我用 Codex + Remotion，做了一条唐朝纸片分层动画

文章目录

- [我用 Codex + Remotion，做了一条唐朝纸片分层动画](#我用 Codex + Remotion，做了一条唐朝纸片分层动画)
- 零、这条视频用了哪些工具
- - [1\. Codex：整个流程的操作员](#1. Codex：整个流程的操作员)
  - [2\. Imagegen：负责生成图片](#2. Imagegen：负责生成图片)
  - [3\. F5-TTS：负责克隆旁白](#3. F5-TTS：负责克隆旁白)
  - [4\. Remotion：负责让所有图层动起来](#4. Remotion：负责让所有图层动起来)
  - [5\. FFmpeg：负责检查和验收](#5. FFmpeg：负责检查和验收)
- [一、用 Codex 先确定镜头，不要直接开始画图](#一、用 Codex 先确定镜头，不要直接开始画图)
- [二、用 Codex 把画面拆成四层](#二、用 Codex 把画面拆成四层)
- [三、用 Imagegen 生成没有人物的背景底板](#三、用 Imagegen 生成没有人物的背景底板)
- [四、用 Imagegen 生成角色，再用 Python 抠图拆层](#四、用 Imagegen 生成角色，再用 Python 抠图拆层)
- [五、在 Remotion 里先排版，再写动画](#五、在 Remotion 里先排版，再写动画)
- [六、用 Remotion 给每类图层设置不同动画](#六、用 Remotion 给每类图层设置不同动画)
- 七、用前后遮挡制造纵深
- [八、用 F5-TTS 生成配音，再加入字幕、音乐和音效](#八、用 F5-TTS 生成配音，再加入字幕、音乐和音效)
- [九、用 Remotion Studio 预览，用 FFmpeg 抽帧验收](#九、用 Remotion Studio 预览，用 FFmpeg 抽帧验收)
- 十、整条工作流总结

我真的调整了好几天才做出来。其实整体做个30秒视频是没问题的，大家可以自己有时间的去测试一下。

很多人做"纸片风视频"，只是把一张完整图片放大、缩小，再加一点镜头移动。这样能动，但没有层次。

真正的纸片分层动画，核心不是生成一张漂亮的图，而是把背景、建筑、主角、配角和前景分别做成独立素材，再让每一层按照不同节奏运动。

这篇教程以我做的唐朝视频为例，把完整操作流程拆开讲清楚。

零、这条视频用了哪些工具

这不是靠一个软件完成的，而是一条本地视频流水线。实际使用的工具如下：

工具	在流程中的作用	是否必需
**Codex**	读取文案、设计分镜、生成项目代码、调整人物位置、执行命令和渲染	核心控制台
**Imagegen**	生成唐朝人物、宫殿、水墨山脉、纸片装饰等图片素材	可换其他绘图模型
**Python + Pillow + NumPy**	批量抠图、检查透明通道、把人物素材表拆成独立 PNG	推荐
**F5-TTS**	使用参考音频做本地零样本声音克隆，生成中文旁白 WAV	可换真人录音或其他 TTS
**Remotion**	用 React 代码控制图层、人物入场、镜头、字幕、音效并渲染视频	核心视频引擎
**FFmpeg / ffprobe**	检查音视频时长、抽取关键帧、检查分辨率和音轨	推荐
**Chrome / Remotion Studio**	在浏览器里逐帧预览动画和检查排版	推荐

1. Codex：整个流程的操作员

Codex 不直接替代绘图、配音和渲染模型，它负责把这些工具串起来：

复制代码

文案 → 分镜 → 素材清单 → 生成图片 → 抠图拆层
→ 编写 Remotion 动画 → 生成配音 → 加字幕音效 → 渲染 MP4

在这个项目里，Codex 主要修改：

复制代码

src/ReplicaChapterScene.tsx   人物坐标、大小、层级和动画
src/MainVideo.tsx             配音、背景音乐、音效和字幕
src/script.json               文案、镜头和时长
public/assets/                图片素材
public/audio/                 旁白、音乐和音效

