别再研究一堆 AI 工具了：我用 Codex 做完一条图书号视频后，发现关键其实是流程

✍ Kimberly🕐 2026-07-15📦 23.1 KB 🟢 已读 𝕏 文章列表

作者分享使用 Codex 制作《悉达多》图书号视频的经验，指出核心在于流程而非工具。文章详细拆解了从找参考、拆解声音节奏、定稿旁白、生成音频到画面合成与字幕对齐的完整工作流，并对比了不同声音生成路线，强调先定旁白后做画面、字幕需按最终音频对齐等关键原则。

AI视频工作流图书号短剧制作 Agent Skill 短视频 HyperFrames

# 别再研究一堆 AI 工具了：我用 Codex 做完一条图书号视频后，发现关键其实是流程 **作者**: Kimberly **日期**: 2026-07-12T02:33:00.000Z **来源**: [https://x.com/king1818888/status/2076998958254288930](https://x.com/king1818888/status/2076998958254288930) --- ![Image](/doc/3008/image/img_2876ef643373.jpg) 很多人一听到「AI 做短视频」，第一反应往往是：要剪辑、要写代码、要调音，还要同时掌握一堆复杂工具。我这次真正跑完一遍之后，发现门槛没有想象中那么高。真正拉开差距的地方，是能不能把一条视频拆成清楚的制作流程。 > **Kimberly@king1818888**: [原文链接](https://x.com/king1818888/status/2076132688268841214) > > 5.6sol 做读书视频第一版 > 5.6真的好用，除了比较费token > @369Serena 我来交视频作业了 > > ![Embedded video](/doc/3008/image/img_f104f0052612.jpg) 只要流程顺了，很多事情都可以交给 AI 做。人真正需要参与的地方其实不多，主要就是做几个关键判断： 1. 参考视频要模仿什么？ 2. 旁白文案能不能打动人？ 3. 声音是不是对味？ 4. 字幕和语音有没有对齐？ 5. 成片是否像一个真实账号会发的东西？这篇文章我就用我这次做《悉达多》图书号视频的过程，整理一套小白也能照着走的工作流。你不一定要会代码。你可以用剪映、手机录音、ElevenLabs、GPT-SoVITS，也可以让 Codex 这种 Agent 帮你自动处理画面、配音、字幕和合成。工具可以换，但流程最好别乱。 # 1. 开始前：需要准备哪些工具？先把工具讲清楚。这套流程需要把不同工具串成一条生产线。你可以按自己的阶段选择： - 小白先用最低配置跑通一条 - 熟练后再加 Codex、Skills、HyperFrames、声音克隆这些自动化工具 - 真正批量做账号时，再把固定流程沉淀成模板 ## 最低配置：今天就能开始如果你只是想先做出第一条图书号视频，最低只需要这些： 1. 一条参考视频用来拆风格、声音、字幕和节奏。视频号、抖音、小红书都可以，拿不到原文件就录屏。 1. 一个 AI 对话工具用来写旁白、拆参考视频、整理分镜和提示词。Codex、ChatGPT、Claude 都可以。 1. 一个配音方案可以用 ElevenLabs，也可以自己手机录音。先别卡在声音工具上，能出清楚的人声最重要。 1. 一个画图工具用来生成 3-4 张统一风格的无字背景图。 1. 一个剪辑工具剪映、必剪、CapCut 都可以。导入音频、图片、字幕，最后导出竖屏视频。这套最低配置不需要写代码。你只要能复制文案、导入素材、调整字幕，就能做出第一条。 ## 进阶配置：让 Codex 帮你跑流程如果你想像我这次一样，把很多重复动作交给 AI 自动处理，就可以用 Codex。在这个流程里，Codex 更像一个「视频制作 Agent」。