Codex 自动剪辑知识类视频：从 A/B-roll 到视觉编排表的完整工作流

本文根据 xilo 在 X 发布的长文《Codex剪辑第三弹：2条视频接下近四位数商单，知识类视频剪辑方法全公开》整理改写，原帖发布于 2026 年 8 月 22 日，后续有修改。文中配图来自原帖公开文章，并按原始顺序保留在站内。原作者分享的播放量、商单数量、工具体验和收益属于个人案例，不是 GPT88 或本文对结果的保证。

AI 视频剪辑最容易被误解成“把文案丢给 Agent，自动生成一条视频”。真正决定成片质量的，往往不是某一个模型，而是有没有提前把内容、声音、视觉类型、素材、时间轴和验收拆清楚。

xilo 的这篇长文提供了一套很有代表性的知识类视频方法：用 A-roll 承担人物表达和情绪，用 B-roll 承担知识解释和信息增量；先完成文案与配音，再生成毫秒级时间轴和视觉编排表，最后让 Codex 按镜头制作并渲染成片。

本文把这套方法整理成一份可以复用的工作流，并将其中的工具调用替换为 GPT88 可接入的模型/API 路线。重点不是复刻作者的账号结果，而是把“AI 自动剪辑”变成一个可以检查、修改和复用的生产系统。

一、为什么知识类视频适合做成 A-roll + B-roll

知识类视频同时有两种需求：观众需要感受到“有人在讲”，也需要看见抽象知识如何被解释。如果从头到尾只使用人物画面，信息密度不够；如果从头到尾只有图表、截图和文字，观看体验又容易变成一份会动的文档。

因此可以把画面分成两条并行轨道：

画面类型	主要任务	常见内容
A-roll	让观众感受到人物、语气和情绪	开场、过渡、观点、反应、场景化表达
B-roll	解释事实、概念和操作步骤	截图、录屏、流程图、对比表、纯文字金句

一个简单判断是：不包含具体知识增量、但必须说出来的内容，优先使用 A-roll；涉及步骤、概念、数字、工具界面或结构关系的内容，优先使用 B-roll。

两种画面交替还有一个工程价值：AI 不需要每一秒都从零设计镜头，只需要先判断当前段落属于 A-roll 还是 B-roll，再从对应模板和素材规则中生成。视觉决策空间变小，自动化的稳定性反而更高。

二、先确认内容目标，再谈商单和流量

原作者把“为什么能接到商单”放在文章前面，给出的核心判断是：知识类教程既能通过视觉差异化吸引观看，也能自然承载工具产品。用户为了完成教程里的动作，通常会实际使用被介绍的工具，因此内容和转化之间存在比较直接的联系。

这条经验可以转成一个更稳妥的内容判断表：

判断项	需要回答的问题
视觉差异	观众为什么愿意停留，而不是划走？
内容价值	看完后，观众能完成什么具体动作？
产品关系	产品是否真的出现在完成任务的关键路径上？
交付边界	哪些是演示，哪些是可复现的真实能力？
证据	播放量、转化、商单和成本是否有记录？

不要把“AI 生成视频”本身当成内容价值。工具只解决生产效率，观众仍然需要一个明确问题、可理解的解释和能够复现的步骤。品牌植入也应该服务于教程，不要把未验证的模型能力、价格或收益写成广告承诺。

三、完整流程：从文案到成片

推荐把整个任务拆成四个阶段：

文案与配音
  → 音频分析与时间轴
  → 视觉编排表
  → A/B-roll 逐镜头制作与验收

每个阶段都要留下中间产物。这样当最终视频出现错位、节奏拖沓或角色漂移时，可以定位是文案、语音、编排还是渲染环节的问题，而不是反复重做整条视频。

四、第一步：准备文案与整段配音

文案不一定由 Codex 生成。可以先用适合写作的模型完成资料整理、结构设计和事实核验，再将定稿文案交给剪辑 Agent。对 GPT88 用户来说，文案模型可以按任务从当前模型目录中选择，但不要把某个固定模型名写死在生产脚本里；先调用 GET /v1/models 确认当前可用 ID。