2. Imagegen：负责生成图片

Imagegen 用来生成背景底板和独立人物。生成时使用纯绿色背景，再通过本地脚本转成透明 PNG。不要让绘图模型直接生成整段动画，它只负责提供可控的独立图层。

3. F5-TTS：负责克隆旁白

本机使用 F5-TTS 做零样本声音克隆。它需要一段参考音频和对应文字，然后生成新的中文旁白：

复制代码

{
  "ref_file": "参考音频.wav",
  "ref_text": "参考音频对应的文字",
  "full_text": "需要合成的唐朝口播文案",
  "full_out": "public/audio/tang-wide.wav"
}

参考音频必须干净、单人说话、没有音乐。生成以后再根据需要用 FFmpeg 调整到目标语速。

4. Remotion：负责让所有图层动起来

Remotion 是真正的视频制作引擎。人物的大小、位置、进入时间、前后遮挡、字幕和音效全部由 React 代码控制。它最大的优势是可以逐帧修改，也能把同一套模板批量用于其他历史题材。

5. FFmpeg：负责检查和验收

FFmpeg 不负责主体动画，但负责最后的技术检查：

复制代码

# 查看视频分辨率、时长和音轨
ffprobe -v error -show_streams -show_format out/final.mp4

# 抽取第 5 秒画面检查排版
ffmpeg -ss 5 -i out/final.mp4 -frames:v 1 check-05.png

一、用 Codex 先确定镜头，不要直接开始画图

这条测试片只用了两个核心镜头：

**全景镜头** ：皇帝是最大主体，左右侍女第二，右侧群臣最小，用来交代"盛唐长安"的规模。
**特写镜头** ：中央捧礼盒的人最大，前排跪拜人物第二，后排侍从最小，用来表现"万邦来朝"。

先定镜头的原因很简单：同一个人物在全景和特写里的大小、位置、朝向都不同。如果先随便生成素材，后面很容易出现人物比例错误、视线方向相反、主次不清的问题。

二、用 Codex 把画面拆成四层

每个镜头至少拆成下面四层：

层级	内容	动画特点
背景层	山水、宫殿、城楼、纸张纹理	最慢，只做轻微漂移和推镜
后排层	远处群臣、侍从、建筑边角	移动幅度小，透明度稍低
主体层	皇帝、捧礼盒的人	尺寸最大，入场最有力量
前景层	侍女、跪拜人物、纸屑、胶带	移动稍快，用来遮挡并制造纵深

重点是： **人物必须是独立 PNG，不能全部画在同一张图里。**

三、用 Imagegen 生成没有人物的背景底板

背景底板只保留环境：

红色宣纸底纹
水墨山脉
长安宫殿和城楼
撕纸边缘
网点、胶带和印章装饰

不要把主要人物画进背景。人物一旦和背景粘在一起，后面就不能独立飞入、摇摆或调整大小。

这条视频使用两张背景底板：

复制代码

public/assets/plates/01-tang-wide-bg.png
public/assets/plates/02-tang-close-bg.png

全景底板偏米白，方便突出金色皇帝；特写底板使用大面积深红，方便突出中央礼盒人物。

四、用 Imagegen 生成角色，再用 Python 抠图拆层

生成角色时，不要只写"画一个唐朝人物"。提示词必须同时限制：

唐代服饰和发冠
古籍线描与手工拼贴质感
正面或明确的左右朝向
完整人物，不裁掉头、手和脚
白色剪纸描边
纯色背景，方便抠图
不要文字、不要水印、不要复杂场景

示例提示词：

复制代码

生成一名唐代皇帝全身人物，坐在雕花龙椅上，身体朝右，右手抬起。
中国古籍线描与复古纸片拼贴风，金色龙袍，人物完整，白色剪纸描边。
纯绿色背景，不要宫殿，不要其他人物，不要文字，不要阴影。

人物组最好先生成一张素材表，再拆成多个透明 PNG。项目里的拆分命令是：

复制代码

python scripts/split_sheet.py \
  public/assets/tang-10s/source/close-six-alpha.png \
  public/assets/tang-10s/layers \
  close 6