它可以协助完成一整条链路： - 分析参考视频 - 抽取参考音频 - 判断语速、字幕节奏和画面风格 - 根据书籍主题写旁白 - 生成或整理背景图提示词 - 处理音频速度、响度、降噪和压缩 - 根据最终音频重新对齐字幕 - 合成竖屏视频 - 抽帧检查字幕和画面 - 根据反馈返工我这次做《悉达多》视频，最有价值的地方就在这里：让 Codex 像一个执行导演一样，把文案、声音、字幕、画面、合成、验片串起来。 ## Skill 框架：把经验变成可复用流程如果你后面想长期做图书号，我建议一定要理解 Skill 框架。简单说，Skill 就是一套写给 Agent 的固定工作说明。你可以把某一类任务的流程、规则、审美要求、避坑点，写成一个 Skill。下次再做同类视频时，Codex 就不用从零理解你的偏好。比如图书号视频就很适合做成 Skill： - 先拆参考视频，不直接生成 - 旁白先定稿，画面后做 - 字幕必须根据最终音频对齐 - 图片不能有文字、水印和 AI 乱码 - 声音优先慢速、沉稳、有故事感 - 每次导出前必须做预览检查这就是 Skill 的价值。它的核心价值，是把你的经验沉淀成一份「可重复调用的制作规范」。等你做完 3-5 条图书号视频，就可以把这套流程固定成自己的图书号 Skill。以后换一本书，本质上只是换文案、换声音、换画面素材，而不是重新摸索一遍。 ## 我这次实际用到的工具组合这次《悉达多》视频，我的实际工具链大概是： ![Image](/doc/3008/image/img_e46a877853eb.jpg) 如果你是小白，不需要一开始就全上。可以这样分阶段： 1. 第一条：AI 写文案 + 手机录音 / ElevenLabs + 剪映 2. 第三条：加入 Codex，让它帮你拆参考视频和写分镜 3. 第五条：引入 Skill，把图书号流程固定下来 4. 第十条：用 HyperFrames 承接画面、字幕、预览和批量合成先出片，再自动化。这是普通人做 AI 自媒体最稳的路线。 # 2. 先说结果：我们到底要做什么视频？我这次做的是一条竖屏图书介绍视频。主题是黑塞的《悉达多》。视频方向不是「讲完这本书」，而是做一种偏沉浸、偏文学感、偏情绪价值的图书号内容。它的核心感觉是： - 画面克制，有文学感 - 旁白偏慢，不急着讲道理 - 声音要低一点、稳一点、有故事感 - 字幕要跟语音严丝合缝 - 整体像一个成熟图书号，而不是 PPT 式讲书我用的旁白大概是这一类： > 每次重读黑塞的《悉达多》，都会陷入久久沉默。 > 有时候忍不住感慨，这大概是我这辈子，都难以抵达的文学高度。 > 悉达多出身高贵的婆罗门，一生都在追寻自我…… 这类视频的重点不是信息密度，而是氛围和情绪。所以它不是知识科普号的节奏，也不是口播带货的节奏。它更像一个人慢慢讲一段读书后的感受。这决定了后面所有制作选择：声音要慢，画面要安静，字幕不能乱飞，BGM 不能抢人声。 # 3. 第一步：先找参考视频，不要急着生成我一开始没有直接让 AI 生成《悉达多》视频，而是先给它一个参考视频。这一步非常重要。因为你只跟 AI 说「做得高级一点」「做得像抖音爆款一点」，它很难理解你的审美。每个人理解的高级感都不一样。但你给它一个参考视频，事情就具体了。参考视频可以让 AI 分析： - 画面比例 - 视频时长 - 字幕位置 - 字幕大小 - 字幕出现节奏 - 旁白语速 - 停顿方式 - 声音质感 - 镜头推进感 - 背景图风格 - 整体情绪我这次就是先把微信视频号里的参考内容录屏下来，然后把录屏文件交给 Codex 分析。为什么是录屏？因为很多平台的视频不方便直接下载。对小白来说，录屏反而是最稳的办法。只要你能拿到参考视频，就可以开始拆。这里要注意：参考视频不是让你去搬运别人的内容，而是学习它的结构和风格。文案、画面、书籍主题、最终成片都要重新做。 # 4. 第二步：拆参考视频，重点拆声音和节奏很多人拆视频只看画面，但我这次发现，真正决定视频像不像的，其实是声音。