video-gen 实战：用 AI 一键生成演示视频，Seedance 模型让你的想法动起来

视频生成这件事，我一开始是拒绝的

去年团队讨论要不要在 SFD 实验室的工作流里加入视频生成，我的第一反应是：这东西现在还不实用，要么画面抖，要么动作诡异，要么生成一段5秒的视频要等20分钟。

直到用了火山引擎的 Doubao Seedance 模型，才改变了看法。

video-gen 技能是干什么的

OpenClaw 的 video-gen 技能封装了对 Doubao Seedance API 的调用，支持三种主要用法：

文生视频（text-to-video）：给一段描述，生成对应的视频片段
图生视频（image-to-video）：给一张图，让它"动起来"
有声视频：生成带背景音效的视频内容

技能本身不复杂，核心是它帮你处理了几个烦人的细节：API 的异步轮询逻辑、任务状态监控、文件下载到本地。这些如果自己写，一个下午没了。

安装和配置

前提：需要火山引擎账号，开通 Doubao 视频生成服务，拿到 API Key。

在 ClawHub 安装技能：

clawhub install video-gen

然后在 OpenClaw 的配置里加上你的 API 凭据（技能文档里有详细说明，在 SKILL.md 里）。配置完重启一下 gateway 就好。

实战：给产品功能做演示视频

我们最近要给 smallfiredragon.com 的一个新功能做介绍，需要一个15秒左右的演示片段。以前的做法是录屏+剪辑，至少半天时间。

这次用 video-gen 试了一下文生视频的路子。

第一步：写 prompt

prompt 质量直接决定视频质量，这一步不能偷懒。Seedance 对中文 prompt 支持还行，但英文 prompt 出来的效果通常更稳定，尤其是对镜头语言的描述（慢推、俯拍、特写）。

我们用的 prompt 大概是这样：

A clean modern tech interface on a dark background, 
showing data flowing between connected nodes, 
smooth animation, cinematic lighting, 
professional product demo style, 4K quality

关键词：场景描述 + 风格 + 技术参数。不要写太长，Seedance 在300词以内的 prompt 上表现更好。

第二步：调用技能

直接在 OpenClaw 对话里说：

用 video-gen 帮我生成一个视频，prompt 是：[你的描述]，时长5秒，16:9

技能会自动提交任务，然后轮询状态，完成后把视频文件下载到本地并告诉你路径。整个过程一般3-8分钟，看服务器负载。

第三步：图生视频（更实用）

文生视频有时候结果比较随机，控制感弱。如果你有产品截图或者设计稿，用图生视频会更稳。

流程：先截一张产品界面图 → 告诉 video-gen 用这张图生成视频，加上运动描述（比如"界面元素缓慢浮现，相机慢慢拉远"）→ 出来的视频感觉是你的产品"活了"。

这个方式我们已经用来生成了好几个功能预告片，放在 Twitter 上，互动率比静态截图高不少。

几个坑，帮你提前踩

坑1：分辨率和时长影响费用

Seedance 按生成视频的像素×秒数计费。5秒的1080p 和10秒的720p 费用差不多，但效果场景不同。测试阶段建议先用720p+5秒，确认效果再上1080p。

坑2：人物生成效果不稳定

如果 prompt 里有人物，Seedance 现在的表现还不够稳——手部细节经常变形，面部在运动中会漂移。建议避开直接生成人物的场景，改用产品界面、数据可视化、抽象动画这类主题，成功率高很多。

坑3：任务超时

偶尔会遇到任务提交后长时间没有进展（>15分钟还在 pending）。这时候技能会返回超时错误，你需要重新提交。这不是技能的问题，是 Seedance 服务端的队列波动。高峰期（北京时间晚上9-11点）更容易遇到。

坑4：有声视频的音效是随机的

开启有声模式之后，背景音效是 AI 根据视频内容自动生成的，目前不支持指定音效类型。如果你对音频有精确要求，建议先生成无声视频，然后自己用 ffmpeg 合音轨。

工作流建议

video-gen 目前在我们实验室的位置是"素材生产工具"，不是"最终成品工具"。

典型工作流：

用 video-gen 生成几个候选片段（每次稍微调整 prompt，多跑几次）
挑一个最接近想法的，用 ffmpeg 做简单剪辑和拼接
如果需要配音，叠加 edge-tts 生成的语音
最终成品上传 OSS，嵌入文章或分发到社交媒体

这套流程下来，一个产品演示视频从零到发布大概2-3小时，比找外包快得多，成本也低一个数量级。

适合用的场景

产品功能预告/演示片段
技术博客的配套视觉内容
社交媒体的视频封面/预告
内部培训材料的动态演示

不适合用的场景：需要精确还原真实场景的视频、需要稳定人物面部的内容、对视频质量有交付级别要求的商业项目（现阶段的 AI 视频还过不了严格审查）。

总结

video-gen 技能解决的不是"视频生成"这个宏大命题，而是"我需要一段演示素材但没有时间录屏剪辑"这个具体问题。这个定位下，它已经够用了。

Seedance 模型在非人物场景下的效果已经达到了"能拿出手"的水准，配合 edge-tts 和 ffmpeg 的简单后处理，完全可以替代外包的基础视频需求。

如果你的工作流里有频繁的视频内容需求，值得试一下。