拆完以后，每个人物都能单独控制位置和动画。

五、在 Remotion 里先排版，再写动画

不要一拿到素材就加动画。先把所有人物静止摆好，检查三个问题：

主角是不是最大、最醒目？
配角有没有挡住主角的脸、手和关键道具？
人物脚底是不是落在同一个合理地面上？

全景镜头的实际层级是：

复制代码

皇帝：宽 650，主角层
左右侍女：宽 235～245，次要层
右侧群臣：宽 158～170，后排层

特写镜头的实际层级是：

复制代码

中央礼盒人物：宽 575，主角层
前排跪拜人物：宽 285～330，次要层
后排侍从：宽 165～180，陪衬层

这一步决定了画面是否自然。人物不是平均分布，也不是全部一样大，而是按照叙事重要性安排大小。

六、用 Remotion 给每类图层设置不同动画

我把人物分成三种角色：primary、secondary、tertiary。

复制代码

const roleMotion = {
  primary:   {distance: 78, rise: 55, startScale: 0.86},
  secondary: {distance: 58, rise: 38, startScale: 0.90},
  tertiary:  {distance: 38, rise: 22, startScale: 0.95},
};

主角移动距离最大，带轻微缩放和落地感。
次要人物从左右两侧进入，幅度中等。
后排人物只做小幅移动，避免抢戏。
背景只做 1% 左右的慢速推镜。
所有人物入场后仍保留极轻微上下漂浮，避免画面完全静止。

人物不要同时出现。实际使用 delay 错开入场：

复制代码

{src: "emperor-1.png", delay: 4,  role: "primary"}
{src: "wide-left-1.png", delay: 18, role: "secondary"}
{src: "wide-right-1.png", delay: 34, role: "tertiary"}

这样画面会按照"主角先出现、配角补充、群像完成"的顺序建立，而不是一下子塞满。

七、用前后遮挡制造纵深

纸片动画的立体感主要来自遮挡关系，不是复杂的三维效果。

正确顺序是：

复制代码

背景底板
后排人物
中排人物
主角
前排人物
字幕和装饰

每个图层都设置独立 zIndex。例如中央捧礼盒人物是 z: 5，前排跪拜人物是 z: 3～4，后排侍从是 z: 1～2。

人物还加了统一的白色纸片描边和阴影：

复制代码

filter: \`
  drop-shadow(4px 0 #f5eedc)
  drop-shadow(-4px 0 #f5eedc)
  drop-shadow(0 4px #f5eedc)
  drop-shadow(0 18px 9px rgba(20,15,12,.32))
\`

白边负责"剪纸感"，深色阴影负责把人物从背景里抬起来。

八、用 F5-TTS 生成配音，再加入字幕、音乐和音效

画面完成后，再按照配音长度切分镜头。

这条视频的音频分为四层：

**旁白** ：每段单独一个 WAV，直接决定镜头时长。
**背景音乐** ：循环播放，音量保持在人声下方。
**章节音效** ：切换镜头时使用 impact 或 riser。
**人物入场音效** ：主角用 impact，次要人物用 whoosh，后排人物用较轻的 tick 或 pops。

const sound = layer.role === "primary"
? "audio/sfx/impact.wav"
: layer.role === "secondary"
? "audio/sfx/whoosh.wav"
: "audio/sfx/tick.wav";

字幕只保留一层，固定在底部，逐句跟随旁白，避免重复字幕和画面文字互相打架。

九、用 Remotion Studio 预览，用 FFmpeg 抽帧验收

先启动 Remotion 预览：

复制代码

cd ~/Desktop/vox-videos/20260711-tang-collage-16x9
npm install
npm run start

重点检查：

人物头、手、脚有没有被裁掉
朝向是否符合场景关系
主角和配角大小是否拉开
前后排有没有错误遮挡
人物进入时有没有同时出现
字幕是否挡住人物脚部和关键道具
音效是否和人物进入的帧对齐

最后渲染 MP4：

复制代码

npm run render

十、整条工作流总结

复制代码

确定文案和镜头
→ Imagegen 做无人物背景底板
→ Imagegen 生成角色素材表
→ Python 抠图并拆成独立 PNG
→ Remotion 静态排版，确定人物主次
→ Remotion 设置图层顺序和前后遮挡
→ Remotion 按角色类型添加错峰动画
→ F5-TTS 生成旁白并切镜头
→ Remotion 加字幕、背景音乐和入场音效
→ FFmpeg 抽帧检查
→ Remotion 渲染 MP4

这套方法不只适合唐朝题材。历史人物、知识科普、商业故事、人物关系、城市发展，只要画面能拆成"背景、主角、配角、前景"，都能用同样的流程制作。

真正让纸片动画变得有层次的，不是多生成几张图片，而是让每一张图片都承担明确的叙事位置。

关注我，大家一起拆解AI新玩法呀。