生成、分割、理解能力通过 MCP 工具接入。你需要根据官方文档配置各工具的权重路径或 API 端点。以本地部署的分割模型为例在configs/tools.yaml里填写tools: sam_segment: type: local weight_path: /data/models/sam_vit_h.pth device: cuda:0 video_generate: type: api provider: taotoken base_url: https://taotoken.net/api api_key_env: TAOTOKEN_API_KEY model_id: ${UNIVA_PLANNER_MODEL}注意api_key_env写的是环境变量名不是 Key 本身。这样配置文件可以安全地提交到版本库。3.4 Planner 与 Executor 的 settings 配置UniVA 的双智能体需要分别配置。在configs/agent.yaml里planner: model: ${UNIVA_PLANNER_MODEL} base_url: ${TAOTOKEN_BASE_URL} api_key_env: TAOTOKEN_API_KEY max_reflection_rounds: 3 temperature: 0.2 executor: max_retries: 2 timeout_seconds: 600 output_dir: ./outputs memory: global_memory_path: ./memory/global task_context_path: ./memory/task user_preference_path: ./memory/usermax_reflection_rounds控制 Planner 自我修正的次数设太大容易反复绕圈3 次比较合适。temperature调低一些让规划更稳定。3.5 启动命令与关键参数配置完成后用官方提供的入口脚本启动python -m univa.run \ --config configs/agent.yaml \ --tools configs/tools.yaml \ --input examples/long_video_demo.json \ --output ./outputs/run_001 \ --max_segments 8 \ --segment_duration 15关键参数说明参数作用建议值--max_segments长视频拆分的最大段数根据总时长8–20--segment_duration每段目标秒数10–20--output输出目录独立目录避免覆盖--config智能体配置按上文填写启动后终端会打印 Planner 生成的执行图类似[Planner] Task graph: 1. retrieve_reference - 2. generate_segment_01 3. generate_segment_02 - 4. style_transfer 5. merge_segments - 6. export_final看到这个说明规划阶段正常。4. 长视频输入、分段生成与剪辑输出验证配置跑通后下一步是验证整条链路是否真的能产出可播放的长视频。这一章给出输入格式、执行过程和结果检查方法。4.1 长视频输入格式UniVA 支持两种输入纯文本脚本或“参考视频 文本指令”。纯文本输入用 JSON 描述{ task: 制作一段关于手工制陶的纪录片包含拉坯特写、延时成型、入窑烧制、成品展示四个部分, reference_video: null, style: 纪录片, target_duration: 120, resolution: 1280x720 }如果有参考视频把reference_video填成相对路径比如./assets/reference.mp4。UniVA 会先做视频理解提取角色、风格、节奏特征再基于这些信息生成新片段。4.2 分段生成过程观察执行启动命令后观察./outputs/run_001目录。正常情况会依次出现outputs/run_001/ plan.json segments/ seg_01.mp4 seg_02.mp4 ... intermediate/ seg_01_frames/ style_ref.png final/ output.mp4plan.json是 Planner 输出的结构化执行图可以打开检查分镜拆解是否合理。segments/下是各段独立生成的视频final/output.mp4是合并后的成片。如果某一段生成失败Executor 会根据max_retries自动重试。重试仍失败时终端会打印具体工具名和错误信息方便定位。4.3 剪辑输出与结果检查合并阶段会调用 ffmpeg 做拼接和转场。完成后用以下命令检查成片ffprobe -v error -show_entries formatduration,size -of defaultnoprint_wrappers1 final/output.mp4正常输出类似duration118.500000 size52428800时长接近target_duration文件大小合理说明合并成功。再用播放器打开检查以下几点镜头切换是否平滑、角色在不同段落是否保持一致、风格是否统一。如果发现某段风格跳变可以回到plan.json调整对应分镜的 prompt重新跑该段。