Codex 做视频：从文章到成片的完整流程

🎯 一句话总结：先把文章压成能说出口的口播稿，再生成最终音频；字幕和画面都跟着音频时间轴走，最后用 HyperFrames 或 Remotion 预览、修正并渲染。第一次只做 30～60 秒、单一主题的不出镜视频。

📌 先跑通一条最短路径

用 Codex 做视频，不是输入一句话就稳定得到成片。Codex 更像制作协调者：它读取文章和 Skills，生成口播与分镜，调用语音和视频工具，再根据检查结果修改项目。

第一条视频只设这些边界：

完整流程是：

文章或主题
→ narration.md 口播稿
→ final.wav 最终配音
→ 字幕与时间轴
→ STORYBOARD.md 分镜
→ HyperFrames 项目
→ 预览和定点修改
→ final.mp4

先建立项目目录，把所有输入和输出放在一起：

codex-video/
├── article.md
├── narration.md
├── final.wav
├── subtitles.srt
├── STORYBOARD.md
├── assets/
└── renders/

文件名可以调整，但文章、音频、素材和版本不要散落在下载目录里。

准备 Codex、HyperFrames 和必要工具

HyperFrames 是开源的视频渲染框架，可将 HTML、CSS、媒体素材和可定位时间的动画渲染成 MP4。官方仓库提供面向编程 Agent 的 Skills，基础安装命令为：

npx skills add heygen-com/hyperframes

官方项目：https://github.com/heygen-com/hyperframes

开始前让 Codex 检查：

1. Node.js 和 npm 是否可用；
2. HyperFrames Skill 是否安装成功；
3. FFmpeg 是否可执行；
4. 项目目录是否可写；
5. 是否能建立一个最小视频并打开预览。

可以这样交代：

阅读 HyperFrames 官方仓库和 Skill 说明，在当前项目安装所需依赖。
创建一个最小测试项目并打开本地预览。
只报告实际通过的检查、预览地址和项目路径；不要先制作正式视频。

/faceless-explainer 适合将文本整理为不出镜讲解视频；/hyperframes-animation 处理动画规则。社区仓库还提供 vox-explainer 拼贴讲解和 p5-paint-animation 绘制动画，但第一条视频无需全部安装。

社区 Skills：https://github.com/heygen-com/hyperframes-community-skills

✍️ 第一步：把文章改成口播稿

口播稿决定视频讲什么。先定稿内容，再碰动画，否则每改一句话，配音、字幕和镜头都要重做。

只有一个主题

先写清四个输入：

• 讲给谁听；
• 解决什么问题；
• 视频多长；
• 观众看完要做什么。

例如不要只写“介绍 HyperFrames”，改成：

面向第一次使用 Codex 的内容创作者，写一段 60 秒竖屏口播。
主题：如何把一篇 3000 字工具测评变成短视频。
保留一个完整流程和一个高频错误。
结尾让观众先做 30 秒测试版，不要加入营销口号。
输出到 narration.md。

已经有文章

将文章保存为 article.md，让 Codex 提炼而不是逐段朗读：

把 article.md 改写成 60 秒中文口播稿。
保留事实、数字、产品名和限制条件；删除重复背景和书面化过渡。
结构为：具体钩子 → 当前问题 → 三步方法 → 下一步动作。
每句话都要能自然说出口，输出 narration.md。

口播定稿后自己读一遍。检查专有名词、英文、数字、句长和停顿。嘴巴读不顺的句子，TTS 通常也不会自然。

通过标准

• 前 3～5 秒已经出现问题或结果；
• 全文只讲一个核心变化；
• 每句话都有口语停顿位置；
• 不依赖画面才能理解主要结论；
• 朗读时长符合预设范围。

🔊 第二步：生成最终配音

第一次使用普通 TTS 就够了。先生成 10～15 秒测试音，确认声音、语速、停顿和英文读法，再生成全文。

开源方案可以使用 edge-tts，也可以选择手边已有的 TTS 服务。最终保存为统一格式，例如 final.wav。后续工具只需要可靠的音频文件，不关心它来自哪家服务。

需要复刻声音时再用 CosyVoice

CosyVoice 是开源的多语言语音生成项目，支持使用参考音频和对应文本进行零样本语音生成。官方仓库：

https://github.com/FunAudioLLM/CosyVoice

准备三份独立文件：

参考录音和文本必须对应。背景音乐、回声、多人说话和重度降噪都会影响结果。只使用本人声音或明确获得授权的声音，不要复刻他人声音冒充本人。

长口播按语义分段生成。某段专有名词读错，只重做这一段，再拼接为 final.wav。不要因一个词出错重做整条音频。

⏱️ 第三步：以最终音频建立时间轴

从这一步开始，final.wav 是唯一时间尺。不要按口播字数平均分镜，也不要先做完整动画再塞声音。

让 Codex 转写最终音频，输出带时间戳的字幕：

转写 final.wav，生成 subtitles.srt。
逐句保留真实开始和结束时间，不按字数平均分配。
另外生成 timeline.json，记录每句话、开始时间、结束时间和关键词。
完成后检查字幕总时长不能超过音频时长。

