用 Codex 搭一条视频生产线:从脚本到成片,把重复活全交给 AI

做短视频最磨人的，其实不是想选题。

真正耗时间的是后面那一串小活：写口播、拆镜头、找画面、配音、加字幕、配 BGM、导出多个平台版本。每一件都不大，但连起来很磨人，磨着磨着就不想做了。

现在用 Codex 这类编程 Agent，可以把这套流程跑成一条可复用的生产线。今天这篇文章，把从「脚本」到「成片」的两条主路线、以及 6 款能当「赛道」的开源工具一次讲清楚。

一、先说清一个误区：Codex 本身不会剪视频

很多人装完 Codex 就以为能直接出片，事实很残酷——Codex 是编程助手，不是剪辑软件。它不会自动帮你拼接素材、加转场、配音乐。

但换个思路：Codex + 正确的开源工具 / 平台 CLI = 全自动剪辑流水线。

就像你买了台跑车，还得有赛道才能发挥。Codex 是那台跑车，下面这些工具就是赛道。

二、路线 A：脚本驱动型（知识类 / 口播类最稳）

适合科普、资讯、知识分享这类「内容结构清晰」的视频。核心心法是：先把一条视频从 0 到 1 跑通，后面每天只换选题和脚本，文件夹、参数、分镜格式全部复用。

1. 建项目文件夹，别一开始就乱

固定 6 个文件夹，文件名用英文和数字：

• script/
  ：口播脚本，如 main_v1.txt

• storyboard/
  ：分镜，如 storyboard_v1.json

• pic/
  ：画面素材，001.png ~ 012.png

• audio/
  ：配音 voice.wav

• bgm/
  ：背景音乐 main.mp3

• output/
  ：成片 final_1080x1920.mp4

2. 先把参数定死（避免反复返工）

3. 让 Codex 写口播脚本

60 秒视频，口播控制在 180–220 字。给它的要求示例：

我要做一条 60 秒竖屏短视频，平台是抖音和小红书。目标用户：想用 AI 做自媒体的新手。主题：一个人怎么用 Codex 做短视频。要求：①开头 3 秒直接讲痛点；②全文 180–220 字；③口语化，不要「首先、其次、综上所述」；④每 8–12 秒一个信息点；⑤结尾给明确行动。输出格式：时间轴 + 口播正文。

4. 把口播拆成分镜（用 JSON，后续最稳）

60 秒拆 12–15 个镜头，每个 3–5 秒，转场 0.3–0.5 秒。单个镜头字段：

关键：12 个镜头时长加起来必须正好 60 秒，不然后面配音和画面会对不上。
5. 批量生成画面 + 配音
读取分镜里的 image_prompt
，批量生成 12 张 1080×1920 竖屏图，统一风格前缀（如「蓝白科技感，干净背景，轻微光效」）。
配音参数：自然音色、语速 1.05 倍、句间停顿 0.25–0.4 秒、采样率 44100Hz；BGM 音量比人声低 30%，首尾各 1 秒淡入淡出。
6. 用 HyperFrames 合成成片
HyperFrames 的定位是「Write HTML. Render video. Built for agents.」——你描述视频结构，Codex 生成 HTML，它渲染成视频。合成参数：画布 1080×1920、30FPS、字幕 58px 白字黑底、图片 4% 缓慢推拉、转场 0.4 秒淡入淡出，导出 H.264 MP4。
7. 预览时只改 4 类问题
第一版出来别凭感觉乱改，就盯这 4 类：字幕太小（58→64px）、BGM 太大（降 20%）、画面太静（加 4% 推拉）、时长不对（按 voice.wav 重新对齐）。建议一条视频改不超过 3 轮。
三、路线 B：即梦 CLI 驱动型（AI 生成类 / 短剧类）
适合 AI 短剧、广电商素材、AI 带货这类「要从 0 生成画面」的视频。核心是用平台开放的 CLI，让 Agent 直接调即梦（Dreamina）批量生成视频。
1. 装即梦 CLI（三步）
注意：即梦 CLI 需要**高级会员（maestro vip，599/月）**才开放权限，标准会员会报 current account is not maestro vip
。
2. 用「文资视剪」框架组织生产
文
：剧本 / 分镜脚本。先做成 90 秒左右的第一集开场，把世界观和主角立住。
资
：角色四视图、场景氛围图、世界设定概念板（主要角色、核心场景、关键道具、氛围关键词），给整体定调。
视
：用资产 + 导演级提示词生成视频。多图参考时，提示词里务必写清 @图片1 负责角色、@图片2 负责首帧构图、@图片3 负责场景，否则角色和场景会乱。
剪
：本地装好 ffmpeg 即可自动合成；需要剪映草稿就让 AI 生成草稿片段。
3. 把经验沉淀成 Skill
生成过程需要不断抽卡微调。好的做法是：把「字幕正确、人物一致、空间逻辑」等经验写成 Skill，每次大版本迭代就更新，让 AI 越做越准。还可以开子智能体分别处理不同任务，并行提速。
四、你的 6 款开源「赛道」工具
工具
干什么
适合谁
HyperFrames
用 HTML 写视频，Codex 生成 HTML 出片
知识类 / 科普类，内容结构清晰
Remotion
用 React 写视频，时间轴即 state
会前端、做数据可视化视频
Video-Use
一句话全自动：丢素材 → 说「剪成发布视频」→ 等完成
不想写代码、批量口播
Auto-Editor
自动删停顿 / 语气词（「嗯啊这个那个」）
口播博主、课程录制、播客
MoviePy
Python 剪辑瑞士军刀，加字幕 / 水印 / 片头片尾
愿写脚本、要高度自定义
FFmpeg-Batch
命令行批量转码 / 裁剪 / 加水印
大量素材批处理、技术型用户
选择建议：完全不想写代码 → Video-Use / Auto-Editor；会点 React → Remotion / HyperFrames；愿写 Python → MoviePy；批量处理 → FFmpeg-Batch + Codex。
五、效率对比与结语
以一条 3 分钟科普视频为例：
传统流程
：写脚本 2h + 录素材 1h + PR 剪辑 3–4h + 字幕调色导出 1h ≈ 7–8 小时
Codex + 开源工具
：脚本辅助 1h + 录素材 1h + 自动剪辑 0.5h + 微调导出 0.5h ≈ 3 小时
省下的 5 小时，够你再做一条了。
最后说句实在话：AI 剪辑工具不是来取代剪辑师的，它们是来干掉重复劳动的——删气口、加字幕、批量导出、格式转换。这些活本来就不该占用你的创造力。工具只是放大器，你对内容的理解、对节奏的把控，才是核心。