# Codex自动化剪辑从0到1，开源我在抖音赚了5W+的剪辑工作流【万字长文】
**作者**: xilo
**日期**: 2026-06-25T07:47:05.000Z
**来源**: [https://x.com/xilo2991/status/2073752063591473242](https://x.com/xilo2991/status/2073752063591473242)
---
这套剪辑工作流我已经用了两个多月，迭代过不少于10版。在文章里，我会尽可能详细地把完整流程和细节，给朋友们讲清楚。
你可以跟着文章的思路过一遍，也可以直接把这篇文章发给Codex，让AI给你做成Skill。
Hi，朋友们，我来交稿啦～
上周写过一篇入门Codex的文章，很感谢朋友们的捧场，跑到了一百多万流量。
> **xilo@xilo2991**: [原文链接](https://x.com/xilo2991/status/2070051136187621452)
>
当时很多朋友问我，文章里提到的自动化剪辑可以分享吗？
包的，今天就是来陪朋友们唠唠，如何用Codex实现自动化剪辑，最大化提升视频创作效率。
# 工作流的底层逻辑
不管是做内容还是做电商，想要快速获得流量，最简单的办法就是抄爆款。
因为爆款，都是经过市场验证的内容，只要跟得够快，基本上流量都不会太差。（当然哈，要注意抄和搬运的区别。）
这套工作流的核心，就是抄爆款。
假如你看到一个爆款视频，想照着这个节奏和结构做一条自己的视频。传统的做法是你要手动去剪映里一帧帧对着参考视频，找素材、卡时间、对字幕，一条视频可能要花两三个小时。
但用这套工作流，你只需要准备好参考视频和你自己的素材库，剩下的事情 Codex 都能帮你自动完成。
Codex会自动识别参考视频的每个镜头切换点，自动从你的素材库里找到最匹配的素材，自动生成配音和字幕，最后直接给你一个可以打开编辑的剪映草稿。
整个过程可能就几分钟。
我平常主要是做抖音带货视频的时候用这个工作流。
没有Codex以前，同样的视频一天撑死了只能剪出6条。但有了Codex之后，我只需要找到合适的爆款视频作为参考，然后把产品素材准备好，剩下的就是自动生成、审核、微调。
一天轻轻松松可以剪完30条，效率提升了至少五倍。
但这里要说清楚，这套工作流的定位是自动生产，不是精品创作。
它适合的是需要多段素材拼接的偏混剪类视频，比如电商带货、营销推广、混剪Vlog之类的内容。
参考视频提供结构和节奏，你的素材库提供画面，配音和字幕自动生成，最后自动出片。
如果你想做高质量的原创内容，需要非常精细的镜头语言、复杂的转场、细腻的情绪表达，那这套流程可能不太适合。
因为自动化的匹配逻辑，目前还做不到那么精准的语义理解和情绪把控。
我自己现在也在研究怎么把这套流程往原创视频的方向优化，等稳定了再给朋友们分享。
# 工作流前期准备
OK，回到自动化剪辑工作流。下面我会一步步讲清楚，这套工作流具体怎么搭建。在正式开始前，你需要准备好两样东西。
## 1. 安装对应工具
这套工作流是基于 Codex 实现的，所以你首先需要有 Codex。如果你还没用过 Codex，可以先去看我上周写的Codex入门文章。
具体来说，这套工作流需要这几个核心工具：
- FFmpeg：用来处理视频拆分、合成、格式转换这些底层操作。这是整个流程的基础，必须要装。
- Python 环境：因为整套流程是用 Python 写的，至少需要 Python 3.8 以上版本。
- 配音工具：如果你想要自动配音，最稳定的就是字节的豆包语音大模型，费用不高，效果稳定；如果你想要克隆声音就用VoxCPM，这是一个免费开源的声音克隆工具。
- 剪映：最后生成的草稿是剪映格式的，所以你需要在电脑上装一个剪映专业版。
这些工具里，FFmpeg 和 Python 是核心依赖，必须要有。
你可以直接把下面这段话复制发给 Codex，让它帮你检查环境并安装缺失的工具：
```
请帮我检查视频自动化剪辑需要的环境：
1. 检查 FFmpeg 是否已安装，如果没有请帮我安装
2. 检查 Python 版本是否 >= 3.8，如果没有请帮我安装或升级
3. 检查是否安装了剪映专业版，如果没有请告诉我下载链接
4. 安装 Python 依赖包：opencv-python, numpy, pillow