4.4 用模型对话做快速验证如果你只想先验证 Planner 的拆解能力不想跑完整视频生成可以直接在模型对话页面输入脚本看它返回的分镜结构https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentmodels把返回的 JSON 和plan.json对比能快速判断配置是否生效。5. 常见报错排查401、local proxy failed、reading choices、OAuth这一章整理我在复现过程中真实遇到的报错和解决方式。你如果卡住可以先对照这里。5.1 401 Unauthorized现象启动后 Planner 第一次调用就返回 401。原因通常是 API Key 没被正确读取。检查三点环境变量是否source生效configs/agent.yaml里api_key_env写的是不是TAOTOKEN_API_KEYKey 本身是否过期。可以在终端直接测试curl -s https://taotoken.net/api/models \ -H Authorization: Bearer $TAOTOKEN_API_KEY | head -c 200返回模型列表说明 Key 正常。如果返回 401去控制台重新生成一个 Key。5.2 local proxy failed现象Executor 调用本地工具时报local proxy failed。这通常是因为工具配置里的base_url或weight_path指向了不存在的地址。检查configs/tools.yaml中对应工具的weight_path文件是否真的存在device是否可用。如果工具是 API 类型确认base_url写的是https://taotoken.net/api不要多加路径后缀。5.3 reading choices 报错现象解析模型返回时抛reading choices或类似字段缺失错误。原因是返回结构不符合预期常见于模型 ID 写错或接口返回了错误对象。先确认UNIVA_PLANNER_MODEL是你测试通过的模型 ID。然后在代码里打印原始返回resp client.chat.completions.create(...) print(resp.model_dump())看choices字段是否存在。如果返回的是error对象按错误信息处理。5.4 OAuth 相关报错现象某些工具提示 OAuth token 无效或缺失。UniVA 部分云端工具需要 OAuth 授权。如果你只用 TaoToken 的 API Key 通道可以在tools.yaml里把对应工具标记为type: api并填api_key_env避免走 OAuth 流程。如果必须用 OAuth按官方文档重新授权注意 token 过期时间。5.5 三件套检查清单无论遇到哪种报错先核对这三项项目正确值Base URLhttps://taotoken.net/apiKey环境变量TAOTOKEN_API_KEYModel ID你在模型对话页测试通过的 ID这三项一致大部分接入问题都能排除。6. 从复现到落地把 UniVA 接入你的视频工作流跑通一次完整流程后你可以开始把它接入日常创作。几个实用建议。第一把常用脚本存成模板。比如制陶纪录片那套long_video_demo.json改改task和target_duration就能复用到其他题材。UniVA 的分层记忆系统会保留用户偏好你多跑几次后Planner 会自动倾向你喜欢的节奏和风格。第二分段生成时不要一次设太多段。max_segments超过 20 后Planner 的规划质量和 Executor 的稳定性都会下降。建议先拆成 8 段左右确认每段质量后再合并。第三善用中间产物。intermediate/目录里的帧序列和风格参考图可以单独拿出来做二次编辑。如果你对某段不满意不必重跑整条链路只重新生成那一段再合并即可。第四长期高频使用的话关注一下 Coding Plan 的额度方案比按次调用更划算https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentcoding-plan需要新建 Key 或管理多个项目时控制台入口https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentconsoleAPI Keys 管理页https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentapi-keys接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentdoc如果你用 Claude Code 做辅助开发Anthropic 兼容入口在这里https://taotoken.net/claude-code-anthropic?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentclaude-code-anthropic最后说一个我踩过的坑第一次跑长视频时我把segment_duration设成 30 秒结果中间几段出现明显卡顿和风格漂移。后来改成 15 秒并在plan.json里给每段加了明确的风格锚点描述成片连贯性好了很多。分段粒度比总时长更影响最终质量这一点值得多试几次找到适合你题材的值。 
