一、為什麼想做這個？

我本業不是 YouTuber，沒有那個時間。但我最近迷上了用Claude Code做各種有可能產生收益的專案！

於是我開始想：如果每一個環節都能自動化，讓系統從「收到主題字串」到「影片上架」全部自己跑完，那會是什麼樣子？兩週後，Stocks500 這個頻道發出了第一支影片。這篇文章就是記錄這個過程。

-–

二、系統架構

整個 pipeline 分成四個 Stage，每個 Stage 各自獨立，方便單獨測試和替換：

flowchart LR
    A\["🖊️ 主題字串\\n（CLI 輸入）"] --> B\["Stage 1\\nGemini 2.5 Flash\\n腳本生成"]
    B --> C\["Stage 2\\nEdge TTS\\n繁中配音 + SRT"]
    C --> D\["Stage 3\\n素材準備"]
    D --> D1\["3a Pexels/Pixabay\\nMixkit/Vecteezy\\n背景影片"]
    D --> D2\["3b matplotlib\\n財經圖表 MP4"]
    D --> D3\["3c 自訂照片\\nKen Burns 效果"]
    D1 \& D2 \& D3 --> E\["Stage 4\\nFFmpeg\\n合成最終影片"]
    E --> F\["output/\\nfinal.mp4"]
    F -.->|"手動 or API"| G\["YouTube\\n上傳"]

一行指令就能啟動整個流程：

1

python main.py "台積電 2025 Q4 財報分析"

約 3-5 分鐘後，output/<timestamp>/final.mp4 就是一支 60 秒、帶燒錄字幕的直式短影音，可以直接上傳。

-–

三、技術選型與原因

Gemini API — 免費額度大，中文腳本品質好

腳本生成是整個系統的靈魂。我測試過幾個模型，最後選 Gemini 2.5 Flash，主要原因是：繁體中文財報旁白品質穩定，而且免費 tier 的 quota 對週更頻道完全夠用。

Prompt 設計的核心是強迫模型輸出具體數字，不接受「大幅成長」這種模糊描述。同時要求輸出 JSON 格式，包含旁白、視覺搜尋詞、圖表資料、hashtag 全部一次生成，方便後面各 Stage 直接取用。

Edge TTS — 完全免費，繁中發音自然

TTS 是我選最久的環節。Elevenlabs 聽起來很好，但費用不低；Google Cloud TTS 要綁信用卡；Kokoro 是離線模型但繁中支援還在早期。最後選了 edge-tts，使用 zh-TW-HsiaoChenNeural 聲線，語速設 +5%，效果意外地自然，而且完全免費。

更重要的是字幕同步。我用 ffprobe 量測每一句的實際音訊時長（不是估算），再逐句累計建 SRT 時間軸。這個做法讓字幕和配音幾乎零誤差。

Claude Code — 讓非全職工程師也能建出複雜系統

這個要特別說。我自己會寫 Python，但沒有系統性學過影片處理、FFmpeg 濾鏡語法、matplotlib 財經圖表這些領域。如果沒有 Claude Code，我大概會卡在「FFmpeg 怎麼做 letterbox + subtitle burn-in 同時不破壞畫質」這個問題上三天。

有 Claude Code 之後，我把問題描述清楚，它直接給我可以跑的程式碼，遇到錯誤也能直接丟 traceback 讓它分析。整個系統從零到能跑，大概用了兩週，以副業標準來說算很快。

FFmpeg — 影片處理最穩定的選擇

FFmpeg 是整個 pipeline 裡最底層的工具，負責：影片縮放、片段串接、字幕燒錄、音訊混合、最終編碼。它的 filter_complex 語法很詭異，但一旦寫對就非常穩定，不會因為版本升級突然壞掉（咳咳，moviepy）。

WSL2 — Windows 上的 Linux 環境

本機開發環境是 Windows，但整個 pipeline 依賴 Linux 工具鏈（FFmpeg、Noto CJK 字體、venv 路徑）。WSL2 讓我不用切機器，直接在 Windows 裡跑 Ubuntu，Claude Code 也能直接操作 WSL 路徑。部署的時候打算換成 Mac mini M4 常開，但開發階段 WSL2 已經夠用。

