检索优先的纪录片蒙太奇：不用付费视频模型也能出真素材片

2026-08-09

想做一条「有画面、有调性、素材是真实世界拍到的」片子，但又不想为每一秒都去调一次付费视频生成 API——这个诉求在 OpenMontage 里有一条明确对应的流水线，叫 documentary-montage。

它特别之处不在于「便宜」。README 那张 11 行的流水线表里，只有这一行的产物描述提到了「从 CLIP 索引的免费素材与开放档案语料库剪出」——其余十行讲的都是生成或加工。它自己的 manifest 也把检索而不是生成放在了自我定义的第一句。（其它流水线的 manifest 我们没有读过，这里只比 README 表里的这十一行。）

先看它自己怎么定义自己

pipeline_defs/documentary-montage.yaml 顶部的 description 字段原文是这么写的：

Retrieval-first thematic montage pipeline. Builds a semantic corpus of real-world footage from Pexels, Archive.org (Prelinger et al.), NASA, Wikimedia Commons, and Unsplash, then uses CLIP-based retrieval to fill slot descriptions from a thematic brief. The edit arranges clips by narrative beat with music sync and uniform color grade across mixed-era footage. Inspired by Adam Curtis / Chris Marker / Errol Morris tone poems.

这段话信息密度很高，值得逐句拆：

retrieval-first：先建一个真实世界素材的语义语料库，来源点了五家——Pexels、Archive.org（并注明 Prelinger et al.）、NASA、Wikimedia Commons、Unsplash。
CLIP-based retrieval：从一份主题 brief 出发，用 CLIP 检索去填充 slot 描述。也就是说，剪辑思路是先有「这里需要一个什么样的镜头」的空位，再去语料库里检索命中，而不是先有素材再硬凑主题。
剪辑规则：按叙事节拍排列片段，配合音乐同步，并对跨年代的混合素材做统一调色。这一句其实交代了这条流水线预期会遇到什么麻烦——档案素材和现代 stock 素材放在一条时间线上，色彩不统一是必然的。
致敬对象：description 里点名了 Adam Curtis / Chris Marker / Errol Morris 三位。这句不是技术说明，但它把这条流水线想要的调性说清楚了。

README 的流水线表里，这一行的 Best For 写的是：视频随笔、氛围片、检索优先的 B-roll 剪辑、以及不用付费生成 API 的真实素材视频。标题里那句「不用付费视频模型」不是我们的推销话术，是 README 自己给这条流水线定的适用场景。

「不用付费模型」具体靠哪几行撑住

README 的视频生成 provider 表一共 15 行，按 Type 分成 Cloud API、Local GPU 和 Stock 三类。跟这条流水线直接相关的是 Stock 那三行：Pexels、Pixabay、Wikimedia Commons，README 给它们的 Notes 分别是 free stock footage、free stock footage、Free/open stock footage and archival video。图像那张表里另有 Unsplash，同样标 Stock、Free stock images。这几行就是 manifest 里 retrieval-first 那句话在 provider 侧的落点。整张 15 行的 provider 矩阵怎么读，我们另有一篇专门讲，这里只引与本篇相关的这几行。

CLIP 检索这一侧，README 的分析工具表里有一项 Video Understand，注明用的是 CLIP/BLIP-2 做视觉语言分析；仓库里另有 lib/clip_embedder.py 和 lib/corpus.py 两个文件，从文件名看正对应 description 里「建语义语料库 + CLIP 检索」这两步。这两个文件的内部我们没有读过，这里只是把名字摆出来，方便你自己去核对——毕竟「检索优先」这四个字如果只停在 README 的形容词层面，是没法判断它到底怎么工作的。

需要注意的是，manifest 的 description 里点名的 Archive.org 和 NASA 并不在 README 那张视频 provider 表的行里出现——表里那行 Wikimedia Commons 的 Notes 提到了 archival video。这两处文本的覆盖范围不完全一样，以仓库当前状态为准，我们不推断原因。

素材之外还有两个环节要有着落，否则「零付费」这条路不成立：

旁白。 README 的 TTS 表里 Piper 一行标的 Type 是 Local，Notes 原文是 Completely free, offline。它是这张表里唯一不需要云端密钥的那个。

合成与后期。 README 把 FFmpeg 以及视频拼装、剪切、混音、降噪、LUT 调色、字幕生成这一组标注为 always available, always free。混合素材统一调色这件事，在工具侧对应的就是 Color Grade 这一项。

再补一条容易被忽略的：README 在讲两套合成运行时的时候写过一句，当没有配置任何视频生成 provider 时，agent 生成静态图，由 Remotion 把它们变成完全动起来的视频。这是「没有付费生成模型」时的另一条兜底路径，和检索真素材是两回事，但它解释了为什么这个系统在零 provider 状态下也不会直接卡死。运行时一旦在提案阶段被选定为 render_runtime，就会通过 edit_decisions 锁住，README 明写在运行时之间静默切换属于治理违规——这条规则我们另有一篇专门讲。

manifest 里那几个数字

架构主张听多了会麻木，所以我习惯直接看 manifest 里的硬值。documentary-montage.yaml 的 orchestration 段是这样的：

orchestration:
  mode: executive-producer
  skill: pipelines/documentary-montage/executive-producer
  budget_default_usd: 1.00
  max_revisions_per_stage: 3
  max_send_backs: 2
  max_wall_time_minutes: 60