长河君 · 2026/10/9 16:03:37 · 阅读 1.2k 生成剪辑全都要！UniVA重磅开源：首个全能视频Agent，一站式搞定长视频
1. 长视频创作的真实困境工具链割裂到底有多痛如果你做过超过三分钟的长视频大概率经历过这种流程先用文生视频模型生成几个片段导出到本地再打开剪辑软件拼接发现主角换镜头后脸变了又得回去重新抽卡想给某一段换背景得手动抠像、逐帧处理最后还要统一调色和节奏。整个链路里你至少要在四五个工具之间来回切换每次切换都意味着一次导出、一次等待、一次格式转换。UniVA 想解决的就是这个问题。它是一个完全开源的全能型视频智能体框架核心思路不是再训练一个更大的视频生成模型而是做一个“AI 导演”——通过规划与执行的双智能体架构把视频理解、生成、编辑、分割等能力整合到一个工作台里。你只需要用自然语言描述需求它就能自动拆解任务、调用对应工具、处理中间产物最终输出一段完整的长视频。这篇文章面向的是想在自己机器上跑通 UniVA 长视频链路的开发者。我会从环境准备开始一步步带你完成依赖安装、模型权重配置、长视频输入、分段生成与剪辑输出每个环节都给出可复制的配置片段和验证命令。适合谁有 Python 基础、了解基本命令行操作、想复现一站式视频 Agent 流程的人。如果你之前被多工具切换折磨过这套流程值得跟一遍。2. TaoToken 前置准备为 UniVA 提供稳定的模型调用通道UniVA 的 Planner Agent 依赖大语言模型做任务拆解和反思修正Executor 在调用部分视频生成或理解工具时也可能需要模型 API。为了让整条链路稳定跑通你需要一个可靠的模型调用入口。我实测下来用 TaoToken 作为统一通道比较省心它兼容 OpenAI 风格的接口配置简单不需要在代码里硬编码多个厂商的 Key。2.1 获取 API Key 与确认 Base URL首先访问 TaoToken 控制台创建 API Key。地址是https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentconsole登录后进入 API Keys 页面新建一个 Key复制保存。注意不要把它提交到公开仓库。Base URL 统一使用https://taotoken.net/api这个地址不加任何 UTM 参数直接用于代码里的base_url配置。2.2 确认可用模型 IDUniVA 的 Planner 需要较强的推理能力建议选择支持长上下文和结构化输出的模型。你可以在模型对话页面先测试一下模型是否可用https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentmodels在页面里输入一段简单的规划请求比如“把‘制作一个雨天咖啡馆的短片’拆解成五个分镜步骤”看返回是否正常。确认没问题后记下你使用的模型 ID后面写进配置文件。2.3 环境变量注入方式推荐用环境变量管理 Key避免写死在代码里。在~/.bashrc或~/.zshrc里追加export TAOTOKEN_API_KEY你的Key export TAOTOKEN_BASE_URLhttps://taotoken.net/api export UNIVA_PLANNER_MODEL你测试通过的模型ID然后执行source ~/.bashrc生效。这样 UniVA 启动时可以直接读取不需要每次手动传参。如果你打算长期跑编码类或 Agent 类任务可以了解一下 Coding Plan它针对高频调用场景做了额度优化https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentcoding-plan接入文档在https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentdoc遇到接口报错时可以先查文档里的错误码说明。3. UniVA 环境搭建与可复制配置片段这一章是整篇文章的核心操作部分。我会给出完整的依赖安装、权重下载、配置文件写法以及启动命令。你按顺序执行即可。3.1 克隆仓库与创建虚拟环境UniVA 的代码仓库在 GitHub 上开源。先克隆到本地git clone https://github.com/univa-agent/univa.git cd univa建议用 conda 或 venv 创建独立环境避免依赖冲突conda create -n univa python3.10 -y conda activate univaPython 版本建议 3.10实测 3.11 在部分视频处理库上会有兼容问题。3.2 安装依赖仓库根目录通常有requirements.txt或pyproject.toml。执行pip install -r requirements.txt如果安装过程中遇到decord或ffmpeg-python报错先确认系统已安装 ffmpegffmpeg -version没有的话用包管理器安装比如 Ubuntu 下sudo apt install ffmpegmacOS 下brew install ffmpeg。3.3 模型权重与工具配置UniVA 本身是框架具体的视频生成、分割、理解能力通过 MCP 工具接入。你需要根据官方文档配置各工具的权重路径或 API 端点。