短视频里的 B-roll（辅助画面）用来丰富视觉层次、帮助观众理解口播，但传统制作流程琐碎，需要经历搜素材、排构图、做动画和剪辑等多道工序。GitHub 上的开源项目 gbro-collage-broll 给了一条轻量路径：输入一段约 5 秒的口播文案，直接生成具有杂志编辑风格的半调纸拼贴动画，把从概念构思到运镜生成的繁琐环节交给 AI 处理。
项目在视觉上主打复古编辑风：用高饱和纯色打底，搭配黑白半调照片剪贴与彩色卡纸元素，接近艺术杂志的手工拼贴质感。动画没有套用常见的线性淡入或缓慢推拉，而是从空白画面起步，各层剪贴元素依次滑入、定位并咬合构图，带有定格动画（stop-motion）的抽帧跳跃感。这种形式很适合抽象概念多、缺少实拍画面的口播场景（如科技解读、商业分析与知识类口播），能让原本只能靠字幕干讲的内容落到具体的视觉隐喻上。
为了防止 AI 随机构想偏离文意，gbro-collage-broll 引入了一套「三闸门审批」机制，把人工审美卡在关键节点上：
- 隐喻确认：系统先根据文案提炼核心概念、主体物件、背景配色和画面组装顺序。这个阶段只出文字方案，不消耗图视生成额度。
- 静帧确认：方案通过后，系统生成拼贴静帧与多视角联系表，由创作者确认构图与质感。
- 视频生成：调用 Gemini Omni Flash 的首尾帧控制能力渲染 5 秒组装动画，并自动执行首帧空场、逐秒抽帧与尾帧对齐等校验。
这种分段放行机制把创意调整留在文字与图片阶段，试错成本极低，避免有偏差的设计直接冲入高成本的视频渲染。
项目以 Agent Skill 形式封装，运行在支持技能机制的 AI Agent 环境中。运行环境需要 Python 3.10+、Gemini API Key、google-genai 库以及 ffmpeg/ffprobe 等音视频工具；其中静帧生成借助 Codex 环境的 image_gen 工具，动态生成走 Gemini API。输出格式固定为标准的手机竖屏规格：9:16、5 秒时长、720×1280 分辨率、24fps 的无声 MP4 视频，可以直接拖进剪辑轨作为画中画或转场切镜。安装时只需把仓库克隆到 Agent 技能目录，在对话中输入「collage b-roll」或「纸拼贴 b-roll」加上文案即可唤起流程。
这个工作流的核心取向不在于「全自动免插手」，而在人机权责划分：隐喻是否贴切、主题是否吻合、构图是否耐看，由人把关；素材抠图、分层对齐、动效插帧等机械劳动，交给模型。面对复杂的抽象叙事，一张贴合语境的手工感拼贴画面，往往比一堆毫无叙事关联的通用视频素材更能抓住眼球。
gbro-collage-broll 避开了目前 AI 视频工具常有的生硬写实感，用拼贴艺术的留白与剪切质感化解了生成画面的不自然。对短视频作者来说，它既能省下大量在素材库里翻找 B-roll 的时间，又能确保每一段动画都准确贴合自己的口播意图。