用 Codex 和 HyperFrames 自动生成视频：从文章到口播、分镜与成片的完整教程
很多人想做视频，真正卡住的并不是没有选题，而是从文章到成片之间有太多零散工作：写口播、找声音、剪辑、做字幕、安排画面、调时间轴，最后还要检查成片是否真的能看。
这篇教程整理自 Miles Ma 在 X 发布的《Codex 实战系列｜零剪辑自动生成爆款视频》，并将原帖中的实践步骤重新组织成一套可以复用的工作流。原帖展示的是作者的工具组合和经验，不代表所有账号、模型、Skill、声音服务或视频平台都能获得相同效果。具体安装方式、模型能力、API 价格、服务条款和平台限制，应以当前官方文档和本地运行结果为准。
先看结论：不要从剪辑开始
这套流程的关键不是让 Codex “直接做一条视频”，而是把视频拆成几个有明确输入和输出的阶段：
文章或主题
→ 口播稿
→ 最终声音
→ 字幕与真实时间轴
→ 分镜
→ HyperFrames / Remotion
→ 预览、修改、渲染
→ 成片验收
最重要的顺序是：先把内容和最终声音定下来，再让画面跟着声音走。
如果先做动效，后面只要口播改一句，字幕时间、镜头长度、图片停留时间和转场都可能需要返工。声音是视频的真实时间尺，画面应该服从它，而不是反过来。
这套教程适合谁？
它适合以下几类人：
- 有文章、笔记或工具测评，想转成短视频的人；
- 想做不出镜知识视频、产品介绍或教程视频的人；
- 不熟悉剪辑软件，但能描述自己想要什么的人；
- 想把一个固定主题持续做成系列内容的人；
- 已经有真人口播素材，希望减少整理、字幕和补画面工作的人。
它不适合一开始就追求电影级广告片、复杂三维场景或完全无人审核的批量生产。第一目标应该是跑通一条可播放、可复查、能继续修改的视频。
开始前的准备
建议的项目目录
先创建一个独立项目目录，例如 codex-video，把原始文章、配图和生成结果集中放在一起：
codex-video/
├── article.md # 原始文章，可选
├── assets/ # 原始图片、截图、图表
├── narration.md # 最终口播稿
├── reference.wav # 声音复刻时使用的参考录音，可选
├── reference.txt # 参考录音逐字文本，可选
├── final.wav # 最终配音
├── subtitles.json # 字幕及时间轴
├── storyboard.md # 分镜说明
├── project/ # HyperFrames 或 Remotion 项目
└── final.mp4 # 最终成片
文件名不是硬性规定，但要让 Codex 能够明确区分原始材料、中间产物和最终产物。不要把多个版本都叫 final.mp4，否则很难知道当前预览对应哪一次修改。
Skill 的作用
Skill 可以理解为给 Codex 的一份工作说明书。它告诉 Codex：
- 这类任务应该调用哪些工具；
- 工具之间应该怎样衔接；
- 输入文件放在哪里；
- 生成什么中间产物；
- 完成后检查哪些问题。
原帖提到的 Skill 组合包括：
| Skill 或工具 | 适合处理的环节 |
|---|---|
/faceless-explainer | 把文章或主题整理成不出镜讲解视频 |
/hyperframes-creative | 口播节奏、画面结构和分镜创意 |
/media-use | 图片、声音、字幕等媒体素材管理 |
/hyperframes-animation | 画面变化和动效 |
vox-explainer | 拼贴式知识视频参考 |
p5-paint-animation | 手写、绘制或逐步出现效果 |
video-shotcraft | 产品介绍、界面演示和宣传片镜头参考 |
video-use | 真人口播素材的转写、筛选和剪辑 |
| Remotion Agent Skills | 固定栏目模板与可重复渲染 |
第一次不需要全部安装。建议先用最少的工具完成一条不出镜视频，等内容结构稳定后再扩展样式和自动化能力。
最短成功路径：先做一条不出镜视频
第一步：确定视频边界
在让 Codex 写稿前，先给出四个约束：
目标观众：[谁会看]
要解决的问题：[观众现在卡在哪里]
视频长度：[例如 30 秒、60 秒或 3 分钟]
看完后的动作：[观众应该尝试什么]
还要提前确定：
- 横版还是竖版；
- 发布到什么平台；
- 是否需要出镜；
- 是解释一个观点、展示一个工具，还是带观众完成一个操作；