同样一段文案，如果声音太快、太亮、太机械，就会立刻变成「AI 味」。而图书号这种内容，声音尤其重要。我让 Codex 重点拆了参考视频的几个部分： - 旁白是男声还是女声 - 音色偏低沉还是明亮 - 语速是快还是慢 - 句子之间有没有自然停顿 - 有没有轻微压缩、降噪、均衡处理 - 字幕是按句出现，还是按语义块出现 - 画面切换是不是跟旁白段落一致这一步拆完之后，后面就不是凭感觉做了，而是有一个明确目标：我要做的《悉达多》视频，也要是慢一点、沉一点、自然停顿明显、偏故事感的声音。这也是我后面返工的核心原因。第一版出来之后，我发现音色不对，语速也太快。字幕虽然有了，但文字跑在声音前面，看起来就会很出戏。所以我重新调整了声音和字幕同步。 # 5. 第三步：先定旁白，不要先做画面做图书号视频，最容易犯的错是先做画面。但真正应该先定的是旁白。因为这类视频是声音驱动的，画面只是承托情绪。我这次给《悉达多》写的旁白，不是从「介绍作者」开始，也不是从「这本书讲了什么」开始，而是先抓一种读完书后的感受： > 每次重读黑塞的《悉达多》，都会陷入久久沉默。这个开头的好处是，它不是硬讲知识，而是先给观众一个情绪入口。然后再进入人物经历： - 悉达多出身婆罗门 - 他追随沙门苦修 - 他拜见佛陀 - 他进入世俗生活 - 他沉迷金钱、情欲、赌博 - 最后来到河边听见流水 - 最终领悟每个人都只能走自己的路这类文案有一个关键：不要试图在几十秒里讲完整本书。你只要讲清楚一个核心感受就够了：《悉达多》不是教你立刻得到答案，而是告诉你，真正的领悟只能自己走过一遍。如果要让 AI 帮你写，可以这样提示： ``` 我要做一条图书号短视频，书名是《悉达多》。请先不要做视频，只写旁白。要求： 1. 中文，适合竖屏图书号 2. 语气克制、文学感、不要鸡汤 3. 不要写成书评腔 4. 不要频繁使用“不是……而是……” 5. 先用一句读后感做钩子，再讲悉达多的人生路径，最后落到“每个人的路只能自己走” 6. 旁白适合慢速朗读，有自然停顿 ``` 文案定下来之后，再进入声音。 # 6. 第四步：声音是成败关键，建议准备三条路线这次制作里，我最明显的感受是：声音一旦不对，画面再好也不像。所以我建议把声音方案拆成三条路线。 ## 路线 A：ElevenLabs，最快出片如果你今天就想跑通第一条视频，ElevenLabs 是最快的。你只需要： 1. 选一个适合中文的音色 2. 把旁白粘进去 3. 设置偏慢的语速 4. 生成整段音频 5. 下载 wav 或 mp3 适合图书号的声音，不要太播音腔，也不要太情绪化。我会优先找这类关键词： - calm - deep - warm - narrative - documentary - soft - mature 中文可以理解为：沉稳、温和、低一点、有叙事感。不要选那种太激昂、太广告、太像课程宣传片的音色。可以给 AI 这样说： ``` 我准备在 ElevenLabs 里生成《悉达多》图书号旁白。请帮我写一段 voice direction。要求： 1. 语速偏慢 2. 声音低沉、自然、有故事感 3. 不要播音腔 4. 句子之间有自然停顿 5. 适合文学类短视频 ``` ElevenLabs 的优点是快，缺点是中文音色不一定每个都稳定。你要多试几个。 ## 路线 B：GPT-SoVITS，自己做声音如果你想长期做账号，或者想拥有更固定的账号声音，可以研究 GPT-SoVITS。它是一个开源的声音克隆项目，地址是： https://github.com/RVC-Boss/GPT-SoVITS 小白可以先这样理解：你准备一段干净的人声样本，然后让模型用这个声音去朗读你的新文案。它适合两类人： - 想用自己的声音，但不想每次都录完整旁白 - 想做一个长期稳定的账号音色准备参考音频时，最好做到： - 没有背景音乐 - 没有环境噪音 - 人声清楚 - 不要多人说话 - 语气和你想要的视频风格接近如果是图书号，就录一段慢一点、稳一点、像讲故事一样的声音。