KeyFrame內部研究專用

這可能是 2026 年你唯一需要的 AI YouTube 影片工作流 #n8n

傑克自動化AI教學·6月19日週五·9 min中文

三句話摘要

用 n8n 自動化工作流程,輸入一個主題即可全自動生成並上傳 YouTube 長影片,突破 AI token 限制,支援無限長度。 用 n8n + Notion 搭建「章節切割 + 圖片輪播 + 自動上傳」的四段式工作流程,可以每支約 2 美元的成本無限制地自動產出 YouTube 長影片。 長影片的核心瓶頸是時間成本,不是技術:一支 10–20 分鐘影片從構思到上傳需數小時,若要維持每週 5–7 支的發布頻率,人力根本無法負荷,因此自動化是唯一可行解。

重點整理

重點
  • 1

    長影片的核心瓶頸是時間成本,不是技術:一支 10–20 分鐘影片從構思到上傳需數小時,若要維持每週 5–7 支的發布頻率,人力根本無法負荷,因此自動化是唯一可行解。

  • 2

    用「章節切割 + 圖片輪播」解決 token 限制問題:現有 AI 工具因 token 上限只能做 1–3 分鐘短片,此工作流程將長文案切成多個章節,為每個章節分別生成對應圖片,讓影片長度理論上無上限。

  • 3

    圖片代替影片畫面是壓低成本的關鍵:採用「AI 配音 + 對應圖片輪播」的格式,不需要拍攝或生成影片,大幅降低製作成本,且這種格式已有多個 YouTube 頻道驗證,平均每支影片達數萬至百萬觀看次數。

  • 4

    Notion 作為主控台讓操作完全脫離技術介面:設定完 n8n 後,使用者只需在 Notion 填入主題、語言、影片長度、圖片風格等參數,系統即自動執行完整流程並上傳,可用手機或電腦操作。

實用技巧與重點

乾貨
  • 工作流程平台:n8n(影片中稱「M by N」)
  • 控制台工具:Notion
  • 影片格式:AI 文案 + AI 配音 + AI 圖片輪播 + 自動上傳 YouTube
  • 支援語言:可設定(多語言)
  • 支援影片長度:5 分鐘、20 分鐘、1 小時、3 小時以上,無上限
  • 圖片更換頻率:可自訂(範例:每 1 分鐘、每 2 分鐘、每 5 分鐘換一張)
  • 20 分鐘影片成本細項:
  • 腳本生成:約 0.01 美元
  • AI 配音:約 2.00 美元
  • AI 圖片(4 張 × 0.03 美元):約 0.12 美元
  • 合計:約 2.13 美元 ≈ 64 元台幣 / 17 元港幣
  • 圖片風格:寫實圖、插畫風格(可選)
  • 教學資源:41 分鐘影片教學,內容含 n8n 安裝、工作流程部署、API Key 與 AI 模型設定
  • 販售平台:Patreon 商店
  • 適用頻道類型:歷史、冷知識、新聞、紀錄片、科學原理、小說故事、健康知識

結論

結論

用 n8n + Notion 搭建「章節切割 + 圖片輪播 + 自動上傳」的四段式工作流程,可以每支約 2 美元的成本無限制地自動產出 YouTube 長影片。

完整解析

詳細

YouTube 長影片頻道面臨的最大挑戰不是創意,而是產能。一支 10 到 20 分鐘的影片,從想主題、寫腳本、錄製或配音、製作畫面、剪輯到上傳,往往需要數小時的工作量。若要維持每週 5 至 7 支影片的更新頻率,單靠人力幾乎不可能持續,這也是大多數創作者在起步階段就卡住的根本原因。

影片作者針對這個問題設計了一套名為「無限長影片工作流程」的 n8n 自動化系統。整個系統由四個子工作流程串接而成,並以 Notion 作為操作主控台。使用者只需在 Notion 中填入影片語言、長度、主題與圖片風格等基本參數,系統便會依序自動完成所有製作步驟,最終將成品上傳至 YouTube,全程無需人工介入。此流程本身即是用自身製作的,作者以此作為實際示範。

技術核心在於突破 AI 的 token 限制。市面上多數 AI 影片工具受限於 token 上限,只能生成 30 秒至 3 分鐘的短內容。此工作流程的解法是將完整文案切分成多個章節,每個章節對應一段配音時長,再為每個章節獨立生成一張 AI 圖片,以圖片輪播代替連續影片畫面。例如,一支 12 分鐘的影片若設定每 2 分鐘換一張圖,系統會自動切出 7 個段落並生成 7 張對應圖片。最終將所有圖片與配音合併成完整影片,自動上傳至 YouTube。這種格式已在多個 YouTube 頻道獲得市場驗證,部分頻道每日發布一支影片,平均觀看次數從數萬到百萬不等。

成本方面,以一支 20 分鐘的影片為例,腳本生成約 0.01 美元、AI 配音約 2 美元(為最大成本項)、AI 圖片生成(4 張 × 0.03 美元)約 0.12 美元,總計約 2.13 美元,換算約台幣 64 元。這個成本已涵蓋腳本、配音、畫面、剪輯與上傳全部環節。作者目前在 Patreon 商店販售此工作流程,並附上 41 分鐘的完整影片教學,內容從 n8n 安裝、工作流程部署,到各項 API Key 與 AI 模型的設定,逐步引導使用者完成整套配置。

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。