n8n 视频自动化:闭环!从拆解到生成
继前两期我们搞定了全能视频下载与逐帧提示词拆解后,终于迎来了最激动人心的终极环节——AI 生成!将之前提取的提示词转化为全新的图片、视频素材。
往期回顾
生图
获取提示词
添加 Get row(s) 节点,读取上文中拆解的提示词列表

生成图片
这里我们使用阿里的 qwen-image-plus 模型来生成生图。
添加 Loop 节点循环获取提示词,添加 HTTP Request 节点,导入 阿里文生图示例的 curl,将 content.text 替换为获取的提示词
curl --location 'https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
--header 'Content-Type: application/json' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--data '{
"model": "qwen-image-plus",
"input": {
"messages": [
{
"role": "user",
"content": [
{
"text": {{ JSON.stringify($json.prompt) }}
}
]
}
]
},
"parameters": {
"negative_prompt": "",
"prompt_extend": true,
"watermark": false,
"size": "1328*1328"
}
}'
图片处理
- 添加
Update row(s)节点,根据 id 更新图片地址(链接有效期为24小时) - 添加
Read/Write Files from Disk节点,将图片下载到本地
完整工作流

生视频
准备提示词和参考图
同样添加 Get row(s) 节点获取提示词列表,添加 Code in JavaScript 节点编写系统提示词,并添加添加参考图(参考图最多3张,超过的可以使用 loop 循环生成)
// 收集所有 imgurl
const items = [];
const objs = [];
for (const item of $input.all()) {
items.push(item.json.imgurl);
objs.push("obj");
}
// 构建完整的请求体
const requestBody = {
"model": "wanx2.1-vace-plus",
"input": {
"function": "image_reference",
"prompt": "一位气质温柔的女性插花艺术家,在柔和的自然光下,将一束精致的鲜花缓缓放入陶土花瓶中。花束由浅粉色玫瑰、深红色玫瑰、蜜桃色玫瑰与白色小雏菊组成,色彩层次丰富而和谐。花瓶放置在一张略显斑驳的复古木圆桌上,桌面前方摊开一本古老的植物图鉴,书页上绘有细腻的玫瑰插画。背景是温暖的米色灰泥墙,整体画面安静、诗意、充满生活美学。镜头缓慢推进,轻微景深变化,聚焦花朵细节,花瓣在空气中微微颤动。人物动作自然优雅,双手轻轻调整花枝角度。整体风格偏向法式复古、静物摄影美学,电影级光影,柔焦,高级质感,4K,超真实,慢节奏,治愈氛围。",
"ref_images_url": items // 直接使用数组
},
"parameters": {
"prompt_extend": true,
"obj_or_bg": objs,
"size": "720*1280"
}
};
return {
json: {
requestBody: requestBody
}
};
生成视频
这里使用阿里的 wanx2.1-vace-plus 模型生成视频,视频生成需要较长时间,所以添加 Wait 节点并调用 https://dashscope.aliyuncs.com/api/v1/tasks/ 接口,直至返回 SUCCEEDED
视频处理
添加 Read/Write Files from Disk 节点将视频下载到本地,如果多个视频,使用 ffmpeg 合并
完整工作流

总结
本文详细拆解了利用 n8n 实现 AI 内容创作自动化闭环的最后步骤。通过整合 HTTP 请求、JavaScript 代码处理及文件读写节点,我们成功构建了两条核心流水线:
自动化生图:读取拆解的提示词,调用阿里 Qwen 模型批量生成高质量图片并自动归档。
自动化生视频:基于生成的图片和提示词,驱动 Wanx 模型生成具有电影质感的 4K 视频片段。
至此,[下载 -> 拆解/分析 -> 提示词重组 -> AI 重绘 -> 视频生成] 的完整链路已全部打通。为制作 AI 视频提供了一套可行的低代码解决方案。
6万+

被折叠的 条评论
为什么被折叠?