不过这里有一个边界一定要注意：声音克隆只建议用于你自己有权使用的声音。不要拿别人的声音去做商用发布，更不要克隆明星、博主或普通人的声音来冒充本人。我这次在制作时，就是围绕参考视频的音色、语速和停顿去做相似风格调整，但真正长期做账号，最好还是建立自己的声音资产。 ## 路线 C：手机自录，最稳的兜底方案如果你不想折腾工具，手机自录完全可以。很多新手会误以为：声音一定要 AI 生成才高级。其实不是。图书号最重要的是清楚、自然、可信。手机自录只要注意几点： 1. 找一个安静房间 2. 手机离嘴 15 到 25 厘米 3. 不要贴太近，避免喷麦 4. 语速放慢 5. 每句话之间留一点停顿 6. 读错就停一下，从上一句重新念录完之后丢给 Codex 或剪映处理： - 降噪 - 压缩 - 音量标准化 - 去掉明显空白 - 加轻微混响或 EQ 这条路线最笨，但也最稳。而且用自己的声音，长期看更容易形成账号辨识度。 # 7. 第五步：声音生成之后，一定要先验，不要急着合成我这次踩的坑就是：第一版声音出来之后，感觉不够像参考视频。主要问题有两个： 1. 音色不够接近参考视频 2. 语速偏快，字幕显得比语音跑得更快这类问题不能靠画面补救。所以我重新做了两件事： - 把声音整体放慢 - 用最终声音重新做字幕对齐这里有一个很重要的原则：字幕必须根据最终音频来做，不要根据文案猜时间。如果你先按文案大概切字幕，后面又把语音变慢，字幕一定会错。正确顺序应该是： ``` 旁白定稿 ↓ 生成最终声音 ↓ 确认语速和音色 ↓ 用最终声音做转写 / 对齐 ↓ 生成字幕时间轴 ↓ 合成视频 ``` 这一步看起来麻烦，但它决定成片质感。字幕早 0.5 秒，观众都会觉得怪。 # 8. 第六步：画面不要抢戏，重点是统一气质《悉达多》这种书，不适合花里胡哨的画面。我这次给画面定的关键词是： - 河流 - 修行 - 东方气息 - 暗色背景 - 静默 - 时间感 - 轻微镜头推进 - 文学感最后用的是几类背景： - 河边行走 - 苦修与孤独 - 世俗沉沦 - 河边顿悟做图书号画面时，有一个硬规则：背景图不要带任何文字。尤其是 AI 生成图，很容易生成假字、乱码、奇怪标牌。图书号最怕这种，因为观众会立刻看出来是 AI 乱字。可以这样提示 AI 生成背景图： ``` 请为《悉达多》图书号短视频生成 4 张竖屏背景图。风格：安静、克制、文学感、东方气息、暗色调、电影感。画面方向： 1. 河边独行 2. 苦修与孤独 3. 世俗欲望与迷失 4. 河边顿悟硬性要求：不要任何文字、字母、水印、书名、标语。不要海报排版。不要夸张宗教符号。不要卡通。画面要适合叠加中文字幕。 ``` 然后再把背景图做成短视频背景，可以加很轻微的推近、移动、模糊、颗粒感。记住：这类视频画面不是主角，声音和文字才是主角。 # 9. 第七步：字幕要最后做，而且要按声音对齐这是我这次返工后最想强调的一点。字幕不是把文案复制上去就完了。尤其是图书号这种慢节奏旁白，字幕要跟着停顿走。我这次最后是用最终慢速语音做对齐，再生成字幕。实际做的时候，字幕可以按语义拆成短句，比如： - 每次重读黑塞的《悉达多》 - 都会陷入久久沉默 - 悉达多出身高贵的婆罗门 - 一生都在追寻自我 - 他追随沙门苦修 - 以为禁欲就能找到真理不要一屏塞太多字。字幕的作用是帮助观看，不是让人读 PPT。如果你用剪映，也可以这样做： 1. 导入最终旁白 2. 自动识别字幕 3. 人工改错字 4. 按语义断句 5. 调整字幕出现时间 6. 导出前完整看一遍一定要人工检查这些词： - 悉达多 - 黑塞 - 婆罗门 - 沙门 - 佛陀 - 禁欲 - 顿悟自动字幕很容易把这些词识别错。 # 10. 第八步：合成时，先预览，不要直接导出最终版成片合成可以用剪映，也可以走 HyperFrames。小白建议先用剪映跑通。