我做了一个用 AI 生成视频广告的工具

我运营着 globalpetsitter.com，一个连接全球宠物主人和宠物保姆的平台。跟所有创业项目一样，我需要宣传内容，特别是社交媒体上的视频广告。问题是哪怕做一个简单的 30 秒广告都要花很久

问题所在

每次我想做视频广告，流程大概是这样的：

1. 写脚本或分镜
2. 为每个场景找或者做图片
3. 生成或录制配音
4. 把图片转成带动效的视频片段
5. 音视频同步
6. 在剪映（CapCut）里把所有东西剪在一起

每一步都要用不同的工具、不同的账号登录、大量的上下文切换。一个 6 个场景的广告轻松花掉好几个小时。不满意结果？从头来过

Ad Forge

我做了 Ad Forge，把以上所有步骤压缩成一条流水线。用纯文本描述你的广告，让 AI 来干活

看看输出效果：

工作原理

分为 7 个阶段：

1. 草案（Sketch） - 描述你的广告概念、目标受众、风格调性、时长。比如 GlobalPetSitter 的广告我写的大概是「一个女人要出远门，担心自己的宠物，然后知道宠物有人照顾后感到安心」

2. 分镜（Scenes） - Gemini 把你的草案拆分成单独的场景，包含描述、场景设定、氛围、建议时长。它会自动构建叙事弧线

3. 风格（Style） - AI 生成风格指南。色彩方案、光线、视觉氛围、角色描述、场景细节。确保所有画面视觉上保持一致

4. 图片（Images） - Fal.ai 为每个场景生成图片。系统会使用前面场景的参考图和角色肖像来保持一致性。这是最难搞的部分

5. 视频（Videos） - 每张图片变成一个带镜头运动的视频片段（平移、缩放、推拉等）。Fal.ai 的图生视频在这方面做得还不错

6. 音频（Audio） - 有对白的场景会用 TTS（文本转语音）生成配音。你可以给不同角色分配不同的声音

7. 合成（Merge） - 合并视频和音频，可选口型同步。用 FFmpeg 处理

技术栈

• Next.js 16 + React 19 做 UI
• Google Gemini 做脚本生成和场景拆分
• Fal.ai 做图片生成和图生视频
• OpenAI 做部分文本生成
• FFmpeg WebAssembly 在浏览器里做视频处理

一些设计决策

项目持久化 - 所有内容自动保存到 localStorage。关掉浏览器回来继续

参考图片 - 这个至关重要。生成第 3 个场景的时候，你可以引用场景图片、角色肖像、之前的场景。AI 把这些当作风格锚点

阶段式工作流 - 每个阶段产出的结果都可以审核。不满意场景？在继续之前重新生成就好。给你控制权但不会让你被选项淹没

效果

做 GlobalPetSitter 广告原本要花一整天，现在大约 30 分钟的主动操作（加上生成等待时间）。更重要的是我可以快速迭代——尝试不同的调性、换掉场景、重新生成某张图片，不用从头开始

接下来

Ad Forge 还比较粗糙。我想加上：

• 背景音乐选择
• 更多镜头运动选项
• 直接导出社交媒体格式（9:16 给 TikTok/Reels，16:9 给 YouTube）
• 常见广告格式的模板

目前它解决了我的问题：不用花大量时间就能给 GlobalPetSitter 做视频广告。有时候这就够了 :)