WorkBuddy实测，14分钟自动生成带货短剧，从分镜到MP4成片全流程闭环

在短视频内容爆发的当下，中小商家面临一个现实困境：即便有AI辅助，制作一条带货短剧仍需人工串联多个工具——写脚本、画分镜、配语音、加字幕、剪辑合成，环节繁琐且门槛不低。腾讯近期推出的WorkBuddy，正试图打破这一瓶颈。一次真实环境下的全流程实测显示，该工具可在14分钟内，仅凭三段自然语言指令，输出一条含4张3D分镜图与完整配音字幕的竖屏MP4成片，基本实现“输入需求—交付成片”的闭环。

本次测试由浙大计算机背景的创作者小虎执行，目标是制作一条30秒智能空气炸锅带货动画短剧。整个流程被拆解为18个步骤，但用户实际操作仅需三次关键输入：首句明确剧情需求，次句查询可用免费工具并授权安装，末句下达合成指令。其余环节均由WorkBuddy自主调度完成。

第一步，用户在桌面创建「短剧实测」文件夹作为工作目录；第二步启动WorkBuddy客户端新建任务；第三步输入自然语言提示：“11快到了，我想做一条30秒的智能空气炸锅带货动画短剧，手机竖屏看的。帮我写个3到4个镜头的分镜脚本，要有剧情冲突、角色动作、空气炸锅特写和台词，不要凑篇幅的废话。”

系统随即生成题为《11.11 前夜，厨房大战》的四镜脚本，包含加班归家、油锅起火、空气炸锅介入、成品展示等情节，并自动保存为本地Markdown文件。值得注意的是，该脚本并非泛泛而谈，而是精准拆解了节奏节点与视觉重点，例如第2、4镜明确标注“智能空气炸锅 / 180℃ / 25分钟”参数，为后续画面渲染提供依据。

进入第二阶段，用户追问：“看一下你现在有哪些能免费用的在线AI画图、动态运镜和配音合成工具或技能？列出来给我看看，没有的话帮我装个好用的，千万别用代码画简陋的几何图形凑数。”WorkBuddy随即启动环境探测，联网检索可用资源，并在本地自动安装缺失组件——实测中成功部署了edge-tts语音合成工具，确保后续配音环节无需人工干预。

随后，系统调用内置3D绘图能力，生成皮克斯风格的高清分镜图。四帧画面依次呈现：女性角色拎包打电话、燃气灶油锅冒烟、空气炸锅特写启动、成品食物上桌。画面细节丰富，人物动态自然，远超早期AI绘图常见的僵硬纸片人效果。系统还主动进行多帧质检，确认“第2、4帧屏幕上的中文参数渲染无误”，并在发现潜在缺字风险时触发自愈机制，修正drawtext字幕生成中的乱码问题。

最后一阶段，用户下达合成指令：“现在给这几张分镜图配上自然的中文配音和同步字幕，再加上平滑的推拉运镜特效，合成一条竖屏MP4。”WorkBuddy据此调用FFmpeg等工具链，完成音频合成、字幕对齐、运镜插值与视频封装。最终输出文件包含晓晓女声配音、逐帧匹配字幕及基础转场效果，整体观感接近专业外包水准。

尽管成片在本地播放时因编码兼容性出现卡顿（非WorkBuddy责任），但整个工作流的完整性与自主性已具雏形。与传统AI对话工具相比，WorkBuddy的核心差异在于其“执行层”能力：它不仅是信息生成器，更是能读写本地文件、执行代码、调用外部工具、规划多步骤任务的数字员工。根据腾讯官方文档与EvoLinkAI维护的开源用例库，其设计定位正是服务于“一人公司”（One-Person Company, OPC）场景——让个体创业者无需影视团队，即可独立完成内容生产。

行业层面，这一进展折射出AI应用范式的深层转变。过去两年，AIGC工具多聚焦于单点突破：文生图、文生音、文生视频各自为政；而WorkBuddy代表的新一代智能体，强调“任务导向”的端到端闭环。其技术底座依赖MCP（Model-Controller-Plugin）生态，支持多模型协同与工具链编排，类似GitHub Copilot的“行动能力”延伸至多媒体生产领域。

值得指出的是，当前WorkBuddy仍存在局限：对复杂运镜逻辑理解有限，字幕同步精度依赖底层工具稳定性，且成片质量尚未达到专业级影视标准。但它验证了一个关键路径——当AI不仅能“想”，还能“做”，内容生产的边际成本将显著下降。对于预算有限的小商家、个体创作者或教育类内容制作者而言，这种“指令即结果”的工作流，已具备实用价值。

目前，WorkBuddy面向个人用户开放免费试用，其能力边界仍在快速扩展。随着更多免费音视频工具接入MCP生态，以及本地推理优化推进，未来或可支持更高分辨率、更长时长的自动化成片。对内容产业而言，这并非替代创作者，而是将重复性劳动剥离，使人力更聚焦于创意策划与质量把关——真正的“超级个体”，正在从工具赋能中逐步成型。