检查四件事：

1. 句子有没有提前或滞后；
2. 一屏字幕是否过长；
3. 英文、数字和专有名词是否正确；
4. 停顿处有没有被错误合并。

字幕只负责告诉观众“说了什么”，时间轴告诉画面“什么时候变化”。这两份数据都应来自最终音频，而不是初稿。

🎬 第四步：把口播拆成 4～8 个分镜

每个分镜只回答一个问题：观众听到这句话时，最需要看到什么？

优先使用文章已有的截图、照片、图表或产品界面。没有素材时，再用标题卡、步骤图、对比图和简单数据可视化。不要为每句话生成一张无关的装饰图。

让 Codex 输出制作单：

读取 narration.md、timeline.json 和 assets/。
把视频拆成 4～8 个分镜，写入 STORYBOARD.md。
每个镜头列出：开始时间、结束时间、对应旁白、主要画面、素材路径、字幕位置、唯一主要动画。
已有素材优先；缺少素材时只列出需要补的具体画面。

分镜通过标准：

• 每个镜头都对应一段明确旁白；
• 素材路径真实存在；
• 画面主体不会被字幕遮挡；
• 单张截图有足够停留时间；
• 转场没有切断句子或关键动作；
• 前一镜头结束状态与后一镜头开始状态能衔接。

video-shotcraft 提供适用于 Remotion 的镜头配方和动态预览，可以在产品演示或宣传片中作为镜头参考，但不是 HyperFrames 的必装依赖：https://github.com/Vincentwei1021/video-shotcraft

🖥️ 第五步：用 HyperFrames 预览并渲染

准备好口播、音频、时间轴和分镜后，再交给 HyperFrames：

使用 /hyperframes，根据 STORYBOARD.md 创建视频。
画幅 9:16，时长严格跟随 final.wav。
加载 assets/ 中的现有素材和 subtitles.srt。
每个镜头只保留一个主要动画，字幕处于安全区。
先生成项目并打开预览，不要直接渲染最终版。

先检查前 15 秒：

• 钩子进入是否太慢；
• 字幕能否在手机上看清；
• 画面是否真的解释当前旁白；
• 图片有没有被裁掉；
• 转场是否抢过内容。

反馈必须指向时间和对象，例如：

第 6～9 秒截图停留太短，延长到 3 秒。
第 12 秒字幕挡住界面按钮，移动到顶部安全区。
第一个标题在旁白开始 1 秒后才出现，改为同步出现。
只修改这三项，其他时间和样式保持不变。

确认预览后再渲染：

把当前确认版本渲染为 renders/final.mp4。
渲染后检查文件可播放、音频未截断、分辨率和时长正确。
输出检查结果和文件路径。

看到预览页不等于完成。只有 final.mp4 实际生成，并从头到尾播放检查后，才能算跑通。

失败时只改一个变量

第一次出片常见问题不在模型能力，而在上游输入没有定稿。

连续两次出现同一问题，就回到上游检查。不要在提示词末尾堆“更高级、更自然、更稳定”，这种说法无法定位错误。

每次修改保存一个版本，例如：

v01-script
v02-audio
v03-timeline
v04-storyboard
v05-preview
v06-final

版本名记录改变了什么，比“最终版2”“最终版真的最终”更容易复盘。

Remotion 和真人口播怎么接入

HyperFrames 适合让 Agent 按本期内容重新组织画面。Remotion 适合已经稳定的栏目模板：固定片头、字幕、标题区和素材槽位，每期替换数据即可。

Remotion 官方提供 Agent Skills：

• /remotion-create：创建项目或 Composition；
• /remotion-studio：打开预览；
• /remotion-render：渲染视频或静帧。

官方说明：https://www.remotion.dev/docs/ai/skills

前面的 narration.md、final.wav、字幕、时间轴和素材可以继续使用，不必重做。建议先用 HyperFrames 连续完成两三期，确认镜头结构稳定后，再迁移成 Remotion 固定栏目。

如果已经拍了真人口播，可使用 video-use 先转写并整理有效片段，再补字幕和信息画面。该项目要求完整安装仓库及辅助脚本，FFmpeg 是底层依赖；默认转写路径还可能需要 ElevenLabs API Key：https://github.com/browser-use/video-use

真人视频的流程应是：

口播定稿
→ 分段拍摄
→ 整理有效片段
→ 对齐字幕
→ 补步骤卡和截图
→ 预览
→ 渲染成片

不要在未确认保留片段前就做复杂动效，否则真人剪辑一变，后面的时间轴又要重排。

✅ 第一条视频的完成标准

• 口播稿已经本人朗读检查；
• 最终音频已确定，后续时间轴不再引用旧版本；
• 字幕来自最终音频，时间点能对上；
• 分镜控制在 4～8 个，每个镜头都有明确作用；
• 使用的素材全部存在，没有占位文件；
• 前 15 秒已单独预览；
• 每轮只修改一个主要问题；
• final.mp4 已生成，能够正常播放；
• 声音没有截断，字幕没有明显错位，主体没有被裁掉；
• 项目、素材、提示词、版本和成片保存在同一个目录。

第一条跑通后，第二条继续复用目录和检查表。等同一结构稳定完成两三次，再固定片头、字幕和镜头模板。这样 Codex 才从一次性的视频生成助手，变成可重复使用的制作流程。