用 Codex 搭建一条可复用的 AI 视频生产线

用Codex自动生成AI视频：从文章、配音、字幕到成片的完整教程

如何使用Codex自动生成AI视频？本文将完整介绍一套从文章改写、AI配音、字幕生成、视频分镜到最终渲染的自动化工作流。

这套方案以Codex为任务调度中心，结合TTS语音工具、HyperFrames或Remotion完成视频制作。它并不是追求"一句话生成爆款视频"，而是把视频制作拆解成可以检查、修改和重复执行的标准流程。

完整流程如下：

文章或选题

→ 口播稿

→ 最终配音

→ 字幕与时间轴

→ 视频分镜

→ 15秒预览

→ 完整渲染

→ 成片检查

其中最关键的一条原则是：先确定声音，再制作画面。

一、为什么AI生成的视频经常需要反复修改

很多人第一次制作AI视频时，会直接把文章交给AI，然后要求它一次性生成完整视频。

这种方法虽然简单，却很容易遇到以下问题：

文案适合阅读，却不适合口播。
配音长度发生变化，原来的镜头全部错位。
字幕和声音无法准确同步。
产品截图被错误裁切或拉伸。
画面很好看，却没有展示观众真正需要看到的信息。
预览页面正常，导出的MP4却出现黑屏或素材丢失。
每次生成的视频风格差异很大，无法形成稳定栏目。

问题不一定出在AI能力上，而可能出在生产顺序上。

稳定的视频工作流不能只保留最终成片，还需要保留口播稿、音频、时间轴、字幕和分镜等中间文件。

二、Codex在AI视频工作流中负责什么

在这套方案中，Codex更像一名能够操作文件、调用工具和检查结果的"视频项目总导演"。

它可以负责：

读取文章、资料或选题。
将文章改写成口播稿。
调用TTS工具生成配音。
根据最终音频提取时间戳。
生成SRT字幕文件。
根据口播内容编写视频分镜。
调用HyperFrames或Remotion制作视频。
检查素材、代码和渲染结果。
根据具体反馈继续修改视频。

