早上本來只是想測一個新的 GPT 模型。
當時 Hermes Agent 的主模型已經切到 OpenAI Codex provider 的 gpt-5.6-sol，透過 ChatGPT Pro OAuth 使用。我想看的不是它會不會回答問題，而是它能不能把一個有成本、有素材、有審核、有失敗可能的工作做完。
不知道為什麼，最後我得到的不是一份 benchmark，而是一支 35 秒的攝影品牌短片，外加一個能讓 Hermes 呼叫 OpenRouter 生成影片的本機 plugin。
這件事有點微妙。因為「叫 AI 生一支影片」聽起來像一句 prompt，實際做下去，真正麻煩的部分幾乎都不在 prompt。
先把模型分工拆清楚
這次用了三層不同的工具，但它們不是同一件事。
第一層是 GPT-5.6 Sol。它跑在 Hermes Agent 裡，負責理解需求、檢查素材、規劃分鏡、呼叫工具、追蹤狀態與整理結果。它是編排者，不是影片模型。
第二層是 OpenRouter 與 ByteDance Seedance 2.0 Fast。真正要花 OpenRouter 額度的，是送進 /api/v1/videos 的影片生成工作。
第三層是本機後製：FFmpeg、Pillow 與 Edge TTS。字幕、圖片 contain、模糊延伸背景、旁白、音量正規化、串接鏡頭與技術驗證，都在本機完成，不再消耗 OpenRouter 額度。
我刻意保留這個分工。讓影片模型同時負責畫面、字幕、旁白、剪輯與成品驗證，看似省事，實際上等於把每一次小修都變成重新抽卡，而且還是付費抽卡。
設定到底改了什麼
我先替 Hermes 設定檔建立備份，再比較修改前後的白名單欄位。這一步很重要，因為設定檔旁邊通常就住著 API key 與 OAuth credential；寫技術文章不代表要順便把家門鑰匙貼上網。
當天修改前後，Hermes 的主模型設定都維持：
model:
provider: openai-codex
default: gpt-5.6-sol
真正新增的是本機 plugin：
plugins:
enabled:
- openrouter-video
entries:
openrouter-video:
enabled: true
OpenRouter API key 只放在 Hermes 的 .env，不寫進 config.yaml、文章、manifest 或專案檔案。這裡只需要知道環境變數名稱是 OPENROUTER_API_KEY；實際值當然不會公開。
還有一個容易誤會的細節：Hermes 原本的 video_gen 設定仍然指向 xAI 的 grok-imagine-video。我沒有硬改核心工具，而是用 openrouter-video plugin 註冊另一組本機工具。兩條路可以同時存在，測試失敗時也比較容易拆掉，不會把 Hermes 核心改成只剩我這台電腦看得懂的形狀。
Hermes 官方也建議：個人、專案或本機擴充，優先走 plugin，而不是直接修改 core。這是我最後選擇 plugin 的原因。
為什麼要自己做 plugin
OpenRouter 的影片 API 是非同步流程。送出請求後不會立刻拿到 MP4，而是先得到 job id 與 polling URL；接著定期查詢狀態，完成後再下載 content。
最小流程看起來很簡單：
GET /api/v1/videos/models
POST /api/v1/videos
GET /api/v1/videos/{job_id}
GET /api/v1/videos/{job_id}/content?index=0
但如果讓一個有工具權限的 Agent 直接呼叫付費 API，我至少需要補上六件事。
1. 付費前先估價
這次是由 Agent 工作流先查模型資料，根據 token pricing、輸出尺寸、秒數與 24 fps 公式估算成本；顯示預估金額、等我明確核准後，才呼叫 plugin 的 submit()。
這裡要說清楚：目前的 submit() 本身沒有 approval token 或程式層 hard gate。它的 tool description 會要求 Agent 先取得核准，但如果有人繞過工作流直接呼叫，plugin 仍會送出 POST。這次安全是靠「只讀估價 → 人工核准 → 付費提交」的流程紀律，不是 API 強制保證。若要把它做成多人共用或 unattended service，我會再補一次性 approval token。
我不接受「先跑再說」。可愛歸可愛，帳單不會因為 Agent 語氣很好就自己消失。
2. 用 fingerprint 避免重複扣款
project_id、shot_id、prompt_hash，再加上 model、duration、resolution、aspect ratio、audio 與參考圖 hash，會共同形成 fingerprint。
如果相同工作已經提交，plugin 會回傳既有 job，而不是再送一次。這是為了處理最危險的情況：網路斷線、工具 timeout，但 OpenRouter 其實已經收到了工作。沒有冪等保護，Agent 一重試，就可能幫我買兩支一樣的影片。