检查完之后，告诉我哪些已经装好了，哪些需要我手动处理。
```
配音的话，看你需求。如果说你想做的是电商带货视频，豆包语音模型效果是最稳定的。
它用的是剪映同源的AI配音，基本上在剪映里能找到的配音，在豆包语音模型里都有。定价也不高，平常我们生成一条1分钟左右的视频，配音的费用大概是4-8毛。
如果你想用自己的声音，或者克隆别人的声音，用VoxCPM就行，是一个免费开源的工具。
在Github里面找到这个配音工具，然后把链接发给Codex让它安装就行。
## 2. 创建文件夹
装好这些之后，你需要建一个项目文件夹。我一般是按照这样的结构来组织：
```
项目文件夹/
assets/ # 你的素材库
work/ # 工作区，每次剪辑都在这里建一个日期文件夹
final/ # 最终成品
AGENTS.md # 项目配置文件
```
assets 文件夹就是你的素材库，把所有可能用到的素材都放进去。
这里的素材可以是AI生成的，也可以是你自己实拍的，但一定要提前准备，以可复用的素材为主。
然后，素材可以按照不同类别去分类。
比方说带货素材，你可以按照外观、功能、场景这些维度区分，再进一步还可以区分AI生成、真人实拍。
work 文件夹是工作区，每次你要做一条新视频，就在这里建一个日期文件夹，比如 2026-07-05，然后把参考视频、生成的中间文件、最终的草稿都放在这个文件夹里。
AGENTS.md 是项目的配置文件，里面记录了你这个项目的目标、输出规格、验收标准这些信息。这个文件很重要，因为 Codex 会根据这个文件来理解你的项目需求，然后帮你做出符合要求的视频。
PS：我自己的AGENTS有点长，为了不影响阅读，我放在了最后面。朋友们可以参考借鉴。
# 剪辑工作流搭建
## 1. 拆解参考视频
准备工作做完之后，就可以开始真正的剪辑流程了。
第一步是拆解参考视频。
这一步的核心目的，是把参考视频拆分成一个个独立的镜头，然后提取每个镜头的关键帧，作为后面素材匹配的依据。
你需要先找到一个你想要参考的视频。这个视频可以是爆款视频，也可以是你自己剪过的觉得效果不错的视频。
把它下载下来，放到 work 文件夹里，写一个容易搜索和区分的文件名。
然后把下面这段话复制发给 Codex：
```
我需要拆解一个参考视频。
参考视频位置在@（输入你的文件名，Codex会自动搜索）
请帮我完成这几件事：
1. 用 FFmpeg 识别视频的镜头切换点（通过帧间差异分析）
2. 为每个镜头提取关键帧，保存为图片
3. 提取视频的音轨，单独保存
4. 生成一个 recipe.json 文件，记录每个镜头的开始时间、结束时间、时长、关键帧路径
5. 如有文案，根据音频生成一个配音文本，按镜头分段，文案需要精校，避免出错
完成后按照AGENTS.md要求，保存到对应文件夹，并告诉我识别了多少个镜头，让我确认切分是否合理。
```
这个 recipe.json 文件，就是后面整个流程的核心依据。
它记录了参考视频的完整结构，后面的素材匹配、配音生成、草稿制作，都是基于这个文件来做的。
拆解完之后，你会在对应文件夹里看到一堆小视频片段和截图。
打开看看，确认一下拆分的镜头是不是合理。如果有些地方切得不太对，比如把一个完整的镜头切成了两段，或者两个镜头没切开，你可以让Codex再调整一下。
但大部分情况下，自动识别的结果都是可以用的。
## 2. 筛选和匹配素材
这一步是整个流程里最关键的，也是最能体现自动化价值的地方。
传统的做法是你要一个镜头一个镜头地去素材库里翻，找到合适的素材，然后拖到时间线上。这个过程很费时间，而且很容易漏掉一些更合适的素材。
但用这套工作流，你只需要告诉 Codex 你的素材库在哪里，它会自动帮你做视觉匹配。
下面是提示词，你可以直接发给Codex：
```
我需要从素材库中匹配替换素材。
项目信息：
- recipe.json 路径：(上一步的拆解路径)/recipe.json
- 素材库路径：assets/
- 输出路径：work/（你的保存路径）
匹配要求：
1. 读取 recipe.json 中每个镜头的关键帧
2. 遍历素材库，为每个素材提取关键帧
3. 通过颜色、亮度、构图等视觉推荐最匹配的素材（给出置信度得分）
4. 应用这些规则：
- 避免连续3个镜头都用同 - 避免相邻镜头出现明显重复的房间或构图
