用 OpenRouter 和 Python 做一个语音生成完整脚本视频的智能体

一步步搭起来

用 uv 新建一个空的 Python 项目；代码可以从他简介里的链接免费获取。

1. 运行 uv init，然后 uv add numpy python-dotenv requests sounddevice soundfile
2. 在 OpenRouter 创建 API key（可设额度上限），写进 .env 的 OPENROUTER_API_KEY
3. 写 helper.py：一个统一的 post 函数、花费统计，以及给不返回花费的调用查成本
4. 第 1 步录音并转写；第 2 步用严格的 JSON schema 写脚本
5. 第 3 步生成图片；第 4 步配音；第 5 步生成视频，轮询直到完成
6. 在 main.py 里导入所有步骤串起来，并打印费用清单

OpenRouter 上每个模型的 API 标签页都写明了调用路径和参数。

搭建时踩到的坑

• 视频是最贵、最慢的一步；换成便宜的模型可以大幅降低成本。
• 先生成图片再以它为起点做视频，效果更好、更稳定。
• 把 provider 设为必须支持所需参数，这样只会用支持你 JSON schema 的服务商。
• 用 Recraft 生成的图片让视频步骤报错（要求 JPEG 或 PNG），改回 Gemini 重新生成就好了。
• 生成出版权角色的提示词会被拒绝；加上“不要使用任何版权内容”后就能通过。

直接跳到你需要的部分

• 0:00演示：说一句话得到一段视频
• 2:41为什么只用一个 OpenRouter key
• 3:30用 uv 创建项目
• 4:26获取 OpenRouter key
• 6:22helper.py 和花费统计
• 9:24第 1 步：录音和转写
• 14:44第 2 步：结构化输出写脚本
• 20:07第 3 步：封面图
• 23:44第 4 步：配音
• 25:58第 5 步：图生视频
• 30:50在 main.py 里串成完整流水线
• 33:34花费控制台和总结