如果想批量做，后面建议尽量走 HyperFrames。原因很简单：HyperFrames 用 HTML composition 来管理画面、字幕、时间轴和动画，预览和返工都更直观。FFmpeg 更适合做底层转码、压缩、抽帧检查，不太适合作为新手理解的主制作流程。还有一个实际体验：如果把声音处理过度依赖 FFmpeg 参数，很容易出现一点「电音感」或不自然的机械感。图书号尤其怕这个，因为观众主要是在听人声。所以更稳的路线是： ``` 声音：用 ElevenLabs / GPT-SoVITS / 手机自录先做好音频：只做轻度降噪、音量统一、必要降速画面和字幕：交给 HyperFrames 组织时间轴导出：最后再做必要转码 ``` 我这次的流程更偏自动化： - 准备旁白文本 - 生成声音 - 声音只做轻度处理，避免过度修出电音感 - 用最终声音生成字幕时间 - 生成背景图 - 在 HyperFrames 里组织背景、封面、叠字、字幕、音频 - 先 preview，看字幕和语音是否同步 - 输出竖屏 MP4 - 抽帧检查字幕和画面但逻辑跟剪映是一样的。剪映里的顺序就是： 1. 导入最终旁白 2. 导入背景图或背景视频 3. 让每段画面对应一段旁白 4. 加字幕 5. 加书名、作者、轻微装饰 6. 加低音量 BGM 7. 导出前预览这里有一个小经验： BGM 一定要小。图书号不是靠音乐炸场，而是靠旁白把人带进去。如果背景音乐抢人声，再好的文案都会被毁掉。 # 11. 第九步：返工检查，比一次生成更重要这次视频不是一次就完美的。中间至少返工过几个地方： - 声音不像参考视频 - 语速偏快 - 字幕比语音快 - 需要重新按最终音频对齐字幕 - 需要检查画面是否挡字幕 - 需要确认整体节奏是否偏急这其实很正常。 AI 做视频不是按一下按钮就结束，而是把每个环节拆开，然后一个个调。我建议每次出片都按这份清单检查： 1. 前 3 秒有没有让人停住？ 2. 旁白是不是自然？ 3. 声音是不是太快？ 4. 字幕有没有比声音快？ 5. 字幕有没有错字？ 6. 画面有没有 AI 乱字？ 7. BGM 有没有压过人声？ 8. 整体气质是否统一？ 9. 结尾有没有余味？ 10. 这条视频像不像一个真实账号会发的内容？如果其中一项很明显不对，就先别发。尤其是声音和字幕。短视频观众可能说不出哪里不对，但只要音画不同步，就会马上划走。 # 12. 一张图记住完整流程这次《悉达多》视频的完整流程，可以压缩成这条线： ``` 找参考视频 ↓ 拆声音、画面、字幕、节奏 ↓ 确定书和切口 ↓ 写旁白 ↓ 确认文案 ↓ 选择声音路线 - ElevenLabs - GPT-SoVITS - 手机自录 ↓ 生成最终旁白音频 ↓ 处理语速、音色、音量 ↓ 用最终音频做字幕对齐 ↓ 生成 3-4 张统一风格背景图 ↓ 合成竖屏视频 ↓ 抽帧 / 预览检查 ↓ 返工声音、字幕或画面 ↓ 导出最终 MP4 ``` 这套流程跑通之后，你就不是只会做一条《悉达多》。你可以继续做： - 《瓦尔登湖》 - 《月亮与六便士》 - 《局外人》 - 《百年孤独》 - 《活着》 - 《悉达多》系列第二条因为工作流已经固定了。以后换书，本质上只是换旁白、换金句、换背景图。 # 13. 小白最短路径：今天就能照着做如果你是第一次做，不要一上来就追求全自动。最短路径是： 1. 找一条你喜欢的图书号视频，录屏当参考 2. 让 AI 拆它的风格 3. 选一本书，比如《悉达多》 4. 让 AI 写 30-60 秒旁白 5. 自己审核文案，改到自然 6. 用 ElevenLabs 生成声音，或手机自录 7. 用 AI 生成 3-4 张无字背景图 8. 用剪映合成 9. 自动字幕后人工校对 10. 导出前完整看一遍这就够了。先做出第一条，比研究十个工具更重要。 # 14. 给 Codex 的完整提示词如果你想让 Codex 直接按这个流程帮你做，可以把下面这段发给它： ``` 我要做一条图书号竖屏短视频，参考视频我会上传。