不同工具可以承担不同任务：

Codex：管理流程、处理文件、编写代码和执行检查。

edge-tts、CosyVoice等：生成语音。

HyperFrames：制作画面变化较多的动态视频。

Remotion：通过React代码构建可以批量复用的视频模板。

video-use：辅助分析和剪辑已经拍摄好的真人视频。

这样做的意义不是完全取消人工，而是减少重复操作，把人的精力留给选题、观点、审美和最终决策。

三、AI视频自动化的正确生产流程

推荐使用下面的生产顺序：

原始文章

→ 口播稿narration.md

→ 最终音频final.wav

→ 时间数据timing.json

→ 字幕文件captions.srt

→ 视频分镜storyboard.md

→ 视频工程

→ 最终成片final.mp4

这套顺序中，最终音频是整条视频的真实时间基准。

例如，一条视频最终为什么是75秒？

并不是因为分镜表写了75秒，也不是因为字幕文件写了75秒，而是因为最终音频本身持续了75秒。

如果声音还没有确定就开始制作画面，后面只要修改一句口播，字幕时间、镜头长度和转场位置都可能需要重新调整。

因此，正确做法应该是：

先确定口播稿。

再生成并确认最终音频。

然后根据音频生成时间轴。

最后才开始制作画面。

四、建立标准化的视频项目目录

建议为每一期视频建立相同的目录结构：

ai-video

│

├─ sources

│ └─ article.md

│

├─ narration

│ └─ narration.md

│

├─ audio

│ └─ final.wav

│

├─ timing

│ ├─ captions.srt

│ └─ timing.json

│

├─ storyboard

│ └─ storyboard.md

│

├─ assets

├─ preview

│ └─ preview-15s.mp4

│

└─ output

└─ final.mp4

article.md用于保存原始文章。

narration.md用于保存最终口播稿。

final.wav是经过确认的最终配音。

captions.srt用于显示字幕。

timing.json用于控制镜头、动画和字幕出现时间。

storyboard.md用于记录每个场景的画面计划。

assets文件夹用于保存图片、视频、字体和截图等素材。

preview文件夹保存短预览。

output文件夹保存最终成片。

统一目录以后，Codex能够准确找到每一步的输入和输出。某个环节出现问题时，也不需要重新执行整套流程。

五、让Codex把文章改写成口播稿

文章文案和视频口播文案并不相同。

文章可以使用长句、复杂结构和补充说明，但口播文案需要更短的句子、更明确的节奏，并在开头快速告诉观众这条视频有什么价值。

可以将下面的提示词直接交给Codex：

提示词：

请读取sources/article.md，将内容改写为一篇60至90秒的中文视频口播稿，并保存到narration/narration.md。

具体要求：

面向对AI工具感兴趣，但没有专业视频制作经验的用户。
不照抄原文句子，重新组织结构和表达。
开头5秒提出一个明确的问题或结果，但不要使用夸张承诺。
正文采用"问题、原因、方法、下一步"的结构。
保留原文中的核心事实和必要案例。
删除链接、脚注以及不适合直接朗读的内容。
每句话尽量简短，避免连续使用复杂术语。
结尾给出一个可以立即执行的建议。
单独列出需要核实的事实，不要自行补全不确定的数据。
只输出最终口播稿和事实核查清单。

生成口播稿后，建议自己完整朗读一遍，重点检查：

句子是否太长。

语气是否像真人说话。

英文产品名是否难以朗读。

段落之间是否缺少停顿。

开头是否铺垫太久。

结尾是否缺少明确行动。

AI可以生成初稿，但"听起来是否自然"仍然需要人工判断。

六、先生成15秒配音样本

配音可以使用普通TTS，也可以根据自己的设备和需求选择edge-tts、CosyVoice等工具。

第一次不要直接生成完整音频。建议先制作10至15秒的样本，检查：

中文发音是否自然。

英文和数字是否读对。

语速是否适合字幕阅读。

句子之间的停顿是否合理。

声音风格是否符合账号定位。

整体音量是否稳定。

可以将下面的任务交给Codex：

提示词：

请读取narration/narration.md，先生成前15秒的中文配音样本。

要求：

语速自然，不要过快。
检查技术名词、数字和英文产品名的发音。
保留自然停顿，不要把所有句子连在一起。
将样本保存到audio/sample.wav。
等待我确认样本后，再生成完整音频audio/final.wav。
不要修改narration.md中的原文。
完成后报告音频时长、采样率和文件路径。

如果使用声音克隆，只能使用自己拥有授权的声音，不要在未经允许的情况下模仿他人的声线。

final.wav确认后，尽量不要再修改口播稿。如果必须修改，应重新生成音频、字幕和时间轴。

七、根据最终音频生成字幕和时间轴

有了final.wav以后，下一步不是马上制作画面，而是提取真实时间戳。

建议输出两个文件：

captions.srt：用于字幕显示和人工检查。

timing.json：用于让视频程序读取每句话的开始时间和结束时间。

可以向Codex发送：

提示词：

请以audio/final.wav为唯一时间基准，并结合narration/narration.md校正文字，生成以下两个文件：

timing/captions.srt

timing/timing.json

要求：

时间戳必须来自音频识别结果，不能根据文字长度估算。
narration.md只用于校正错别字、专有名词和标点。
每条字幕保持适合手机阅读的长度。
不要让一条字幕跨越过多语义。
单独列出音频识别结果与narration.md之间的差异。
遇到无法确认的词语时进行标记，不要猜测。
检查最后一条字幕是否超过音频总时长。

timing.json可以采用下面的结构：

{ "id": 1, "start": 0.00, "end": 3.42, "text": "很多人以为，AI视频只需要一条提示词。" }, { "id": 2, "start": 3.42, "end": 7.86, "text": "真正决定效率的，其实是正确的生产顺序。" }

有了结构化时间数据，字幕、标题、镜头切换和动画才能准确同步。

八、先生成分镜表，再制作视频

视频分镜不是单纯描述"画面要多漂亮"，而是回答：

观众听到这句话时，画面上必须看到什么？

一条60至90秒的知识类视频，可以先规划4至8个主要场景。

每个场景至少应该包含：

开始时间。

结束时间。

对应口播。

画面目的。

使用素材。

动画方式。

字幕位置。

缺失素材说明。

storyboard.md可以采用下面的格式：

场景01

时间：00:00至00:06

口播：很多人以为，AI视频只需要一条提示词。

画面目的：制造认知反差。

画面内容：一个提示框逐渐展开为多个视频生产环节。

使用素材：流程节点和视频图标。

字幕位置：底部安全区域。

动画方式：轻微推进，节点依次出现。

可以让Codex自动生成分镜：

提示词：

请读取narration/narration.md、timing/captions.srt和timing/timing.json，生成storyboard/storyboard.md。