6. 生成 fragment_plan.json 和 matches.json
7. 把选中的素材复制（不是移动）到 material/fragment01/, fragment02/ 等文件夹
重要原则：如果某个镜头的匹配置信度低于 0.6，标记为"缺素材"，不要用无关素材硬凑。
完成后，告诉我匹配结果，并列出哪些镜头缺素材需要人工补充。
```
大概的匹配逻辑就是，Codex 会读取参考视频每个镜头的关键帧，然后遍历你的素材库，给每个素材也提取关键帧。然后通过颜色、亮度、构图这些视觉特征，计算每个素材和参考镜头的相似度，给出一个匹配得分。
得分高的素材就会被优先推荐。
还有提示词里面提到的一些规则，都是我在实际使用中总结出来的。如果不加这些限制，自动匹配出来的视频可能会显得很单调，观众一看就知道是机器生成的。
匹配完之后，Codex 会生成一个 fragment_plan.json 和 matches.json。
fragment_plan.json 记录了每个镜头的需求。比如某个镜头需要什么样的场景、什么样的动作、什么样的景别、哪些素材是必须避免的。这个文件是给匹配算法看的。
matches.json 记录了最终的匹配结果。每个镜头用哪个素材、置信度是多少、是不是降级匹配 （找不到完美匹配，用了次优选择）。
这里有个很重要的原则：宁可留空素材，也不要用无关素材硬凑。
我在早期版本里，为了让每个镜头都有素材，会自动降低匹配标准，实在找不到就随便找一个素材填进去。结果生成出来的视频看起来很怪，有些镜头明显和上下文不搭。
后来我改了逻辑，如果某个镜头的匹配置信度太低，就直接标记为缺素材，让人工去补充。这样虽然多了一些手动工作，但最终的视频质量会好很多。
匹配完成后，Codex 会把选中的素材复制到对应文件夹里，并且按照参考视频的镜头数量进行分类保存。
这里注意，一定要强调复制，不是移动，避免Codex破坏你的原始素材库。
完成后，你可以先检查下匹配结果。如果有些镜头的素材不满意，让Codex重新替换，或者手动替换一下都可以。
## 3. 生成配音
素材筛选完成以后，下一步就是生成配音。
我们在最开始拆解视频的时候，其实有让Codex提取文案，并且每个文案都有对应镜头。
因为Codex通常使用的是OCR或ASR来提取，准确率很难做到百分之百，所以你需要先检查下文案有没有问题。
没有问题之后，就把下面这段提示词发给Codex：
```
我需要为视频生成配音。配音文本是@（你的文案.txt）
要求：
1. 调用豆包 TTS 接口，为每个镜头生成独立的语音文件
2. 读取每个生成的语音文件的实际时长
3. 如果配音时长和参考视频的镜头时长不一致，记录时长差异
4. 将所有片段拼接成完整的配音文件：final_voice.mp3
5. 更新 recipe.json，记录真实的配音时长
完成后，让我试听一遍，确认语音自然度和语速。
```
Codex 会读取每个语音文件的实际时长，然后调整视频的节奏。
比如某个镜头的配音实际读了 5 秒，但参考视频里这个镜头只有 3 秒，那最终生成的视频里，这个镜头会被拉长到 5 秒，保证配音和画面对齐。
配音生成完之后，建议你听一遍，确认一下语音自然度和语速。
## 4. 生成样稿和剪映草稿
剪映草稿的生成是这套流程里最复杂的部分，因为剪映的草稿格式很严格，素材路径、时间轴、元数据 ID 这些信息必须完全准确，否则打开会报错或者显示不正常。
我在这里踩了很多坑。比如剪映草稿里有三个关键的 ID：内容 ID、元数据 ID、根索引 ID，这三个必须一致，而且不能和已有的草稿重复。如果 ID 冲突了，要么打开失败，要么会覆盖掉你之前的草稿。
还有素材路径的问题。剪映草稿里记录的素材路径必须是绝对路径，而且文件必须真实存在。如果你移动了素材文件，草稿就打不开了。
避免这些问题的规则，我都写在了提示词里面，你直接复制就可以。
```
我需要生成最终的视频和剪映草稿。
输入信息：
- recipe.json：work/recipe.json
- matches.json：work/matches.json
- 素材路径：work/material/
- 配音文件（可选）：work/voice/final_voice.mp3
- 字幕文本（可选）：work/script.txt
输出：