3. 只重試該重試的錯誤
429 與部分 5xx 可以用 exponential backoff 重試；400、401、403 這類輸入或權限錯誤則直接停。
認證錯誤重跑十次不會突然變有權限，只會讓 log 看起來很努力。
4. 輪詢不要太勤
OpenRouter 官方建議影片工作使用合理的輪詢間隔，例如 30 秒。Plugin 因此不會每秒追問一次。影片通常要等幾十秒到數分鐘，急著敲門不會讓 Seedance 畫快一點。
5. Data URL 不落地
Image-to-video 需要把首格圖片轉成 Data URL 傳送。但 manifest 不保存整串 base64，只留下：
data-image-sha256:<digest>
這樣仍能追蹤輸入是否相同，又不會讓一張參考圖在 log、JSON 與備份裡複製好幾份。
6. 每一步都留下可驗證證據
每個工作都會保存 sanitized manifest，包括 job id、status、模型、參數、usage 與輸出路徑。下載後再跑 ffprobe 與 SHA-256，確認檔案真的是可讀影片，不是某個副檔名叫 MP4 的錯誤頁面。
這部分不浪漫，但它決定了 Agent 說「完成」時，我到底該不該相信。
我怎麼規劃這支影片
影片目標是介紹我的人像攝影與出版經歷，同時保留開放合作的 CTA。最初規劃是 42 秒、10 個鏡頭。
我沒有把 10 鏡全部丟給影片模型。真正需要生成動態的只有三種：
- 奶油白窗簾上的自然光影。
- 相機與底片元素的器材氛圍。
- 短袖水手服風角色的克制動態。
其他內容——形象照、攝影作品、書封、PX3 證書與片尾——都用既有素材做確定性剪輯。這些照片本來就是作品，不需要模型替裡面的人眨眼、轉頭或多長一根手指。
第一輪三支 Seedance 預覽的請求規格都是 4 秒、480p、9:16、關閉模型原生音訊；實際下載檔為 496×864、約 4.04 秒。費用各為 US$0.215208，合計 US$0.645624。
其中窗影與水手服角色可用，相機鏡頭不行。
第一版器材畫面長成兩台復古相機加一疊拍立得卡片。但我主要使用的是 Canon EOS 5D Mark IV，底片機偶爾用，拍立得反而很少。畫面不能只做到「像攝影」，還要像我。
所以我只重做器材鏡頭。第二版改成單一 5D Mark IV 類型 DSLR 為主體，50mm 定焦鏡頭，底片捲只留在後方當配角。第二次生成再花 US$0.215208。
整個 OpenRouter 影片生成支出是 US$0.860832。後面的剪輯、字幕、旁白、音量與輸出全部在本機完成，沒有再燒影片生成額度。
從 42 秒修到 35 秒
第一個完整版本是 42 秒，台灣男聲旁白，畫面用了較多網站舊素材。技術上沒有壞，但看完就是覺得長。
後來我做了三個調整。
第一，旁白改成 zh-TW-HsiaoYuNeural 女聲，語速 +8%、音高 +4Hz。我想要的是甜美青春，不是幼兒化，也不是購物台趕拍。
第二，把主招募文案從醒目的年齡限制改成「人像創作・歡迎洽詢」。未滿 18 歲合作的保障仍保留在片尾小字：須由法定代理人一同聯繫並確認合作內容。開放不等於沒有邊界，邊界也不需要搶走整支影片的主標題。
第三，重新選圖。最後保留形象照、制服女孩、比特幣女孩、五本出版作品、PX3 證書、兩張補充攝影作品，以及核准過的三支生成鏡頭；資訊量太高的月曆與拼貼先拿掉。
單張作品不硬裁成滿版，而是用 contain 卡片保留原比例，背景再用同張照片模糊延伸。這至少不會為了填滿手機螢幕，把書名切掉，或只剩人物身體的一小塊。
最後成品是 35 秒、1080×1920、H.264、30 fps，音訊為 AAC 48 kHz 雙聲道。FFmpeg 檢查不到 0.2 秒以上黑畫面，最終檔案也留下 SHA-256。
最後踩到的坑：低解析度不是小事
這次有幾本舊出版品封面只有約 300 多像素寬。Contain 可以避免亂裁，卻不能憑空補回細節。放在 1080×1920 的影片裡，書封當然會顯得比較小。
這件事最後變成一條明確規則：以後圖片解析度偏低，開工前先回報尺寸、放大風險與預期效果，等我確認後才能剪；不擅自放大。
AI 很容易把「做得到」誤認成「適合做」。但品質問題通常不是最後才發生，而是素材進場的那一刻就決定了一半。
這次真正測到的是什麼
表面上，我是在測 GPT-5.6 Sol，也是在研究 Hermes Agent 能不能串 OpenRouter 生影片。
但最後驗證的其實是另一件事：一個模型能不能在碰到付費 API、視覺品味、舊素材、人物安全與本機檔案時，知道哪些事情該自己做，哪些事情一定要停下來問。
Seedance 負責生成四秒鐘的光影與動作。Hermes 負責把工作拆開。OpenRouter 負責提交與計費。FFmpeg 負責把結果變成可重現的成品。最後的「這個相機不像我會用的相機」「影片太長」「這張圖解析度不夠」，仍然只能由人來判斷。
對我來說，這才是 Agent 工作流真正有意思的地方。
不是讓 AI 一口氣做完所有事，而是讓每一種工具只做它擅長的部分，並且在該停的地方停下來。