要求：

将视频拆分为4至8个主要场景。
每个场景写明开始时间、结束时间、对应口播、画面目的、使用素材、动画方式和字幕位置。
优先使用assets文件夹中的真实截图和已有素材。
不要加入与内容无关的装饰动画。
字幕不能遮挡产品界面、人物面部和核心数据。
缺失素材必须明确标记，不要伪造产品截图。
镜头切换应该跟随语义变化，而不是固定每3秒切换一次。
检查所有场景是否覆盖完整音频时长。

九、HyperFrames和Remotion应该怎么选

HyperFrames和Remotion并不是完全相同的工具。

下面这些情况更适合使用HyperFrames：

每一期视频的视觉风格变化较大。

需要快速探索不同动态图形。

还没有确定固定的视频栏目模板。

希望根据不同选题灵活制作场景。

需要先制作视觉原型。

下面这些情况更适合使用Remotion：

栏目结构已经稳定。

片头、字幕、转场和结尾可以重复使用。

需要批量生产同一系列的视频。

希望通过React组件管理视频模板。

需要通过数据自动替换标题、图片和字幕。

比较实际的做法是：

前3至5期先使用灵活的视频工具探索内容和视觉风格。

等栏目结构稳定后，再使用Remotion把片头、字幕、镜头容器、转场和结尾制作成可复用组件。

十、先制作15秒预览

不建议第一次就直接渲染完整视频。

如果开头15秒已经存在标题太小、字幕遮挡、截图变形和转场过快等问题，渲染整条视频只会浪费更多时间。

可以先向Codex提出：

提示词：

请根据storyboard/storyboard.md制作视频前15秒的预览，并输出到preview/preview-15s.mp4。

要求：

使用audio/final.wav的前15秒音频。
字幕时间必须来自timing/captions.srt。
使用9:16竖屏画布。
所有文字和核心内容必须位于平台安全区域。
不允许拉伸图片和产品截图。
不允许使用无法访问的远程素材。
完成后检查视频是否可以独立播放。
暂时不要渲染完整视频，等待人工确认。

检查样片时，反馈越具体，AI修改得越准确。

推荐采用下面的反馈格式：

时间点＋对象＋当前问题＋目标效果

例如：

00:03，主标题太小，放大约20%，保持居中。

00:06，产品截图停留时间太短，延长到3秒。

00:09，字幕遮挡操作区域，下移到安全区域。

00:12，转场速度过快，改成更克制的淡入。

00:14，背景动画抢夺注意力，降低亮度和移动幅度。

"再高级一点"并不是有效反馈。具体时间、具体对象和具体目标，才能减少无效修改。

十一、完整渲染和最终检查

确认15秒预览后，再生成完整视频。

提示词：

前15秒预览已经确认。请按照当前视频工程、最终音频、字幕文件和分镜表渲染完整视频，并输出到output/final.mp4。

渲染完成后检查：

final.mp4是否存在并且能够正常播放。
视频总时长是否与final.wav基本一致。
开头和结尾有没有被截断。
字幕是否与口播同步。
所有图片是否保持正确比例。
是否存在黑帧、空白画面或素材加载失败。
标题、字幕和核心元素是否位于安全区域。
整体音量是否稳定。
专有名词、数字和英文拼写是否正确。
输出检查报告，并列出需要人工确认的问题。

