KeyFrame內部研究專用

【AI 實戰】真公開!全自動化 YouTube 賺錢計畫?用 AI 零成本做正向心理學 Channel! | Ron Sir AI 基地 第六集

Ron AI 基地·4月14日週二·13 min中文

三句話摘要

用 N8N 自動化工作流程每天生成心理學英文影片並自動上傳 YouTube,單集成本低於 3 港幣。 用 N8N 串接 AI 工具可在本機以每集 1–3 港元的成本跑通自動影片生產鏈,關鍵是先讓流程可運行,再迭代品質。 自動化生產鏈可在本機跑通:作者用 N8N 部署完整 pipeline,涵蓋腳本生成、圖片生成、配音、字幕合成到影片輸出,關鍵在於先跑通再優化,而非一開始追求完美品質。

重點整理

重點
  • 1

    自動化生產鏈可在本機跑通:作者用 N8N 部署完整 pipeline,涵蓋腳本生成、圖片生成、配音、字幕合成到影片輸出,關鍵在於先跑通再優化,而非一開始追求完美品質。

  • 2

    人工審核節點保留在流程中:影片生成後不直接上傳,而是先存至 Google Drive,透過 Telegram 通知創作者批准,避免低品質內容自動公開,同時規避 YouTube API 濫用風險。

  • 3

    成本控制靠圖片替代動畫:動畫生成成本高且市場反應未知,作者改用靜態圖片搭配 zoom in/zoom out 效果(MPEG 內置功能),大幅壓低單集費用至 3 港幣以內。

  • 4

    多頻道規模化是最終策略:單頻道月增 500–1,000 訂閱為目標,計劃複製 pipeline 到多個主題頻道,但提醒需控制上傳節奏,避免 YouTube 判定為垃圾內容而封號。

實用技巧與重點

乾貨
  • 工具:N8N(本機部署)、YouTube API、Google Drive、Telegram Bot、DeepSeek API、支付寶充值 API
  • 剪輯合成工具:MPEG/NPEG(內置 zoom in/zoom out 功能)
  • 單集影片成本:圖片幾毛一張,整條影片預算約 1–3 港幣
  • 流程步驟:生成腳本 → 生成圖片(20 張)→ 配音 → 生成字幕 → 合成影片 → 存至 Google Drive → Telegram 審核通知 → 批准後上傳 YouTube
  • 可匯出的 JSON 檔可直接匯入 N8N 一鍵部署整條 pipeline
  • 目標排程:每天早上 08:00 自動生成,08:30 前完成並推送審核
  • 頻道方向:英文心理學內容頻道
  • 貨幣化門檻目標:每頻道 1,000 訂閱 開啟 YouTube 廣告分潤
  • 縮圖方案:主題文字置上、字幕放大、參考熱門頻道加氣泡(bubble)設計
  • 計劃改進點:5 秒片頭改動畫吸引留存、標題不同步問題修正、字幕 heading 置中

結論

結論

用 N8N 串接 AI 工具可在本機以每集 1–3 港元的成本跑通自動影片生產鏈,關鍵是先讓流程可運行,再迭代品質。

完整解析

詳細

這支影片是 Rod 的「AI 自動賺錢」系列第三集。前兩集已確定頻道方向(英文心理學頻道)並完成 N8N 工作流程的初步設計,本集重點是展示第一個可運行的自動化影片生產 pipeline,以及對兩條初版作品的實際覆盤。

整個流程在作者本機電腦上運行 N8N,由 AI 依序完成腳本撰寫、生成約 20 張圖片、錄製配音、自動產生字幕,再透過 MPEG 軟體的內置功能將圖片加上 zoom in/zoom out 動態效果合成為完整影片。完成後影片存入本機特定資料夾(命名為 daniel/output/video),同步上傳 Google Drive,並透過 Telegram Bot 推送審核通知。創作者收到通知後點擊「批准」,系統才會呼叫 YouTube API 自動上傳,包含縮圖、標題、description 等 metadata 全部由流程自動填入,作者只需一個確認動作。作者特別提醒 YouTube API 不宜過度頻繁調用,以免帳號被封。

在成本控制上,作者選擇以靜態圖片取代動畫。動畫雖然效果更好,但生成成本高,在市場驗證前風險過大。目前每張圖片成本極低,整條影片下來僅需 1–3 港幣,API 費用透過 DeepSeek 進一步壓縮(用支付寶充值,幾元即可使用)。作者看完兩條初版影片後,列出多項不滿意之處:音樂音量過大蓋過配音、字幕太密、縮圖缺少氣泡裝飾、片頭人物動作停滯、heading 與語音不同步等,但他強調「能跑通比完美更重要」,第一版的意義在於驗證整條流程可行,後續優化才有基礎。

對於未來計劃,作者表示會持續改進這條 pipeline,包括片頭改用 5 秒動畫提升留存、輪換不同風格縮圖降低重複感。規模化策略是複製同一套 pipeline 到多個主題頻道,每個頻道設定三個月累積 1,000 訂閱的保守目標,達標後開啟廣告分潤。他也提醒創作者不要操之過急,YouTube 演算法對批量低品質內容有一定的識別能力,節奏和品質的平衡至關重要。影片結尾,作者宣布將把完整 pipeline 的 N8N JSON 檔分享給加入社群的成員,讓有興趣的人可以直接匯入自己部署。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。