-–

四、遇到的坑和解決方式

坑一：中文字體亂碼（matplotlib）

matplotlib 預設字體不支援 CJK，圖表裡的中文標籤全都變豆腐方塊。解法是安裝 fonts-noto-cjk 並在 Python 裡明確指定字體路徑：

1
2
3
4

import matplotlib.font\_manager as fm
font\_path = "/usr/share/fonts/opentype/noto/NotoSansCJK-Bold.ttc"
prop = fm.FontProperties(fname=font\_path)
plt.title("台積電季營收", fontproperties=prop)

字體快取有時候不會自動更新，要手動 fc-cache -fv 刷新。

坑二：moviepy 1.x vs 2.x 語法不相容

一開始用 moviepy 做影片串接，結果升級到 2.x 之後 API 幾乎全改，很多 Stack Overflow 的答案直接失效。後來索性把影片處理全部換成 subprocess 呼叫 FFmpeg，一行 CLI 反而比 Python API 更可靠。

坑三：字幕與配音不同步

最初用「字數 × 每字平均時長」估算每句的時間點，但中文語速不均勻，長句估算誤差可以到 0.5-1 秒，累積下來字幕會明顯落後。

解法：每句 TTS 獨立生成一個 MP3 暫存檔，用 ffprobe 量測實際時長，再用真實數字建 SRT。這樣不管那句話說多快多慢，時間軸都是精準的。

坑四：素材庫重複問題

四個素材庫（Pexels、Pixabay、Mixkit、Vecteezy）各自有搜尋 quota 和熱門影片，如果不控制，容易在同一支影片裡下載到重複片段，或是跨影片重複使用同一個畫面。解法是維護一個 seen\_ids set，下載前先比對，重複就換下一個；搜尋無結果時自動 fallback 到通用關鍵字。

坑五：多音字發音錯誤

「成長」這個詞，在財報語境下應該讀「ㄔㄤˊ」（growth），但 TTS 有時候讀成「ㄓㄤˇ」（grow up）。目前的解法是在旁白後處理階段，對幾個常見多音字做字詞替換，強迫 TTS 走正確的發音路徑。這個問題沒有完美解法，只能一個個處理。

-–

五、目前成果

頻道 Stocks500 現在每週發布台股財經分析 Shorts，內容涵蓋台積電法說會、NVIDIA 財報對台股影響、大盤週報等主題。

幾個數字：

• 製作時間：從想法到第一支影片正式上線，約兩週
• 每支影片製作成本：主要是 Kling AI 動態素材費用，約 NT$3-8，其他工具免費
• 每支影片生產時間：輸入主題到 final.mp4 輸出，約 3-5 分鐘（視素材下載速度）
• 人工介入：只需要輸入主題字串，其餘全自動

目前還在累積訂閱數，廣告收益還沒到能覆蓋成本的程度，但整個系統已經跑得很穩定，每週的時間投入大概只有 15 分鐘（選主題 + 確認輸出 + 上傳）。

-–

六、GitHub

專案已開源，歡迎取用：

https://github.com/junsu719/yt-shorts-finance

README 裡有完整的安裝步驟、API 金鑰申請說明和使用範例。如果你也想用這個系統做自己的主題頻道（不限財經），只需要修改 Stage 1 的 prompt 就能改變整個內容方向。

如果這個專案對你有幫助，歡迎 Star ⭐，也歡迎開 Issue 回報問題或提 feature request。

-–

七、下一步計畫

這個系統目前還在第一階段，還有很多可以做的事：

硬體升級：Mac mini M4 作為 24/7 常開主機，讓 pipeline 可以排程自動跑，不依賴我的 Windows 開機狀態。搭配 cron job，理論上可以做到完全無人值守。

素材多樣性：現在四個素材庫找到的影片重複率還是偏高，打算整合 Kling AI 根據視覺 prompt 生成客製化動態素材，讓每支影片的視覺風格更獨特。

觀眾互動：長期目標是讓觀眾可以在留言區留下股票代號，系統自動在 48 小時內產出那支股票的分析影片並回覆留言連結。這個需要監聽 YouTube API + 觸發 pipeline，技術上可行，等頻道訂閱數到一定規模再做。

-–

如果你也在做類似的 AI 自動化側專案，歡迎在下面留言交流。這類系統最有趣的地方不是技術本身，而是當你把幾個看起來不相關的工具串在一起，突然冒出一個以前做不到的東西——那個感覺還蠻上癮的。