编排模式叫 executive-producer（执行制片）。四个数字里最值得看的是 budget_default_usd: 1.00——它比 config.yaml 里的全局 total_usd: 10.00 低一个数量级。也就是说，每条流水线可以自带比全局更紧的预算，这条检索优先的流水线自己就把默认额度压到了 1.00。同理，顶部的 default_checkpoint_policy: guided 与全局默认一致，说明 checkpoint 策略也是可以按流水线覆盖的。

另外三个数字是流程闸：每个阶段最多 3 次修订、最多 2 次打回、墙钟时间上限 60 分钟。这几个值限制的是 agent 自己反复折腾的次数和时长，不是画面质量指标。

顶部还有一行 stability: beta。这不是我们的评价，是 manifest 里的一个显式字段，项目自己标的。

扩展开关四选三放开：

extensions:
  custom_scripts: true
  custom_playbooks: true
  custom_skills: true
  custom_tools: false

允许自定义脚本、playbook 和 skill，唯独 custom_tools 是 false。想在这条流水线里挂自己写的工具，这一行就是边界。

reference_input.supported 在这份 manifest 里是 false，即这条流水线不吃参考视频入口——这个字段本身值得单独说，我们另有一篇专门讲。

required_skills 列了 8 个：1 个执行制片、5 个阶段导演（idea / scene / asset / edit / compose），加 meta/reviewer 和 meta/checkpoint-protocol 两个 meta skill。manifest 把 skill 直接列成硬依赖，这一点和这个项目自己在架构说明里写的那句 Python provides tools and persistence（Python 提供工具与持久化，阶段怎么执行写在 Markdown 的 director skill 里）是一致的。

第一个阶段就要人批

stages 里第一个阶段叫 idea，它的定义里有三处硬事实：

tools_available: [] —— 空数组，这个阶段不调任何工具，只产出 brief 这一个 artifact。
checkpoint_required: true 且 human_approval_default: true —— 还没碰任何素材，就已经要你批一次。
review_focus 与 success_criteria 里，music plan 和 end-tag plan 都标了 MANDATORY，只有用户显式声明放弃才允许为空；而 narration 本身是 OPTIONAL，原文给的理由是：音乐 + 视觉 + end-tag 能撑住调性的话，没有旁白也行。

最后这条对本篇主题很关键。旁白是可选的、音乐和结尾字幕是必需的——这条流水线在设计上就不假定你一定要有一套语音合成链路。它同时也说明了这类蒙太奇片的成片逻辑：调性由画面节奏、音乐和那句收尾的话共同承担。

review_focus 里其余几条同样是「先把话说死」的约束：主题问题必须是一句话、调性档位必须从固定清单里取一个值、时长和形态要具体。这些都是写给模型看的评审关注点，是指令而不是工程保障——能不能真的落到位，取决于你用的 agent。

什么时候不该选它

把上面这些字段倒过来读，就是一条挺清楚的排除路径。手上已经有一段参考视频、想让系统照着它的感觉走，那 reference_input.supported: false 这一行已经把门关上了；打算把自己写的采集或处理工具挂进流程，custom_tools: false 同样是硬边界（自定义脚本、playbook 和 skill 则是放开的）；主体是一个人对着镜头讲话，那更像是别的流水线的活，README 的表里另有对应行。剩下真正落在这条流水线射程内的，是主题先行、画面靠检索拼、调性靠音乐和收尾承担的那一类片子。

最后交代边界：我们只读了这份 manifest 的前 70 行，scene_plan 之后的阶段内容没有读过，其它流水线的 manifest 也没有读过，所以本文不描述任何上面没列出的阶段、字段或标准。README 里几段演示视频旁边标的成本数字，是项目方在 README 中自行标注的金额，不是我们验证过的报价，也不能拿来推算你自己做一条要花多少钱。

本文依据 OpenMontage 官方仓库（github.com/calesthio/OpenMontage）的 README、 AGENT_GUIDE.md、config.yaml、pipeline_defs/ 与 lib/ 下的治理模块整理，核对日 2026-08-09。本文内容为仓库源码与文档口径，我们没有安装或运行过该系统，也没有调用过其中任何一个 provider API，文中出现的成本数字均为项目方在 README 中自行标注的金额，非我们的实测结果。该项目以 AGPL-3.0 发布，部分流水线在 manifest 中自标 stability: beta，请以仓库最新内容为准。许可条款请以官方 LICENSE 原文为准，本文不构成法律意见。