1. 渲染预览视频：work/remix.mp4
2. 字幕文件：work/captions.srt
3. 剪映草稿：work/jianying_draft/
要求：
1. 按照 recipe.json 和 matches.json，把素材按顺序拼接
2. 如果有配音，用配音的时长作为基准；否则用参考视频的时长
3. 生成 .srt 格式的字幕文件
4. 生成剪映可以打开的草稿格式，注意：
- 内容 ID、元数据 ID、根索引 ID 必须一致且唯一
- 素材路径必须是绝对路径且文件真实存在
- 所有素材先复制到项目文件夹，避免路径失效
直接生成剪映草稿，完成后提醒我审核和确认。
```
第一次生成会比较久，大概十几分钟。完成以后，你可以打开剪映检查一下。
主要检查这几个点：
- 草稿能不能正常打开？
- 素材是不是都能正常显示？
- 时间轴对不对？每个镜头的时长和顺序是不是和预期一致？
- 字幕对不对？有没有遮挡关键内容？
- 配音和画面是不是同步？
如果有问题，回到前面的步骤检查，看是素材匹配的问题，还是配音生成的问题，还是草稿格式的问题。
让Codex逐一去优化。
# 写在最后
到这里，整套工作流就完整走完了。
从参考视频，到拆解分析，到素材匹配，到配音生成，再到最终的剪映草稿，整个流程可能就 20-30分钟。
如果你的素材库准备好，甚至可以做到 5 分钟一条视频。
最关键的是跑通整个工作流以后，你可以直接跟Codex说：帮我把工作流封装成Skill。
下一次，就不需要这么复杂的流程，直接调用Skill就可以生成。
以上，就是全部，希望对朋友们有些帮助。有问题的话，也可以随时找我交流。
祝好。🍀
哦，对了，这是我的AGENTS.md的模板，仅作参考👇🏻。
```
# AGENTS.md
## 目标
一句话说明这个项目要完成什么。
## 目录
项目根目录只保留稳定结构，单次剪辑产生的过程文件放进当日工作文件夹。
- `AGENTS.md`：项目长期上下文，记录目标、目录、流程、输出和验收标准。
- `assets/`：提前准备好的产品素材、场景素材、人物素材、AI 片段和其他可复用素材。剪辑时只从这里复制素材，不移动或破坏原文件。
- `work/`：正在制作或待审核的视频项目。每次剪辑在这里创建一个当日工作文件夹。
- `final/`：已经完成并确认通过的视频，从 `work/` 迁移到这里，避免工作区文件过多。
每次剪辑时，在 `work/` 下创建一个当日工作文件夹：
text
work/
YYYY-MM-DD/
reference-YYYY-MM-DD.mp4
video_clips/
script.txt
material/
fragment01/
fragment02/
voice/
jianying_draft/
当日工作文件夹说明：
- `reference-YYYY-MM-DD.mp4`：用户提供的完整参考视频，作为整体顺序、节奏、时长、音频和拆解依据。若同一天有多个任务，可在日期后追加短标题或序号。
- `video_clips/`：自动拆解参考视频后得到的画面片段和参考帧，用作视觉顺序和素材匹配依据。
- `script.txt`：从参考视频、用户文案、口播稿或配音文件整理出的口播/字幕/配音文本；没有文案时可为空或不创建。
- `material/fragmentNN/`：从 `assets/` 筛选并复制过来的当前片段候选素材或已批准素材。
- `voice/`：按片段生成的配音、清理后人声、分段语音和拼接后的成品音频。
- `jianying_draft/`：当前样稿对应的剪映草稿、草稿检查报告和必要备份。只在需要生成剪映草稿时创建。
关键来源规则：
- 完整参考视频是音频、整体顺序和总时长的依据。
- `video_clips/` 是视觉顺序和视觉匹配的依据。
- `material/fragmentNN/` 是审校通过后的生产素材来源。
- 使用生成配音时，以每段真实完成语音时长作为画面和字幕时长依据。
- `recipe.json` 和 `matches.json` 是核心自动化流程的机器可读依据。
## 流程
流程路径：
读取参考视频 → 拆分参考画面 → 提取文案/配音文本 → 筛选原始素材 → 生成配音 → 生成样稿和剪映草稿
