# 用 Codex + Skills 搭一套本地视频自动化工作流
**作者**: MuscleMan | AI × Investing
**日期**: 2026-06-28T13:11:35.000Z
**来源**: [https://x.com/RealCodedAlpha/status/2071219965903114655](https://x.com/RealCodedAlpha/status/2071219965903114655)
---
## 一、方案的目标
这篇攻略只解决一个问题：
> 有了 HyperFrames、Video-Use、FFmpeg、WhisperX、Remotion、OpenMontage 这些工具，还需要从零自建 Video Agent Pipeline 吗？
答案是不需要！
如果你的目标是：
- 上传本地视频
- 生成字幕
- 生成中英双语字幕
- 添加水印
- 输出 final.mp4
最优方案是：Codex + AGENTS.md + WhisperX + FFmpeg + Video-Use Skill（可选）
## 二、这个方案适合谁？
适合：
- 用 Codex / Claude Code / Cursor 做 AI Coding 的人
- 想自动给视频加字幕、水印、翻译的内容创作者
- 想做 X、YouTube Shorts、TikTok、B站短视频的人
- 想把本地视频处理流程自动化的人
- 不想一开始就搭复杂 Agent 系统的人
## 三、最终效果
```
input/video.mp4
↓
Codex 读取 AGENTS.md
↓
WhisperX 生成字幕时间轴
↓
翻译模型生成中英双语字幕
↓
FFmpeg 烧录字幕和水印
↓
output/final.mp4
```
输出目录：
```
output/
final.mp4
source.srt
bilingual.ass
report.md
```
最终视频具备：
- 原视频音频保留
- 中英双语字幕烧录进视频
- 顶部或角落有水印
- 可直接发到 X、B站、YouTube Shorts、TikTok
## 四、为什么不一开始自建 Video Agent Pipeline？
很多人一看到 Agent，就想设计这套：
```
MediaInspectorAgent
↓
ASRAgent
↓
TranslationAgent
↓
SubtitleComposerAgent
↓
RenderAgent
↓
QAAgent
```
现在还不是时候，为知尚早！
所以本攻略用的是 Skill-first Workflow，而不是 Full Custom Agent Pipeline
## 五、工具分工
没有 AGENTS.md，Codex 每次都像临时工。有了 AGENTS.md，才像固定团队成员！
## 六、推荐架构
```
video-workspace/
AGENTS.md
input/
video.mp4
watermark.png ← 可选
output/
work/
```
整体流程：
```
用户放入视频
↓
Codex 读取 AGENTS.md
↓
Codex 判断该调用哪些 skill / CLI
↓
WhisperX 生成字幕
↓
翻译生成双语字幕
↓
FFmpeg 烧录字幕和水印
↓
检查 final.mp4
```
## 七、准备环境
安装 FFmpeg
macOS：
```
brew install ffmpeg
```
Windows：
```
##推荐：通过精确 ID 安装，避免匹配到同名软件
winget install -e --id Gyan.FFmpeg
```
验证：
```
ffmpeg -version
ffprobe -version
```
安装 WhisperX
WhisperX 用来生成字幕时间轴
```
python -m venv .venv
.venv\Scripts\Activate.ps1
python -m pip install -U pip setuptools wheel
pip install whisperx
whisperx --help
```
安装 Video-Use Skill
Video-Use 仓库存在，但它的 GitHub README 更推荐让 coding agent 执行 setup prompt；如果用 skills CLI，优先使用 GitHub URL 形式安装!