- 哪些内容必须保留，哪些内容可以删掉。
“做一条 AI 视频”太宽泛，Codex 很难判断重点。相比之下，“把一篇 3000 字的工具测评改成 60 秒竖版新手教程”就已经包含了对象、长度、形式和目标。
第二步：把文章或主题变成口播稿
有三种入口。
方案一：只有主题，直接写稿
如果还没有文章，可以让 Codex 根据主题生成口播稿。指令至少包括：受众、问题、时长和行动目标。
一个实用的口播结构是：
钩子：先说结果、冲突或具体问题
问题：说明观众为什么会卡住
方法：用两到三步讲清解决路径
下一步：给一个看完就能执行的动作
例如：
装好 Codex 之后不知道做什么？你可以先用它做一条视频。
给它一篇文章，它可以继续处理口播、声音、字幕和画面。
今天先跑通最短的一条流程，不需要先学会剪辑。
方案二：已有文章，改写成能说出口的话
把文章保存为 article.md，连同文章中的图片一起放入项目目录，然后让 Codex：
读取 article.md，把它改写成适合 60 秒竖版视频的中文口播稿。
保留事实、判断和结论，删除重复背景。
每句话要能自然说出口，避免翻译腔和书面排比。
输出到 narration.md，并标出每一段的目的。
生成后一定要自己读一遍。眼睛读起来顺，不代表嘴巴说起来顺。真实朗读会暴露过长句子、连续术语、数字读法和不自然停顿。
方案三：让 /faceless-explainer 处理第一版
如果手上只有材料，还没有决定口播和画面，可以让 /faceless-explainer 从文章、主题或笔记开始，继续整理讲解方向、旁白和分镜。
这条路径适合快速得到第一版。若你已经有明确观点，前两种方案更容易控制内容，不会让工具替你改变文章的重点。
第三步：选择普通 TTS 或声音复刻
口播定稿后，再决定由谁来念。
最省事：普通 TTS
普通 TTS 的流程是：输入文字，得到 MP3 或 WAV。它适合第一条视频，因为速度快、成本低、调试简单。
建议先生成十几秒试听片段，检查：
- 声音是否适合主题；
- 语速是否太快；
- 句子之间有没有自然停顿；
- 英文、数字和专有名词是否读对；
- 声音是否有明显的机械感。
确认后再生成全文，不要每次都从头生成整段音频。
想使用自己的声音：CosyVoice
原帖将 CosyVoice 作为声音复刻路线。声音复刻至少要区分三个文件：
reference.wav # 本人或获得授权的参考录音
reference.txt # 参考录音实际说出的逐字文本
narration.md # 本次视频要生成的新口播
reference.txt 必须和 reference.wav 中的内容完全一致。临时换了一个词，文本也要同步修改。背景音乐、回声、严重降噪和环境噪声都会影响参考质量，尽量使用安静环境下清晰、自然的录音。
声音复刻需要本地环境、模型文件和更多运行时间。不要因为工具能够生成声音，就默认结果可以直接发布。必须亲自试听，检查声音是否像、咬字是否自然，以及是否出现奇怪的情绪或停顿。
如果只是验证内容和画面流程，可以先跳过声音复刻。HyperFrames 和 Remotion 只需要最终音频文件，并不要求它来自哪一种 TTS。
第四步：用最终音频生成真实时间轴
现在应该至少有两个定稿文件：
narration.md
final.wav
从这一步开始，final.wav 才是视频的真实时间尺。让 Codex 转写最终音频，取得每句话的开始和结束时间，再生成字幕时间轴。
口播稿决定：字幕写什么
最终音频决定：字幕什么时候出现
不要按字数平均分配时间。同样是十个字，有的半秒就能说完，有的中间会停两次。字幕、关键词、图片和镜头都应该跟随真实声音出现。
可以这样交代任务：
读取 final.wav，并根据实际语音生成字幕时间轴。
不要按字数平均切分。
每段字幕保持易读，避免遮挡主体。
输出 subtitles.json，同时列出无法确定的词和时间点。
第五步：把口播拆成分镜
分镜不需要先学会复杂术语。把口播切成 4 到 8 段，每段只回答一个问题：
观众听到这句话时，画面上最需要看到什么？
优先使用文章里已有的截图、照片、图表或角色卡。先让观众看清全貌，再放大正在讲的部分。没有现成图片的段落，可以用：
- 关键词和标题卡；
- 步骤卡；
- 前后对比；
- 时间线；
- 简单信息图；
- 产品界面局部演示。
分镜文件可以采用下面的格式：
## Scene 01｜问题
- 时间：00:00 - 00:06
