分享一个多模态模型的"邪修玩法"：不用视频模型，也可以给视频加上炫酷字幕。

字幕效果完全不需要 MiniMax H3 或者 Seedance 系列模型，只需要一个多模态模型（如 doubao-seed-evolving）和 Agent 工具即可完成。

实现过程

1. 获取原视频

准备一段需要添加字幕的视频片段，算力充足的话一整部电影也可以。

2. 用多模态模型分析视频内容

使用 h3-prompt-expert skill（MiniMax 官方提供）分析视频并生成贴字效果的 prompt。GitHub 地址：https://github.com/MiniMax-AI/MiniMax-H3/tree/main/skills

提示词生成完成后，自行检查字幕内容是否需要调整。

3. 开始生成视频字幕

将步骤 2 生成的提示词直接发给多模态模型，或调用本地 ffmpeg 进行视频字幕的生成。入参包括视频和提示词。

为什么需要 Agent 工具

光把提示词丢给聊天模型，它顶多回一段文字，并不会真的渲染视频。多模态模型只负责"看"和"想"，而 Agent 工具负责执行：调用 ffmpeg 渲染 → 截图 → 用多模态模型逐帧检查效果 → 改参数 → 重新渲染，循环直到达标。全程不用人盯着，它自己推进、自己验收。

实际执行过程

模型会先检查环境（ffmpeg 和 python），分析视频分辨率、帧率、时长和音频。然后提取关键帧确认文字摆放位置。

使用 ffmpeg 渲染视频，模型逐帧观看生成效果，不符合要求的自动修改。

为什么选择 Doubao-Seed-Evolving

1. 专门适配 Agent 场景的多模态模型。2. 8 月 27 日刚完成最新一次更新，多模态能力提升。3. 价格亲民：coding plan 9.9 元/月，agent plan 40 元/月。

官方提供了详细的接入说明，市面上常用的 Agent 工具均可使用。官方地址：https://ark.volcengine.com/

总结

整个流程体现了 Doubao-Seed-Evolving 在任务拆解、步骤衔接与复杂业务流程执行方面的高水平。不用视频模型，靠多模态理解 + ffmpeg 渲染，就能批量产出带炫酷字幕的视频。