```
npx skills add https://github.com/browser-use/video-use
```
可选安装 HyperFrames
```
npx skills add heygen-com/hyperframes
```
## 八、创建工作目录
```
mkdir video-workspace
cd video-workspace
mkdir input output work
```
把你的视频放进input文件夹，如果有图片水印也一同放进input文件夹
## 九、创建 AGENTS.md
在项目根目录创建 AGENTS.md，内容如下：
```
# AGENTS.md
## 项目目标
使用 Codex 和已安装的视频 Skills，稳定、高质量地处理本地视频。
**核心任务清单**：
1. 分析本地视频基本信息
2. 使用 WhisperX 生成准确的源语言字幕和时间轴
3. 将字幕翻译成自然流畅的中英双语字幕
4. 将双语字幕**烧录**进视频画面
5. 添加清晰可见的水印（文字或图片）
6. 导出兼容短视频平台的 final.mp4
7. 生成完整处理报告
## 工具优先级（严格遵守）
1. **WhisperX** — 语音转录 + 精准时间轴（首选）
2. **FFmpeg** — 音频提取、字幕烧录、水印合成、最终渲染（首选）
3. **Video-Use Skill** — 仅在需要多素材混剪、自动去停顿、raw footage 整理时使用
4. **HyperFrames** — 仅在需要动画片头、MG 动效、动态标题卡、产品解释动画时使用
5. **Remotion** — 仅在需要 React 模板化批量生产时使用
6. **OpenMontage** — 仅在需要完整端到端视频生产系统时使用
**第一版严禁**：自己从零编写多 Agent Python Pipeline（除非现有 Skills 完全无法完成任务）。
## 输入输出规范
**输入**：
- 视频文件：`input/video.mp4`
- 可选图片水印：`input/watermark.png`
**必须输出**：
- `output/final.mp4`（最终可发布视频）
- `output/source.srt`（源语言字幕，时间轴不变）
- `output/bilingual.ass`（双语 ASS 字幕，适合烧录，样式美观）
- `output/report.md`（处理过程、命令、结果、注意事项）
## 字幕规则（必须严格执行）
- **双语格式**：
- 英文视频：上行为英文原文，下行为中文翻译
- 中文视频：上行为中文原文，下行为英文翻译
- 翻译时**严禁改变时间戳**
- 除非必要，否则不要合并或拆分字幕段落
- 每行字幕控制在移动端友好长度（建议单行 ≤ 35-40 字）
- 优先使用 **ASS 格式**，支持双语分色、描边、背景框
- 字幕位置避免遮挡人脸、重要 UI、品牌元素
## 水印规则
- 默认文字水印内容：`@XXX`（可根据实际需求修改）
- 推荐位置：右上角（top-right），留出安全边距
- 如果存在 `input/watermark.png`，**优先使用图片 overlay**
- 文字水印使用 `drawtext` 并添加半透明背景框
- 水印必须清晰可见，但绝不遮挡字幕和关键画面内容
## 渲染规则（FFmpeg 优先）
- 必须使用 FFmpeg 进行最终渲染
- 推荐参数：
- 视频编码：`libx264`
- 画质控制：`CRF 18-22`（画质优先推荐 18-20）
- 预设：`medium`（速度与质量平衡）
- 音频：`-c:a copy`（保留原始音频质量）
- 烧录字幕：使用 `subtitles=` filter 加载 `.ass` 文件
- 输出必须兼容 X、YouTube Shorts、TikTok、Bilibili（横竖屏自适应）
## 禁止行为
- 不要在第一版构建大型自定义代码库
- 不要创建不必要的 `agents/xxx_agent.py` 文件
- 不要使用 MoviePy（除非 FFmpeg 明确无法解决）
- 不要将私人视频上传到任何外部在线服务
- 不要在命令失败后不解释原因就跳过
- 不要忽略最终视频是否有音频、字幕是否可见
## 任务完成标准（全部满足才算 Done）
- `output/final.mp4` 存在且可正常播放
- 音频完整保留、无失真
- 双语字幕清晰可见、时间完全同步
- 水印可见且位置合理
- `output/report.md` 完整记录了所有步骤和结果
- 视频可直接用于 X / YouTube Shorts / TikTok / Bilibili 发布
```
## 十、Codex 启动 Prompt
打开 Codex，在项目目录里输入以下 Prompt：