以本地部署的分割模型为例在configs/tools.yaml里填写tools: sam_segment: type: local weight_path: /data/models/sam_vit_h.pth device: cuda:0 video_generate: type: api provider: taotoken base_url: https://taotoken.net/api api_key_env: TAOTOKEN_API_KEY model_id: ${UNIVA_PLANNER_MODEL}注意api_key_env写的是环境变量名不是 Key 本身。这样配置文件可以安全地提交到版本库。3.4 Planner 与 Executor 的 settings 配置UniVA 的双智能体需要分别配置。在configs/agent.yaml里planner: model: ${UNIVA_PLANNER_MODEL} base_url: ${TAOTOKEN_BASE_URL} api_key_env: TAOTOKEN_API_KEY max_reflection_rounds: 3 temperature: 0.2 executor: max_retries: 2 timeout_seconds: 600 output_dir: ./outputs memory: global_memory_path: ./memory/global task_context_path: ./memory/task user_preference_path: ./memory/usermax_reflection_rounds控制 Planner 自我修正的次数设太大容易反复绕圈3 次比较合适。temperature调低一些让规划更稳定。3.5 启动命令与关键参数配置完成后用官方提供的入口脚本启动python -m univa.run \ --config configs/agent.yaml \ --tools configs/tools.yaml \ --input examples/long_video_demo.json \ --output ./outputs/run_001 \ --max_segments 8 \ --segment_duration 15关键参数说明参数作用建议值--max_segments长视频拆分的最大段数根据总时长8–20--segment_duration每段目标秒数10–20--output输出目录独立目录避免覆盖--config智能体配置按上文填写启动后终端会打印 Planner 生成的执行图类似[Planner] Task graph: 1. retrieve_reference - 2. generate_segment_01 3. generate_segment_02 - 4. style_transfer 5. merge_segments - 6. export_final看到这个说明规划阶段正常。4. 长视频输入、分段生成与剪辑输出验证配置跑通后下一步是验证整条链路是否真的能产出可播放的长视频。这一章给出输入格式、执行过程和结果检查方法。4.1 长视频输入格式UniVA 支持两种输入纯文本脚本或“参考视频 文本指令”。纯文本输入用 JSON 描述{ task: 制作一段关于手工制陶的纪录片包含拉坯特写、延时成型、入窑烧制、成品展示四个部分, reference_video: null, style: 纪录片, target_duration: 120, resolution: 1280x720 }如果有参考视频把reference_video填成相对路径比如./assets/reference.mp4。UniVA 会先做视频理解提取角色、风格、节奏特征再基于这些信息生成新片段。4.2 分段生成过程观察执行启动命令后观察./outputs/run_001目录。正常情况会依次出现outputs/run_001/ plan.json segments/ seg_01.mp4 seg_02.mp4 ... intermediate/ seg_01_frames/ style_ref.png final/ output.mp4plan.json是 Planner 输出的结构化执行图可以打开检查分镜拆解是否合理。segments/下是各段独立生成的视频final/output.mp4是合并后的成片。如果某一段生成失败Executor 会根据max_retries自动重试。重试仍失败时终端会打印具体工具名和错误信息方便定位。4.3 剪辑输出与结果检查合并阶段会调用 ffmpeg 做拼接和转场。完成后用以下命令检查成片ffprobe -v error -show_entries formatduration,size -of defaultnoprint_wrappers1 final/output.mp4正常输出类似duration118.500000 size52428800时长接近target_duration文件大小合理说明合并成功。再用播放器打开检查以下几点镜头切换是否平滑、角色在不同段落是否保持一致、风格是否统一。如果发现某段风格跳变可以回到plan.json调整对应分镜的 prompt重新跑该段。