请按这个流程协助我： 1. 先分析参考视频： - 时长 - 画面风格 - 字幕位置 - 字幕节奏 - 旁白语速 - 声音质感 - 情绪氛围 2. 再基于书名写旁白： - 书名：《悉达多》 - 中文 - 克制、有文学感、自然口语 - 不要鸡汤 - 不要明显 AI 味 - 适合慢速朗读 3. 声音方案给我三条： - ElevenLabs：最快出片 - GPT-SoVITS：自己做声音 - 手机自录：兜底 4. 如果我提供参考声音： - 请分析参考声音的音色、语速、停顿 - 新旁白尽量靠近这种节奏 - 字幕必须用最终音频对齐 5. 生成画面： - 3-4 张竖屏背景图 - 风格统一 - 不要任何文字、水印、乱码 - 适合叠加字幕 6. 合成视频： - 竖屏 9:16 - 旁白驱动 - 字幕清晰 - BGM 不抢人声 - 先预览，再导出 7. 导出前检查： - 声音是否太快 - 字幕是否同步 - 画面是否遮挡字幕 - 是否有错字 - 整体是否像参考视频的节奏不要跳步。每一步完成后告诉我现在需要确认什么。 ``` # 15. 最后：AI 做视频，本质是把审美变成流程这次做《悉达多》给我最大的启发是： AI 不是替你拥有审美。 AI 是把你的审美拆成步骤，然后稳定执行。你喜欢什么样的声音，就拿参考视频让它拆。你喜欢什么样的文案，就不断告诉它哪里太 AI、哪里太快、哪里太满。你觉得字幕不对，就让它重新按最终音频对齐。你觉得语速太快，就让它降速再渲染。最后留下来的，不只是一条视频，而是一套以后可以复用的生产线。图书号尤其适合这样做。因为它的结构很稳定： ``` 一本书一个切口一段旁白一个声音几张画面一次合成 ``` 当你把这条链路跑通，后面就可以批量做。先做《悉达多》，再做第二本、第三本。真正的自由不是一次生成爆款，而是你终于有了一套可以反复启动的工作流。关于作者 Kimberly｜ @king1818888 Australia AI Engineer，每天用 AI 建系统、做内容，也是 X 创作者。 ## 相关链接 - [Kimberly](https://x.com/king1818888) - [@king1818888](https://x.com/king1818888) - [17K](https://x.com/king1818888/status/2076998958254288930/analytics) - [Jul 12](https://x.com/king1818888/status/2076132688268841214) - [@369Serena](https://x.com/369Serena) - [3.1K](https://x.com/king1818888/status/2076132688268841214/analytics) - [https://github.com/RVC-Boss/GPT-SoVITS](https://github.com/RVC-Boss/GPT-SoVITS) - [@king1818888](https://x.com/@king1818888) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [7:55 PM · Jul 14, 2026](https://x.com/king1818888/status/2076998958254288930) - [17.9K Views](https://x.com/king1818888/status/2076998958254288930/analytics) - [View quotes](https://x.com/king1818888/status/2076998958254288930/quotes) --- *导出时间: 2026/7/15 09:24:17*

🔗 相关文档