```
先读取 AGENTS.md。
按照 AGENTS.md 的规则，使用已安装的视频处理工具处理我的本地视频。
输入视频：
input/video.mp4
任务：
1. 分析视频内容（分辨率、时长、音频轨道、横竖屏方向）
2. 使用 WhisperX 生成准确的源语言字幕
3. 将字幕翻译为中英双语字幕
4. 将双语字幕烧录进视频
5. 添加文字水印：@XXX，位置右上角
6. 导出最终视频到 output/final.mp4
工具优先级：
- 使用 WhisperX 做语音识别
- 使用 FFmpeg 做音频提取、字幕烧录、水印、最终渲染
- 如果 Video-Use skill 能简化流程，可以使用
- 只在需要动画片头、片尾或 motion graphics 时才用 HyperFrames
不要自建多 Agent Python Pipeline，除非现有工具无法完成任务。
处理完成后，请检查：
- output/final.mp4 是否存在
- 音频是否保留
- 字幕是否可见
- 水印是否可见
- 文件是否可以正常播放
如果有步骤失败，请说明具体是哪条命令失败、为什么失败、如何修复。
```
## 十一、Codex 执行的流程
Step 1：检查视频，判断是否有音频、时长、分辨率、横竖屏、是否适合字幕烧录。
Step 2：提取音频，把音频提取出来交给 WhisperX。
Step 3：WhisperX 生成字幕
Step 4：生成双语字幕，格式示例（英文视频）：
```
This tool saves me hours every week.
这个工具每周能帮我省下好几个小时。
```
Step 5：烧录字幕和水印
Step 6：检查结果
## 十二、什么时候用 HyperFrames？
适合：
- 3–5 秒动画片头（如"AI Coding Workflow / Codex + Skills"）
- 流程演示动画（如 Codex 如何调用 FFmpeg 和 WhisperX 的示意图）
- 动态标题卡（如 Step 1 / Step 2 / Step 3）
## 十三、什么时候用 Video-Use？
适合：
- 多段素材混剪
- raw footage 自动整理
- 去掉废话和停顿
- 自动成片
- 多素材拼接
如果你的素材还很原始（录屏、口播、素材堆在一起），优先用 Video-Use。如果视频已经剪好，直接用 FFmpeg.
## 十四、常见问题
Q：装了 Skills 是不是就不用写 AGENTS.md？
不是。Skills 是能力，AGENTS.md 是规则。没有 AGENTS.md，Codex 不知道你的字幕格式、水印位置、不要做什么、什么才算完成。
Q：必须用 Video-Use 吗？
不必须。如果只是字幕和水印，WhisperX + FFmpeg 就够。需要自动剪辑、多素材合成、去废话，再加 Video-Use。
Q：必须用 HyperFrames 吗？
不必须。HyperFrames 适合生成动画，不是 FFmpeg 的替代品。
Q：为什么要分步骤，不让 Codex 一次搞定？
可以，但不稳定。先固定 AGENTS.md，再让 Codex 执行，结果更一致、修错更容易。
Q：为什么不直接上 OpenMontage？
OpenMontage 适合完整视频制作系统。你的第一版目标是"已有视频 → 字幕 → 水印 → final.mp4"，没必要上重系统。
不要一开始从零自建复杂 Video Agent Pipeline。
先用现成 Skills 跑通，处理 20 条视频、流程稳定后，再沉淀成 Thin Pipeline！
要产品化、批量化、商业化，再设计完整 Agent Pipeline！
如果你觉得这套 Codex + Skills 本地视频自动化工作流 对你有帮助，欢迎关注我！
我会持续分享更多干货：Codex / Claude Code 等 AI Coding 工具的实战工作流！
## 相关链接
- [MuscleMan | AI × Investing](https://x.com/RealCodedAlpha)
- [@RealCodedAlpha](https://x.com/RealCodedAlpha)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [9:11 PM · Jun 28, 2026](https://x.com/RealCodedAlpha/status/2071219965903114655)
- [5,080 Views](https://x.com/RealCodedAlpha/status/2071219965903114655/analytics)
---
*导出时间: 2026/6/29 16:27:26*