用 Hugging Face diffusers 把扩散模型从图像搬到音频，能直接训练和生成音乐片段，省去自己搭扩散流程的麻烦。

用 HTML 写动画，再通过 Puppeteer 和 FFmpeg 渲染成视频，专为 AI Agent 生成动态视频内容设计。