配音阶段有一个很实用的规则：整段合成，而不是每句话单独合成后再拼接。逐句合成容易产生音量、音色、停顿和语气不一致，后续音画对齐也会变得复杂。

输入给配音工具的任务应包含：

• 完整定稿文案；
• 角色或声音设定；
• 语速和情绪；
• 专有名词的读法；
• 是否需要保留段落停顿；
• 输出格式和采样率。

如果要使用 GPT88 的语音或多模态路线，先确认当前 API 是否提供对应模型和接口，不要因为某个 ChatGPT 或第三方客户端有语音入口，就推断 GPT88 API 一定支持同样的参数。

五、第二步：生成毫秒级音频时间轴

配音文件只是声音产物，自动剪辑还需要知道每一段话在什么时候发生。将音频重新解析后，生成类似下面的时间轴：

[0000ms-1249ms] 今天我们来聊聊 AI 自动剪辑
[1249ms-3580ms] 知识类视频最重要的不是镜头数量
[3580ms-6120ms] 而是让声音、画面和信息结构对齐

这份时间轴是后续所有视觉决策的共同时间基准：镜头从哪里开始、持续多久、字幕何时出现、B-roll 何时切入，都应从它计算，而不是靠肉眼猜测。

至少要检查：

1. 首句是否从 0ms 附近开始；
2. 段落之间的停顿是否被保留；
3. 时间戳是否单调递增且没有重叠；
4. 末段时间是否覆盖完整音频；
5. 数字、英文模型名和专有名词是否被正确识别。

音频时间轴可以保存为 JSON，方便后续脚本读取：

{
  "audio": "narration.wav",
  "segments": [
    { "startMs": 0, "endMs": 1249, "text": "今天我们来聊聊 AI 自动剪辑" },
    { "startMs": 1249, "endMs": 3580, "text": "知识类视频最重要的不是镜头数量" }
  ]
}

六、第三步：视觉编排表就是剧本 + 分镜

视觉编排表不要只写“这里放一张图”。它应该让剪辑 Agent 能够回答：这个片段使用 A-roll 还是 B-roll？画面里有什么？从哪张素材开始？字幕如何出现？和前一个镜头怎么衔接？

一个可执行的字段集合如下：

字段	示例
segment	s03
startMs / endMs	3580 / 6120
roll	A 或 B
visualType	host, screenshot, diagram, quote
visualBrief	三步流程图，突出 API、模型和日志
asset	本地截图路径或生成任务 ID
motion	左侧进入、节点依次亮起
caption	画面中必须出现的准确文字
transition	cut / dissolve / match
acceptance	文字无错、时长覆盖、颜色符合品牌

视觉编排完成后，不要直接开始全片渲染。先做一次人工审查，主要看两个问题：A-roll 和 B-roll 是否自然交替；同一种 A-roll/B-roll 是否连续重复太久。节奏检查越早做，返工成本越低。

七、A-roll：角色一致性和表达视角

A-roll 的作用是场景化表达。它可以是一个 IP 小人、虚拟主持人、真人头像或产品角色，重点是让观众感觉“有人在和我说话”。

1. 角色参考包不要只有一张图

单张参考图不能稳定约束角色的体型、五官、年龄、笔触和服装。更可靠的参考包至少包括：

• 三视图：正面、侧面、背面或多个角度；
• 局部细节图：线条粗细、上色方式、纹理和材质；
• 场景图：背景、空间和整体画面风格；
• 品牌规范：主色、字体、禁用元素和 Logo 使用方式。

提示词里还要写出必须保持的条件，例如角色身高比例、头身比、发型、服装颜色和画面风格。每次生成后都要做角色验收，不能因为某一张看起来“差不多”就默认后续镜头会一致。

2. 用多种表达视角防止视觉疲劳

A-roll 不应从头到尾都是角色站在画面中央讲话。可以轮换：

• 主持人视角：正对镜头，用于开场、章节和总结；
• 主角视角：角色在场景中做动作、表达情绪或操作工具；
• 配角视角：从旁观者或另一个角色的角度补充信息；
• 第一人称视角：直接展示角色所看到的屏幕或环境。

