Sweety Handdraw Video：让 Codex / Claude Code 把一篇文章做成边画边讲的手绘视频，汉字按笔顺写

5次阅读

抖音、B 站上常见一种知识视频：一只手拿着笔，边讲边画，线条一笔一笔出来，关键字一个一个写上去。看着轻松，做起来很费工夫：写稿、配音、画分镜、录手绘过程、对时间轴，一条一分钟的视频要折腾大半天。

Sweety Handdraw Video（作者叫它“手绘口播”）想把这一整套交给 AI。你给它一个主题、一篇文章或一个完整故事，它负责写口播稿、配音、设计分镜、生成插画，再在本地按笔画顺序把画“画”出来、把汉字按笔顺“写”出来，最后导出带字幕的 MP4。它是中文作者 @leo_xiaolei 开源的，MIT 协议，10 月 12 日建仓，写这篇时约 690 颗星，最新版 v1.3 发布于 10 月 17 日。资料查阅于 2026 年 10 月 19 日。

Sweety Handdraw Video：让 Codex / Claude Code 把一篇文章做成边画边讲的手绘视频，汉字按笔顺写 — 样片《那条死于愤怒的蛇》的绘制过程：毛笔手部先描线条，再上色，旁白字幕在画面底部（截图来自 GitHub 仓库）

它不是一个软件，而是一个 Agent 技能

这点要先说清楚：Sweety 没有可以双击打开的界面。它是一个 Agent Skill（技能包），装进 Codex 或 Claude Code 之后，你用自然语言让 Agent 去做视频。Agent 负责“想”：理解内容、写口播、做分镜、出图；本地的 Python 脚本负责“做”：描线、填色、写字、对齐配音、合成视频。

Agent Skills 是什么、怎么装，可以先看 5 个热门 AI 编程技能包那篇的开头。简单说就是一个带 SKILL.md 的文件夹，放进 Agent 的技能目录就能用。

成片不调用任何“图生视频”模型。画面动起来，靠的是本地程序把一张静态插画拆成笔画，模拟人手一笔一笔画出来，所以不会出现 AI 视频常见的画面抖动、人物变形。

动手之前，先对一下这几个条件

条件	说明
系统	macOS 和 Linux。Windows 作者明确说“暂不承诺”
Agent	Codex 或 Claude Code。完整出片的实测来自 macOS + Codex；Claude Code 只验证了安装和本地脚本，整片流程作者还没测完
生图能力	Codex 自带生图；Claude Code 需要另外接一个生图工具或 MCP，或者你自己准备插画。没有生图能力时它会停下来说明，不会交一个只有字的视频
配音	本地 VoxCPM2（仅限 Apple 芯片 Mac）、本机的 VoiceStudio 服务，或者你已经录好的整段旁白；火山豆包、Gemini TTS 可以填自己的密钥，但作者只做了模拟测试
其他	Python 3.9+、FFmpeg、中文字体，安装脚本会帮你装

配音这一项最容易卡住。用 Apple 芯片 Mac 的，最省事的是本地 VoxCPM2，安装时加 --voxcpm 参数会下载约 3.2 GB 的模型；VoxCPM2 是面壁智能开源的语音模型，能用一句话描述“设计”音色，我们之前写过 VoxCPM2 的介绍。用 Linux 的，可以在本机跑一个 VoiceStudio，Sweety 默认连 http://127.0.0.1:3900 调它的接口。注意两点：它需要 VoiceStudio 提供 /engines/tts、/generate 这几个接口；作者对接验证时用的是 Mac 上的 mlx-audio 引擎，Linux 上换别的引擎能不能顺利跑，README 没有给出实测。

作者自己的机器是 M3 Max、36 GB 内存，8 GB、16 GB 的设备能不能跑，README 写的是“尚未测定”。

安装：两步

第一步，装技能。有 Node.js 的话一条命令，同时装进 Claude Code 和 Codex：

npx skills add threerocks/sweety-handdraw-video --skill sweety-handdraw-video --agent claude-code codex --global --copy --yes

只用其中一个，就把另一个 --agent 值删掉。想固定版本，也可以从 Releases 下载 v1.3 的压缩包，把整个 sweety-handdraw-video 文件夹放进 ~/.claude/skills/（Claude Code）或 ~/.codex/skills/（Codex）。只复制 SKILL.md 不行，会缺脚本和素材。手部、画风预览和试听音频都在包里，约 38 MB，装好就能离线用。

第二步，准备运行环境：

bash ~/.claude/skills/sweety-handdraw-video/scripts/setup.sh
bash ~/.claude/skills/sweety-handdraw-video/scripts/setup.sh --check