4.4 用模型对话做快速验证如果你只想先验证 Planner 的拆解能力不想跑完整视频生成可以直接在模型对话页面输入脚本看它返回的分镜结构https://taotoken.net/models?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentmodels把返回的 JSON 和plan.json对比能快速判断配置是否生效。5. 常见报错排查401、local proxy failed、reading choices、OAuth这一章整理我在复现过程中真实遇到的报错和解决方式。你如果卡住可以先对照这里。5.1 401 Unauthorized现象启动后 Planner 第一次调用就返回 401。原因通常是 API Key 没被正确读取。检查三点环境变量是否source生效configs/agent.yaml里api_key_env写的是不是TAOTOKEN_API_KEYKey 本身是否过期。可以在终端直接测试curl -s https://taotoken.net/api/models \ -H Authorization: Bearer $TAOTOKEN_API_KEY | head -c 200返回模型列表说明 Key 正常。如果返回 401去控制台重新生成一个 Key。5.2 local proxy failed现象Executor 调用本地工具时报local proxy failed。这通常是因为工具配置里的base_url或weight_path指向了不存在的地址。检查configs/tools.yaml中对应工具的weight_path文件是否真的存在device是否可用。如果工具是 API 类型确认base_url写的是https://taotoken.net/api不要多加路径后缀。5.3 reading choices 报错现象解析模型返回时抛reading choices或类似字段缺失错误。原因是返回结构不符合预期常见于模型 ID 写错或接口返回了错误对象。先确认UNIVA_PLANNER_MODEL是你测试通过的模型 ID。然后在代码里打印原始返回resp client.chat.completions.create(...) print(resp.model_dump())看choices字段是否存在。如果返回的是error对象按错误信息处理。5.4 OAuth 相关报错现象某些工具提示 OAuth token 无效或缺失。UniVA 部分云端工具需要 OAuth 授权。如果你只用 TaoToken 的 API Key 通道可以在tools.yaml里把对应工具标记为type: api并填api_key_env避免走 OAuth 流程。如果必须用 OAuth按官方文档重新授权注意 token 过期时间。5.5 三件套检查清单无论遇到哪种报错先核对这三项项目正确值Base URLhttps://taotoken.net/apiKey环境变量TAOTOKEN_API_KEYModel ID你在模型对话页测试通过的 ID这三项一致大部分接入问题都能排除。6. 从复现到落地把 UniVA 接入你的视频工作流跑通一次完整流程后你可以开始把它接入日常创作。几个实用建议。第一把常用脚本存成模板。比如制陶纪录片那套long_video_demo.json改改task和target_duration就能复用到其他题材。UniVA 的分层记忆系统会保留用户偏好你多跑几次后Planner 会自动倾向你喜欢的节奏和风格。第二分段生成时不要一次设太多段。max_segments超过 20 后Planner 的规划质量和 Executor 的稳定性都会下降。建议先拆成 8 段左右确认每段质量后再合并。第三善用中间产物。intermediate/目录里的帧序列和风格参考图可以单独拿出来做二次编辑。如果你对某段不满意不必重跑整条链路只重新生成那一段再合并即可。第四长期高频使用的话关注一下 Coding Plan 的额度方案比按次调用更划算https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentcoding-plan需要新建 Key 或管理多个项目时控制台入口https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentconsoleAPI Keys 管理页https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentapi-keys接入文档https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentdoc如果你用 Claude Code 做辅助开发Anthropic 兼容入口在这里https://taotoken.net/claude-code-anthropic?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentclaude-code-anthropic最后说一个我踩过的坑第一次跑长视频时我把segment_duration设成 30 秒结果中间几段出现明显卡顿和风格漂移。后来改成 15 秒并在plan.json里给每段加了明确的风格锚点描述成片连贯性好了很多。分段粒度比总时长更影响最终质量这一点值得多试几次找到适合你题材的值。