- 旁白：观众现在遇到的具体问题
- 画面：标题卡 + 一张代表性截图
- 重点：标题必须在前两秒可读
## Scene 02｜方法
- 时间：00:06 - 00:18
- 旁白：方法的第一步和第二步
- 画面：步骤卡，按旁白顺序高亮
- 重点：不要让动效盖住操作区域
如果不知道动效怎么做，可以把 HyperFrames Launches 当作完整项目参考，把 video-shotcraft 当作镜头配方参考。但参考库是可选项，不是第一条视频的必装依赖。
第六步：用 HyperFrames 生成第一版
当口播、最终声音、字幕时间和分镜都准备好后，再把它们交给 HyperFrames：
读取 narration.md、final.wav、subtitles.json、storyboard.md 和 assets/。
使用 HyperFrames 制作一条竖版知识视频。
先实现前 15 秒，保证字幕、声音和画面时间对齐。
打开本地预览，输出预览地址和项目目录。
先看前 15 秒，可以尽早发现三个问题：
- 开头是否太慢；
- 字幕是否看得清；
- 画面是否真的解释了口播，而不是只做装饰。
如果方向正确，再继续全片。修改时不要只说“高级一点”或“更好看一点”，而要指出对象和位置：
- 第 6 秒的标题太小；
- 这张截图至少停留 3 秒；
- 字幕挡住了人物；
- 第一个镜头进入太慢；
- 关键词应该在说到时出现，而不是提前出现。
最后再让 Codex 渲染：
把当前确认的版本渲染成 final.mp4。
渲染完成后检查文件是否存在、能否正常播放、声音是否完整、字幕是否错位。
预览页面能打开，只说明项目可以运行；真正完成的标志是 final.mp4 已经生成，并且你从头到尾看过一遍。
HyperFrames 和 Remotion 怎么选？
两者都可以把文字、声音、图片和时间轴做成视频，但工作方式不同：
| 工具 | 更适合 | 主要特点 |
|---|---|---|
| HyperFrames | 内容驱动的视频、第一版、每期结构不同 | 让 Codex 根据本期内容组织画面 |
| Remotion | 固定栏目、批量更新、模板化生产 | 先做模板，再填入每期内容 |
建议第一条视频先用 HyperFrames 跑通。连续做了几期，发现镜头结构、字幕样式和片头已经稳定，再让 Codex 把它整理成 Remotion 固定栏目。
Remotion 路线通常会使用：
/remotion-create # 创建视频项目
/remotion-studio # 打开预览
/remotion-render # 渲染视频
上游的 narration.md、final.wav、字幕、时间轴和图片仍然可以复用，不需要重新制作一套素材。
真人口播：加入 video-use
前面的流程可以完全不出镜。等你愿意面对镜头时，可以把 narration.md 放在相机旁边，按段拍摄。说错后停一下，从当前句子重新说，不必每次从头开始。
video-use 处理的是已经拍好的素材。它的合理顺序是：
真人拍摄
→ 转写视频
→ 找出每段说了什么
→ 确认保留与删除内容
→ 整理有效片段
→ 字幕和补充画面
→ 成片
拍摄完成后，把原视频放进单独文件夹，再让 Codex 读取。不要让原始素材和渲染结果混在一起，否则后续很容易误删或覆盖。
真人口播和 HyperFrames 可以组合使用：video-use 先把真人素材剪顺，HyperFrames 再制作标题、步骤卡、截图演示和片头片尾。一个处理真人素材，一个处理信息画面，职责更清楚。
需要注意的是，视频转写服务、FFmpeg、模型文件和第三方 API 可能有额外依赖。安装前先确认环境要求；不要把 API key 写进文章、代码仓库或视频项目。任何声音复刻、真人素材处理和第三方上传，都要确认你拥有相应授权。
把一次制作变成可复用的内容系统
一条视频只能验证一次流程。更有价值的是把同一类问题持续做下去。
原帖使用“图书拆解”作为内容对象：一本书、一个值得讲的观点、一条短视频，然后继续用同样结构讲下一本书。你也可以选择：
- 每周拆解一个 AI 工具；
- 每次解决一个办公问题；
- 每期解释一个行业案例；
- 把一篇长文拆成一组短视频；
- 记录一个产品从问题到交付的过程。
一个可复用的内容循环是：
选择固定主题
→ 建立文章或资料模板
→ 固定口播结构
→ 固定声音与字幕规范
→ 固定分镜文件格式
→ 固定渲染项目
→ 发布并记录反馈
→ 迭代下一期