第一条安装 FFmpeg（Mac 用 Homebrew，Linux 用 apt 并装上 Noto 中文字体），再建一个独立的 Python 虚拟环境；第二条只检查不安装。开始做视频前，还可以运行包里的 doctor 命令，它会分别告诉你“能不能渲染”“能不能配音”“有没有生图能力”，缺什么就给出修复命令。

怎么让它做视频

在 Claude Code 里输入 /sweety-handdraw-video，在 Codex 里用 $sweety-handdraw-video，然后直接说需求。README 给的例子：

使用 $sweety-handdraw-video，把“为什么越生气，越容易做错决定”
做成一段面向普通成年人的手绘讲解。先讲清楚一个机制，控制在约一分钟。
画风、手部、声音和字幕由你根据内容选择，不加广告和水印。

开始时它会让你选六项：画风、手部、声音、笔杆广告、水印、字幕。已经在需求里说了的就跳过，没说的每项最多等 60 秒，过时就由模型按内容决定；直接说“全部自动选择”也行。作者建议先拿几十秒的短主题试一遍，确认环境和画风没问题，再做长稿。

默认输出是简体中文、1920×1080、30 帧，时长按实际口播决定。交付物有 MP4、封面 PNG、SRT 字幕、口播稿和检查记录。

几个做得很细的地方

汉字按标准笔顺写：GB2312 范围内的常用汉字逐笔书写，笔画数据来自 hanzi-writer-data，不是简单地从左往右擦出来。
先配音，再出图：口播按意思分段生成，每段都过一道杂音检查（嗡声、底噪、爆音），然后根据每段话的长度，算出每幅画能画几秒、最多几笔，按这个“预算”去设计插画。
21 种画风：20 个编号风格加一个变体，有极简黑白线条、小豆人涂鸦信息图、水墨写意、吉卜力风、复古像素等，每种都有预览图。其中 1、4、5、17、19、20 这几种有清楚的墨线，可以真正一笔一笔描；其余没有轮廓线的画风只能用笔刷“刷出来”。
6 种手：深蓝袖马克笔、儿童彩铅、毛笔、白衬衫中性笔等，也可以只显示笔不显示手。
改一句不用全重做：只改字幕、水印、版式的话，图和声音都能复用；改了口播稿，也只重新生成改动的那几段。

花多少时间和钱

README 引用了作者在 X 上的回复：一条约两分半的样片，做了“差不多 10 分钟”；在他每月 200 美元的订阅里，用掉的额度“不到 1%”。作者自己也强调这是个人情况，不能当作固定价格。第一次装环境、下模型、出图重试、配音返工都会拉长时间。

开源不等于全程免费：Agent 本身要订阅（Claude Code 至少要 Claude Pro），生图可能另外收费，本地配音要占用你的电脑。

发到国内平台前注意

成片 MP4 里写入了 AIGC 隐式标识（元数据里标明是 AI 生成、用什么工具做的）。但这只是文件里的标记，发抖音、B 站、视频号时，仍然要按平台要求手动勾选“AI 生成”声明。用到的声音、人物形象和第三方内容，版权和授权要自己确认，README 也专门提醒了这一点。

优点和不足

优点

从稿子到成片一条龙，画面是真的“画”出来的，观感比 AI 视频稳定。
中文支持是原生的：中文作者、中文文档、汉字按笔顺写。
每一步都留了脚本、素材和时间戳，方便返工和做系列。
MIT 协议，可以改成自己的版本。

不足

不支持 Windows，大部分 Windows 用户暂时用不上。
配音和生图都要自己准备好，Claude Code 用户还得另接生图工具，门槛不低。
项目才一个星期，版本迭代很快，完整流程主要在作者自己的 Mac + Codex 上验证过。
不是全自动批量工具，作者明确说每条都要人看一遍，角色、剧情和音色都可能跑偏。

适合谁

适合：做知识科普、寓言故事、产品原理讲解的短视频作者；手上有 Apple 芯片 Mac、已经在用 Codex 或 Claude Code 的人；想批量做同一系列手绘视频、愿意花时间调画风和声音的人。
不适合：只有 Windows 电脑的人；想“一键出片、不看就发”的人；对 Agent 和命令行完全没接触过的人。

只想把文字转成语音、不需要画面的话，Folivox 这类本地有声书工具更简单。

想做的不是手绘风，而是产品介绍、数据图表动画或给口播视频加花字，可以看看 HyperFrames：让 Claude Code / Codex 写 HTML 渲染成视频，命令行版 Windows 也能用。