1. 读取参考视频：在 `work/YYYY-MM-DD/` 下创建当日工作文件夹，将用户提供的参考视频保存为 `reference-YYYY-MM-DD.mp4`。
2. 拆分参考画面：使用自动镜头切分和关键帧抽取拆解参考视频，片段和参考帧保存到 `video_clips/`，结构数据保存在当日工作文件夹。
3. 提取文案/配音文本：从参考音频、用户文案或配音文件中整理口播文本，保存为 `script.txt`。
4. 筛选原始素材：读取 `assets/`，用参考帧和素材抽帧做视觉匹配，候选结果保存到当日工作文件夹，通过的素材复制到 `material/fragmentNN/`。
5. 生成配音：默认使用豆包语音模型生成新配音，分段语音和合成音频保存到 `voice/`。
6. 生成样稿和剪映草稿：用筛选素材和新配音生成样稿，并创建剪映草稿保存到 `jianying_draft/`，供用户打开审核。
## 输出
保存通用输出配置；单次特殊要求以用户当前指令和 skill 执行结果为准。
- 视频比例：9:16 竖屏。
- 分辨率：1080x1920。
- 帧率：60fps。
- 文件命名规则：`YYMMDD-platform-product-序号.mp4`，英文缩写优先，避免文件名过长或乱码。
- 默认审核方式：生成剪映草稿，供用户打开审核。
- 默认归档方式：用户确认通过后，从 `work/` 迁移到 `final/`。
## 验收
视频合格标准：
- 每个视觉片段都有可用素材；缺素材和低置信度片段必须明确暴露。
- 不用无关素材硬凑数量。
- 素材画面和产品、场景、动作、景别、角度、光线、产品可见度和构图基本匹配。
- 文件名和文件夹名只能作为线索，最终要看画面。
- 复制素材，不移动或破坏原始素材。
- 识别重复素材，不能把不同文件名当成不同内容。
- 三个连续镜头范围内尽量避免同一来源文件夹重复出现。
- 相邻片段避免明显重复的构图或语义场景。
- 有关联的 AI 片段或同一角色片段要保持身份连续。
- 成片视觉速度保持 `1.00x`，除非用户明确要求变速；短素材可定格补足，不通过变速硬拉。
- 成片比例、分辨率和帧率符合本文件的通用配置；时长和数量符合用户当前要求或本次任务设置。
- 成片时长和参考或本次目标时长的偏差应在可接受范围内，明显偏差要说明。
- 字幕必须在所属片段内，按语义断句，不机械凑字数。
- 如本次任务设置字幕字数上限，应把它当作上限，不是目标；避免 1-2 个字的孤立字幕。
- 字幕不遮挡产品主体、关键动作或重要信息。
- 如果使用配音，以真实成品配音时长为画面和字幕依据。
- 配音要检查开头、中间边界、最长停顿、最紧字幕边界和结尾。
- 如生成剪映草稿，必须是新建可编辑草稿，不能覆盖原生或加密缓存。
- 剪映草稿的内容 ID、元数据 ID 和根索引 ID 必须一致，批量草稿 ID 不能重复。
- 剪映草稿的素材路径必须存在，媒体源范围不能超过真实时长。
```
## 相关链接
- [xilo](https://x.com/xilo2991)
- [@xilo2991](https://x.com/xilo2991)
- [1.4M](https://x.com/xilo2991/status/2073752063591473242/analytics)
- [Jun 25](https://x.com/xilo2991/status/2070051136187621452)
- [1.1M](https://x.com/xilo2991/status/2070051136187621452/analytics)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [8:53 PM · Jul 5, 2026](https://x.com/xilo2991/status/2073752063591473242)
- [1.4M Views](https://x.com/xilo2991/status/2073752063591473242/analytics)
- [View quotes](https://x.com/xilo2991/status/2073752063591473242/quotes)
---
*导出时间: 2026/7/8 11:04:25*