获客钩子也应该落在具体结果上。“我用 AI 做了一条视频”只说明你会使用工具；“我把一篇 3000 字的工具测评做成一条 60 秒新手教程”才会让真正需要这件事的人停下来。
不要一开始就搭建庞大的自动化系统。先选一个你能连续讲十期的主题，跑通第一条；第二条复用文件结构；第三条开始保留固定片头和字幕样式。这样 Codex 才会从“帮你做过一条视频”，逐步变成“陪你持续生产一类内容”。
质量验收清单
内容
- 开头几秒说明了结果、问题或冲突；
- 口播内容没有明显重复和空泛背景；
- 事实、数字、专有名词已人工核对；
- 每段只承担一个清晰目的；
- 结尾给出了下一步动作。
声音
- 声音来源合法且获得必要授权；
- 语速、停顿和情绪适合内容；
- 英文、数字和专有名词读法正确；
- 没有截断、爆音、明显噪声或不自然重复；
- 使用声音复刻时，参考录音和参考文本完全一致。
画面
- 画面跟随真实音频时间轴；
- 字幕在手机尺寸下仍然清晰；
- 字幕没有遮挡人物、界面或关键数据；
- 画面解释了口播，而不是只增加装饰；
- 截图、图片和图表没有被错误裁切；
- 动效没有让观众错过操作步骤。
交付
-
final.mp4已生成； - 能从头到尾播放；
- 音频、字幕和画面没有明显错位；
- 项目文件、中间产物和最终文件已分开保存；
- 预览和渲染使用的是同一版本素材。
常见问题与恢复方法
口播听起来像文章
缩短句子，减少连续名词和书面排比。让 Codex 只做语言口语化，不要同时改动事实、结构和观点。修改后重新朗读一遍。
配音和字幕对不上
不要继续手动平均切分字幕。以最终音频为准重新转写，再检查难识别的专有名词和数字。只要音频改过，就应重新生成时间轴。
动效很多，但视频讲不清楚
先删掉装饰性动效，只保留能说明关系、顺序、位置或变化的画面。每个镜头都要回答“它帮助观众理解了哪句话”。
预览能打开，但成片不能交付
检查 final.mp4 是否真的生成、文件大小是否合理、播放器能否从头播放，以及渲染时使用的音频路径和字体是否存在。预览成功不等于导出成功。
工具安装失败
不要只复制最后一行错误。把完整日志留在 Codex 对话里，先确认 Node、Python、FFmpeg、模型文件和环境变量，再逐项修复。安装工具和开始做视频是两个不同问题，应分开验证。
一个可复用的总指令模板
我要把一篇文章或一个主题做成一条 [时长] 的 [横版/竖版] 视频。
目标观众：[描述观众]
发布平台：[平台]
视频目标：[观众看完后要做什么]
风格：[不出镜知识讲解/产品演示/真人口播]
请按以下阶段执行，并在每个阶段输出中间产物：
1. 读取 article.md 或主题，生成 narration.md；
2. 检查口播是否自然、事实是否需要核对；
3. 生成或读取 final.wav，不要在最终音频确定前做分镜；
4. 根据 final.wav 生成 subtitles.json，按真实语音切分；
5. 根据口播和字幕生成 storyboard.md；
6. 使用 HyperFrames 先实现前 15 秒并打开本地预览；
7. 根据具体反馈修改标题、字幕、截图和镜头节奏；
8. 我确认后渲染 final.mp4；
9. 检查视频能否完整播放、声音是否截断、字幕是否错位、素材是否裁切。
任何无法确认的事实、权限、依赖或失败原因，都单独列出，不要自行假设。
总结
Codex 视频工作流的核心不是“让 AI 一次生成完美视频”，而是把内容生产拆成可以观察和验收的阶段：口播先定稿，声音再定稿，时间轴跟随真实音频，分镜服务于口播，最后才进入渲染。
第一条视频应当追求可验证：有输入、有中间文件、有预览、有最终 mp4，并且从头到尾人工看过。等连续几期的内容结构稳定后，再考虑把 HyperFrames 迁移到 Remotion 模板，或加入真人口播、批量生产和固定栏目。
真正可持续的部分不是某个工具的按钮，而是你能否持续选择一个明确主题，把观点写清楚，把声音和画面对齐，用验收标准检查结果，再把成功的一期沉淀成下一期可以复用的结构。
来源说明
本文整理自 Miles Ma 的 X 帖子《Codex 实战系列｜零剪辑自动生成爆款视频》，原帖页面显示发布时间为 2026 年 9 月 8 日。本文保留了原帖的工具链和实践顺序，并进行了结构化改写、补充验收标准与故障排查；其中工具能力、安装方式、服务可用性和第三方条款应以当前官方资料和实际环境为准。
Further Reading
相关指南
Codex CLI 文档