视角变化不等于无意义地切镜头。每次变化都应服务于语气、信息或情绪，否则只是增加渲染成本。

八、B-roll：按素材类型决定制作方式

B-roll 可以进一步分成三类：

1. 有素材型：已有产品截图、后台录屏、聊天记录或真实照片；
2. 无素材型：没有现成素材，需要用图形、流程、卡片和动效表达；
3. 纯文字型：章节标题、关键句、结论或短提示。

有素材型首先要注意授权、隐私和脱敏，尤其是客户后台、订单、邮箱、API Key 和用户数据。无素材型要让图形表达真实关系，不要用漂亮但含义不清的装饰。纯文字型则应控制字数、层级和停留时间，保证观众读得完。

九、素材库：把重复工作变成可复用资产

知识类视频里有很多结构会重复出现：三步流程、方案对比、时间线、清单、标签卡、指标卡和章节过渡。不要每次让 Agent 从零设计，建议先建立本地素材库。

每种常用结构准备两到三个模板就够了。模板应把以下内容参数化：

• 画布尺寸和安全区；
• 品牌颜色和字体；
• 标题、正文和标签的最大字数；
• 元素间距与对齐方式；
• 动画时长和入场方向；
• 可替换的图标、截图和数据字段。

本地模板的优势是风格一致、修改快、可回滚。开源素材库的优势是探索成本低，但使用前必须核对许可证、署名要求、字体授权和是否允许商业用途。不要只因为代码公开就默认所有素材都可以直接商用。

十、HyperFrames 与 Remotion：选择适合的渲染层

原帖以 HyperFrames 为主要动效工具，也提到 Remotion。可以这样理解两者的取舍：

工具方向	更适合	注意事项
HyperFrames	追求设计感、快速组合镜头、让 Agent 生成复杂动效	需要验证插件版本、素材路径和渲染结果
Remotion	需要帧级控制、React 组件化和成熟模板	需要更明确的工程结构和时间计算

两者都不是“自动保证成片质量”的按钮。无论用哪个渲染层，都要先生成一小段样片，检查文字、动画、音画、字体、图片路径和导出格式，再扩展到全片。

十一、GPT88 在这套流程中适合放在哪里

GPT88 更适合承担模型接入和任务调度的一层，而不是替代所有剪辑软件。一个稳妥的分工是：

GPT88 API
  ├─ 文案改写、标题和镜头摘要
  ├─ 图像/视觉素材生成
  ├─ 时间轴和视觉编排结构化
  └─ 质检清单与失败重试建议

本地工作流
  ├─ 语音合成与音频分析
  ├─ HyperFrames / Remotion 渲染
  ├─ 字幕烧录与音视频合并
  └─ 最终文件检查

如果要让 Codex 或其他 Agent 通过 GPT88 调用模型，优先使用 OpenAI 兼容接口，且把凭据放在环境变量里：

export GPT88_API_KEY='在本机安全环境中设置'
curl https://api.gpt88.cc/v1/models \
  -H "Authorization: Bearer $GPT88_API_KEY"

模型目录是动态的。脚本应先获取可用模型，再根据任务选择文本、图片或其他能力；不要把不存在的模型 ID、固定价格或某个账号的权限写死。对批量生成还要增加预算上限、请求 ID、重试次数、超时和失败日志。

十二、样片优先：先做 1 分钟，再做完整视频

完整视频最贵的不是第一次生成，而是发现方向不对之后的整片返工。建议先制作约 1 分钟样片，覆盖至少：

• 一个开场 A-roll；
• 一个知识解释 B-roll；
• 一次画面切换；
• 一段字幕和关键文字；
• 一个角色动作或视角变化；
• 一段背景音乐或音效；
• 一个完整的结尾。

样片验收表：

检查项	通过条件
音画同步	说到关键词时画面和字幕同步进入
节奏	不连续堆叠同一种镜头，停顿自然
角色一致	体型、五官、笔触、服装和颜色稳定
文字准确	模型名、价格、日期和品牌名逐字正确
信息可读	手机尺寸下能读清标题、标签和流程
品牌一致	颜色、字体、Logo 和语气统一
文件可交付	分辨率、帧率、音频、码率和封装正确