视频导出后，还需要人工从第一秒看到最后一秒。

最终验收清单：

□ 前3秒能否让观众知道视频主题

□ 口播是否存在错误发音

□ 字幕是否提前或延迟

□ 字幕是否适合在手机上阅读

□ 产品截图是否清晰

□ 画面有没有遮挡核心内容

□ 动画是否帮助理解内容

□ 是否存在黑屏或异常静止

□ 音频开头和结尾是否完整

□ 图片、音乐、字体和声音是否拥有授权

□ final.mp4能否在目标平台正常播放

只有最终MP4通过检查，视频才算真正完成。

十二、真人口播视频如何接入这套流程

如果已经拍摄了真人口播素材，可以保留前面的文案设计和时间轴思路，但制作路径会变成：

口播稿

→ 真人拍摄

→ 语音识别和镜头分析

→ 生成剪辑方案

→ 人工确认删除片段

→ 执行剪辑

→ 补充字幕和辅助画面

→ 导出成片

video-use等项目可以辅助编码Agent分析和编辑视频。

涉及删除真人镜头时，建议先让工具输出剪辑计划，经过人工确认后再执行。真人口播中的停顿、表情和语气有时也是表达的一部分，不能只根据静音长度机械删除。

十三、真正值得复用的是中间文件

AI工具、模型和开源项目都可能不断变化。

真正能够长期复用的是下面这些标准化文件：

article.md：原始文章。

narration.md：最终口播稿。

final.wav：最终声音。

captions.srt：字幕文件。

timing.json：结构化时间数据。

storyboard.md：视频分镜。

assets：经过授权的素材。

final.mp4：最终成片。

只要这些中间文件足够清晰，即使以后更换TTS、HyperFrames或Remotion，也不必推翻整套工作流。

这就是一条生产线和临时拼接几个AI工具之间的区别。

十四、第三方Skill和素材安全

安装第三方Skill或开源项目之前，应该检查：

项目是否仍在维护。
脚本会执行哪些操作。
是否需要访问网络。
是否会调用收费API。
是否会读取本地文件。
是否需要提供API密钥。
素材是否允许商业使用。
项目许可证是否覆盖代码以外的内容。

第三方Skill本质上也是代码和操作指令，不能因为带有AI标签就默认安全。

API Key不要直接写进提示词、代码仓库、文章或截图中。应该使用环境变量或者项目提供的安全配置方式。

还需要注意：开源代码的许可证不一定覆盖仓库中的品牌标志、字体、照片、音频和视频素材。

十五、初学者可以先完成这个最小版本

第一次尝试时，不必直接搭建复杂系统。

先完成下面七个步骤：

第一步：选择一篇自己拥有使用权的文章。

第二步：让Codex改写一篇60秒口播稿。

第三步：用TTS生成最终配音。

第四步：根据音频生成SRT字幕。

第五步：制作包含5个场景的分镜表。

第六步：渲染前15秒并完成修改。

第七步：渲染完整视频并从头播放检查。

第一条视频的目标不是实现完全自动化，而是跑通所有步骤。

流程稳定后，再逐渐增加：

固定片头。

统一字幕模板。

自动匹配素材。

批量渲染。

横屏和竖屏多尺寸导出。

统一颜色和字体。

自动执行发布前检查。

每增加一个自动化步骤，都应该减少一种重复劳动，而不是增加新的不确定性。

结语

AI视频生产最容易被忽视的不是模型能力，而是正确的执行顺序。

先确定口播，再确定声音。

先有声音，再生成时间轴。

先有时间轴，再制作分镜。

先检查15秒样片，再渲染完整视频。

最后一定要检查真正导出的成片。

Codex的价值，是把文案、配音、字幕、时间轴、分镜、素材和渲染任务连接起来。

当这些步骤被固化为统一目录、标准文件和检查规则后，得到的就不再是一条偶然生成的视频，而是一套可以反复修改、复用和扩展的AI视频生产流程。

需要注意的是，自动化能够提高视频制作效率，但不能保证流量和爆款。最终影响内容表现的，仍然是选题、观点、表达方式、受众匹配和持续迭代。

参考资料

原始参考内容：

https://x.com/miles_mazy/status/2097177704282136838

OpenAI Codex使用案例：

https://learn.chatgpt.com/use-cases

HyperFrames Community Skills：

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

HyperFrames公开视频项目：

https://github.com/heygen-com/hyperframes-launches

Remotion Agent Skills：

https://github.com/remotion-dev/skills

video-shotcraft：

https://github.com/Vincentwei1021/video-shotcraft

video-use：

https://github.com/browser-use/video-use

edge-tts：

https://github.com/rany2/edge-tts

CosyVoice：

https://github.com/QwenAudio/CosyVoice

文章标签

Codex，AI视频，AI视频生成，Codex教程，视频自动化，HyperFrames，Remotion，AI配音，短视频制作，AIAgent