Make教程：多模态工作流将文本、音频、视频一键转爆款口播稿

概述

这是一套支持多模态输入的AI内容创作自动化方案。

无论素材是文本、音频还是视频，都能自动转化为风格化口播稿：

1. 素材输入 - 在Notion中输入文本或音视频链接
2. 智能识别 - 自动判断素材类型选择处理链路
3. 内容提取 - Gemini分析视频/Replicate转录音频
4. 分段处理 - DataStore智能分段处理长文本
5. 风格生成 - DeepSeek R1生成抖音风格口播稿

支持文本、音频、视频多模态输入的工作流

---

核心决策因素

在选择多模态内容生成方案时，需考量：

• 多模态支持 - 能否处理文本、音频、视频等多种素材
• 内容质量 - 生成内容的逻辑连贯性和风格化程度
• 长文本能力 - 对数千字长篇素材的处理能力
• 成本效益 - API费用与产出价值的平衡
• 易用性 - 工作流设置和日常操作的复杂程度

---

技术规格参考

规格项	参数值	备注
核心平台	Make.com	工作流编排
数据库	Notion	素材管理和结果存储
视频分析	Google Gemini Pro	Flash模型深度分析
素材加工	OpenAI GPT-4o Mini	初步提取和处理
数据存储	Make DataStore	长文本分段存储
口播稿生成	火山引擎 DeepSeek R1	风格化写作
音频转录	Replicate	长音频快速转录
生成成本	8元/百万token	可生成30-40万字
视频分析时间	150-200秒	视频上传后等待
口播稿时长	280-300字/分钟	3000字支持10分钟视频

---

前置准备

在开始之前，请确保准备好：

• Make.com 账号（免费注册）
• Notion 账号和数据库
• Google Gemini API密钥
• 火山引擎 API密钥（ByteDance DeepSeek R1）
• Replicate 账号（音频转录）
• 开源直链网盘（音视频文件存储）

Notion数据库结构

创建素材管理数据库，包含以下字段：

• 素材类型 (Select) - 文本/音频/视频
• 素材内容 (Text) - 文本内容或音视频链接
• 状态 (Select) - 待处理/开始/已完成
• 写作风格 (Text) - 期望的口播稿风格
• 额外需求 (Text) - 其他定制要求
• 生成结果 (Text) - AI生成的口播稿

---

多模态处理架构

文本素材处理

直接将文本内容传入生成模块：

流程：

1. 从Notion获取文本素材
2. 使用GPT-4o Mini进行初步加工
3. 传入DeepSeek R1生成口播稿

---

音频素材处理

使用Replicate进行音频转录：

配置要点：

• 支持长音频（数十分钟）处理
• 中英文识别效果佳
• 比OpenAI官方模块更稳定

流程：

1. 获取音频直链URL
2. Replicate转录为文字
3. 传入生成模块处理

---

视频素材处理

Make平台中的多模态工作流模块连接

使用Google Gemini进行视频深度分析：

配置要点：

• 上传视频文件到Gemini
• 等待150-200秒分析
• 输出精准文字稿

流程：

1. 下载视频并获取直链
2. 上传到Google Gemini
3. 深度分析提取内容
4. 传入生成模块处理

---

长文本分段处理

解决大模型单次输出1000-2000字限制的核心机制：

DataStore数据存储与流转示意图

实现方式：

1. 智能分段 - 将长素材按500/1000字分段
2. DataStore存储 - 保存已生成内容作为上下文
3. Repeater循环 - 逐段生成并累积
4. 差异化提示词 - 首段和后续段落使用不同策略

首段提示词：

根据以下素材，生成口播稿的开头部分。
要求：抖音口语化风格，吸引观众注意...

后续段落提示词：

继续生成口播稿内容，保持与前文的连贯性。
已生成内容：{{previous_content}}
当前素材段落：{{current_segment}}

---

风格化写作

AI生成的口播稿内容和分段排版

火山引擎DeepSeek R1的风格化能力：

特点：

• 支持思考过程与内容分离
• 将严肃内容转化为口语化表达
• 适应财经、电影、育儿等多领域

风格转换示例：

• 经济学理论 → “甲子轮回”、“春种夏长秋收冬藏”
• 专业术语 → 生动比喻和故事化表达
• 书面语 → 抖音口语化钩子

新闻文本转化为抖音风格口播稿

---

注意事项

在搭建过程中容易遇到的问题：

1. 手动预处理 - 抖音/YouTube视频下载和直链获取需手动完成

2. 学习曲线 - Make工作流设置和逻辑理解需要投入时间

3. 风格过度演绎 - DeepSeek R1可能添加原文没有的元素，需人工审校

4. Notion权限配置 - 新建数据库后需单独为Make授权访问

5. 文件大小限制 - Make免费版文件下载限制较小，大视频需手动上传

6. 内容扩充风险 - 素材较少时，AI扩充可能引入非原文元素

---

适用场景

推荐使用的用户

• 自媒体创作者 - 短视频、直播领域需要高效口播稿的从业者
• 内容二创者 - 将音视频素材转化为文字内容的用户
• 追求风格差异化 - 希望将严肃内容转化为口语化风格的创作者
• 效率追求者 - 愿意投入时间学习以实现规模化生产

可能不适合的情况

• 完全不想学习新工具的用户
• 对内容绝对准确性有极高要求且不愿审校的用户
• 对API配置和第三方工具集成感到抗拒的用户

---

常见问题

支持哪些素材类型？

支持文本、音频（MP3）和视频（MP4）三种素材类型，可从抖音、YouTube、豆瓣等平台获取素材。

如何处理长文本输出限制？

工作流使用Make DataStore和Repeater模块将长文本智能分段，配合不同的首段和后续段落提示词策略，确保上下文连贯。

生成成本高吗？

火山引擎DeepSeek R1约8元/百万token，可生成30-40万字口播稿，成本极低，支持多次尝试直到满意。

视频分析需要多久？

Google Gemini视频分析约需150-200秒，取决于视频长度和复杂度。

---

下一步

掌握基础后，你可以尝试：

• 添加更多写作风格模板
• 集成自动下载工具减少手动步骤
• 添加多平台一键分发功能
• 构建口播稿质量评分和筛选机制

有问题欢迎在评论区留言交流！