样片通过后，再让 Agent 按相同规则制作全片。每次只修改一个变量，并保留版本号和渲染日志，方便回退。

十三、声音、BGM 和音效是最后一层完成度

当画面和配音完成后，视频仍可能显得单调。可以加入适配内容的 BGM 和少量音效，但要控制数量和音量：

• BGM 不应盖住人声；
• 节奏应配合 A/B-roll 的变化，而不是强行追求热闹；
• 关键转场、按钮点击、卡片出现可以使用短音效；
• 不要每个动作都加声音，否则信息层级会被噪声打散；
• 使用音乐前确认版权和商业使用许可。

AI 生成音乐或音效也要保留来源、授权条款和生成记录。平台能否识别、客户能否商用，不能只根据“AI 生成”四个字判断。

十四、适合做成 Skill 的部分

如果这套工作流要反复使用，可以把稳定规则封装成 Skill，但不要把全部知识塞进一个超长提示词。入口只需要说明触发条件、输入输出和关键边界，具体模板、参考图、脚本和验收表按需加载。

建议的目录结构：

skills/video-editing/
├── SKILL.md
├── references/
│   ├── a-roll-b-roll.md
│   ├── visual-plan-schema.md
│   └── quality-checklist.md
├── templates/
│   ├── timeline.json
│   └── storyboard.md
└── scripts/
    ├── validate-timeline.mjs
    └── render-preview.mjs

SKILL.md 应明确：什么时候使用；需要哪些输入；会产出哪些文件；如果音频、素材或权限不完整，何时停止；不应执行哪些外部发布和高风险操作。确定性动作交给脚本，视觉判断和内容取舍保留给 Agent 与人工审核。

十五、从剪辑效率到商业交付

原帖提到作者通过少量视频获得平台收益、商单和创作邀约。这类案例更值得学习的部分，不是某个确定金额，而是内容生产和商业交付之间的连接：

1. 先建立清晰的视觉识别，而不是只追热点；
2. 用教程解决具体问题，让产品植入有真实使用场景；
3. 用素材库和模板控制交付成本；
4. 用样片和验收表减少客户反复修改；
5. 记录每条视频的脚本、模型、渲染时间、人工时间和实际成本。

客户购买的是按时交付、风格一致、信息准确的视频，不是“调用了哪个模型”。因此报价时应按脚本长度、镜头数量、素材准备、配音、修改轮次、交付格式和授权范围拆分，而不是只报一个“AI 剪辑价格”。

十六、常见失败与排查顺序

问题	优先检查
声音和画面错位	时间轴起止、采样率、音频时长和帧率换算
角色每个镜头都不一样	参考包、角色约束、固定种子/参数能力和人工筛选
B-roll 看起来漂亮但说不清	是否表达了真实信息关系，是否只是装饰
字幕错字或模型名错误	原始文案锁定、字幕导出后逐字核对
渲染中断	资源路径、依赖版本、内存、超时和单镜头重跑
GPT88 请求失败	GET /v1/models、Base URL、Key、模型 ID、请求 ID
成本不可控	单镜头预算、最大重试、批量上限和失败计费记录
客户不断改方向	先做样片确认视觉系统，再进行全片制作

写在最后

Codex 自动剪辑真正可复用的核心，不是“一键生成视频”，而是把视频拆成可验证的中间产物：定稿文案、整段配音、毫秒级时间轴、视觉编排表、A/B-roll 素材和 1 分钟样片。

当这些中间产物清楚之后，Agent 才能稳定执行；当每一步都有验收条件之后，自动化才不会变成“生成一条看起来很像视频的文件”。GPT88 可以作为其中的模型接入层，负责文本、视觉素材和结构化任务，但真实交付仍需要本地渲染、版权核验、人工质检和版本管理。

来源：X 原帖 · 作者主页

原帖配图

以下图片按原帖公开文章顺序保留。图片版权和原始配图归原作者及相应权利人所有，本文仅用于来源整理与上下文参考。