/ AIBLOG

技术笔记

用 Codex 做视频：从脚本到成片的 7 步开源工作流

很多人以为做一条教程视频，必须自己写稿、配音、打轴、做动画、反复剪辑。其实，把 Codex 与三款开源工具组合起来后，大部分制作工作都可以交给 AI：你只需要说明想法、审阅预览，并把不满意的地方直接告诉它。

这套流程熟练后，一条结构不复杂的短视频最快约 1 小时可以完成。本文对应的教程视频，从制作到发布不到 2 小时。具体耗时仍会受视频长度、素材数量、电脑性能和修改次数影响。

先认识三个工具

工具

负责什么

HyperFrames

让 Codex 用 HTML、CSS、动画和媒体素材制作视频，并渲染为 MP4

VideoSpec

管理选题、脚本、分镜、素材、制作任务、人工审批和成片验收

SmartSub（妙幕）

把配音转成字幕，校对时间轴，并导出 SRT 等字幕文件

简单理解：VideoSpec 管流程，HyperFrames 做画面和渲染，SmartSub 做字幕，Codex 负责把它们串起来。

开始前准备

你需要：

  • 已安装并能使用 Codex；
  • Node.js 22 或更高版本；
  • FFmpeg；
  • 一段准备讲解的主题；
  • 一种 TTS 配音方式。本文使用豆包 TTS，也可以换成 SmartSub 内置 TTS 或其他服务。

安装 HyperFrames 技能：

1npx skills add heygen-com/hyperframes

交互界面打开后，选择 Core Skills 即可。如果希望让 Agent 直接安装核心技能，可运行：

1npx hyperframes skills update

在准备制作视频的项目目录中初始化 VideoSpec：

1npx videospec-workflow@latest init

SmartSub 可以从 GitHub Releases 下载。macOS 用户也可以使用 Homebrew：

1brew tap buxuku/tap
2brew install --cask smartsub

第一步：让 Codex 建立视频方案

不要一开始就要求 Codex“直接做视频”。先把主题、受众、时长和画面比例说清楚，后面的脚本和分镜会稳定很多。

可以直接复制下面的提示词：

使用 VideoSpec 为我制作一期视频方案。主题是「填写主题」，目标观众是「填写观众」，时长约「填写时长」，画面比例为 16:9。风格要清楚、简洁，先生成 brief、口播脚本、分镜和素材计划，等我确认后再进入制作。

VideoSpec 会生成 proposal、brief、script、storyboard、materials 和 tasks 等文件。你不需要逐个手写，只要重点检查三件事：

  1. 讲述顺序是否正确；
  2. 口播是否像人话；
  3. 分镜是否真的能把口播内容讲清楚。

确认无误后告诉 Codex：

我批准 brief 和 storyboard，继续制作。

第二步：生成最终口播稿

让 Codex 根据已确认的方案整理一版适合配音的纯文本。句子要短，少用括号和复杂英文，数字与品牌名要写成容易正确朗读的形式。

提示词示例：

根据已批准的 script，输出最终 TTS 口播稿。删除标题、编号和舞台说明，只保留需要朗读的内容；句子尽量短，并检查 HyperFrames、VideoSpec、SmartSub 等名称的发音。

拿到口播稿后，自己快速读一遍。此时改文案，远比视频做完后再改省时间。

第三步：生成配音

本文使用豆包 TTS。最省事的方法不是自己查接口写代码，而是让 Codex 按你当前使用的 TTS 官方文档生成一个小脚本。

请根据豆包 TTS 的最新官方文档，为当前口播稿生成配音脚本。API Key 只能从环境变量读取，不能写进源码或日志。运行前先告诉我需要配置哪些环境变量，成功后输出 voice.mp3。

把密钥放进环境变量或本地 .env 文件，并确保 .env 已加入 .gitignore。不要把 API Key 粘贴进提示词、代码仓库、截图或视频画面。

如果不想使用云端 TTS，也可以直接使用 SmartSub 提供的本地或免费配音方案。无论选择哪一种，最终准备好一个完整的配音文件，例如：

1voice.mp3

第四步：用 SmartSub 生成字幕

打开 SmartSub 后按下面操作：

  1. 选择字幕生成或转写任务；
  2. 导入 voice.mp3；
  3. 选择中文和合适的本地转写模型；
  4. 开始转写；
  5. 在校对台修正错字、断句和时间轴；
  6. 导出 SRT 字幕，例如 captions.srt。

不要跳过校对。产品名、英文缩写和数字最容易识别错误。字幕也不要一行太长，手机上会很难读。

最后应至少得到两个文件：

1voice.mp3
2captions.srt

第五步：让 Codex 用 HyperFrames 生成视频

把视频描述、配音和字幕放到项目中，然后告诉 Codex：

使用 HyperFrames 按已批准的 VideoSpec 制作视频。使用 voice.mp3 作为旁白，使用 captions.srt 生成字幕。画面比例为 16:9、分辨率为 1920×1080。先完成工程并运行 lint 和 check，再打开预览；没有得到我的确认前不要渲染最终成片。

HyperFrames 会把视频写成可预览的 HTML 合成工程，并用时间属性控制场景、字幕、音频和动画。你不需要手工调整传统剪辑软件的时间线，Codex 会根据脚本和字幕完成大部分工作。

第六步：预览，并用自然语言修改

第一次预览通常不会完美。最有效的反馈方式，是说清楚“哪里不对、希望怎样改”。

例如：

  • “第 20 秒的标题太小，手机上看不清，放大 30%。”
  • “第二幕节奏太慢，把停留时间缩短 2 秒。”
  • “字幕挡住了底部按钮，整体向上移动。”
  • “这一段口播提到 SmartSub 时，画面才显示 SmartSub，不要提前出现。”

Codex 修改后，再看一遍预览。确认画面、字幕、声音和节奏都正确后，再说：

预览通过。请渲染最终 MP4，并检查分辨率、时长、编码、音轨和字幕是否完整。

第七步：生成封面和发布文案

成片完成后，可以继续让 Codex 准备发布物料：

根据成片生成 5 个标题、1 段视频简介、封面文案、章节时间点和发布检查清单。标题不要夸大，不要把“约 1 小时”写成对所有人都成立的保证。

发布前由人完成最后检查：

  • 事实是否准确；
  • 画面、音乐、字体和素材是否有使用权；
  • 是否暴露 API Key、账号、私人路径或个人信息；
  • TTS 音色是否允许用于当前用途；
  • 封面和标题是否符合平台要求。

确认这些项目后，再手动发布。

最简流程回顾

整套工作流可以压缩成七句话：

  1. 用 VideoSpec 把想法变成脚本和分镜；
  2. 确认方案；
  3. 生成配音；
  4. 用 SmartSub 生成并校对字幕；
  5. 让 Codex 使用 HyperFrames 制作视频；
  6. 看预览，用自然语言提出修改；
  7. 渲染成片，生成封面和发布文案，人工检查后发布。

真正节省时间的关键，不是完全取消人工，而是把人从重复剪辑中解放出来，只保留判断、反馈和发布决策。第一次搭建环境会慢一些；做过一两次后，后续视频就可以直接复用同一套目录、提示词和检查清单。

项目地址