# Codex + Hyperframes + HeyGen +声音克隆：全部开源如何零基础开始自媒体变现
**作者**: 雪踏乌云
**日期**: 2026-07-26T10:39:52.000Z
**来源**: [https://x.com/Pluvio9yte/status/2081580929492131947](https://x.com/Pluvio9yte/status/2081580929492131947)
---
过去一个月，我总共仅用不到10小时，在抖音涨粉2k并接到了第一个商单变现。这篇文章开源所有用到的知识，下一篇文章开源我的所有skill。
> **雪踏乌云@Pluvio9yte**: [原文链接](https://x.com/Pluvio9yte/status/2081328645524668636)
>
> Codex做视频的工作流基本跑的差不多了。
> 目前还差一个中文断句+语句组织skill、
> 好一点的钩子skill(不同类型的视频需要不同类型的钩子)
> 总体上细节能够完善的地方还有不少，但是能够确定的是以后也不用自己费劲录自己的口播视频了，自己的数字人也能够P好看一点，减少出镜容貌焦虑。感谢AI大时代。
>
> 
核心就是 Codex + Hyperframes + HeyGen + Index TTS
我们先不讨论为什么不用remotion，为什么不用minimax tts，我只能告诉你我对比过至少10种方案，上面的就是最佳组合，我把能够抄作业的方案直接喂到你的嘴边。
## 1. Codex - 主控
Codex ,我把它当成视频制作端。Claude Code 负责创作侧（选题、洗稿、策划），Codex 负责生产侧（配音、渲染、字幕、质检、归档）。
为什么不全用 Claude Code 做？因为视频渲染是重 I/O 任务，经常需要长时间跑 FFmpeg、Node.js 渲染、ASR 调用。Codex Token便宜，调用组织迅速，量大管饱，而且内置了生图功能。
Claude Code 写完交接稿丢到待制作队列，Codex 取稿开工，做完归档，登记发布看板。我在中间只需要审一次稿。
我的Codex工作台
## 2. HyperFrames — 视频渲染框架
HyperFrames 是用 HTML + CSS + JS 写视频的框架。每一页就是一个 HTML 文件，用 data-* 属性标记时间轴，框架负责把它渲染成 MP4。
我选它有三个原因：
AI 能直接写。HTML/CSS 是所有大模型最熟悉的输出格式，Codex 写一页 HyperFrames 比写 After Effects 脚本或剪映模板靠谱得多。我的大部分视频就是两三轮提示词出来的。
改动成本低。改文案就改 HTML 里的文字，改样式就改 CSS，改动画就改 GSAP timeline。不用重新导出工程文件、不用重新对时间轴。
确定性渲染。同一份代码渲染出来的视频逐帧一致，没有「这次渲染和上次不一样」的问题。这对做质检和版本管理很重要——我可以用 SHA-256 校验成片有没有变。
Remotion（React 写视频）也在我的技术栈里，但 HyperFrames 上手更快，Codex 写 HTML 比写 React 组件更稳定。两个我都用，按项目选。
## 3. HeyGen — 数字人
HeyGen 解决的问题是：我不想每条视频都真人出镜。
我用自己的照片和视频训练了一个 Digital Twin（黑 T 坐姿形象），HeyGen 根据我上传的音频生成对口型的数字人视频。默认圆形裁切放在视频左下角，像一个小窗口在讲话。
我选 HeyGen 是因为三件事都满足了。
Digital Twin 效果够用。训练完的数字人嘴型同步、表情自然度能过审。Avatar III 引擎大约 1 美元/分钟，一条 2 分钟的短视频数字人成本 2 美元。需要更高质量可以切 Avatar V，大约 4 美元/分钟，但大部分视频 III 就够了。
减少出镜焦虑。我录实操教程会真人出镜，但日常短视频用数字人就行。省下来的时间和精力用来打磨内容。
CLI 可自动化。HeyGen 有命令行工具，可以写进 Skill 里自动调用。认证走 OAuth 用网页套餐额度，不额外扣 API 钱包。
## 4. IndexTTS2 — 本地声音克隆
所有视频的配音都跑 IndexTTS2，一个开源的本地 TTS 模型。
我录了一段自己说话的无损 WAV 作为声线参考（pluvio-indextts2-calm-v1），IndexTTS2 克隆这个声线来念稿。默认平静语气，FFmpeg atempo=1.12 提速到 1.12 倍保持音高。
我没用云端 TTS，原因很直接。
零成本。本地跑，不按字数或时长计费。一个月做几十条视频，配音成本是零。
声线一致。每次用同一个无损 WAV 参考，声音风格稳定。我的声线参考文件锁了 SHA-256，防止被意外覆盖导致声音漂移。
隐私。文稿不出本地机器。
MiniMax 我只在对外教程里用——教读者怎么接入 TTS 中转站。自己的视频成片从不走云端 TTS。
## 辅助技术栈
四个核心之外，还有几个关键的辅助选型。
## 总投入账单
过去一个月的硬成本：
- IndexTTS2：免费（本地开源模型）
- HeyGen Digital Twin：Creator 套餐月费49刀（含一定生成额度）
- 火山 ASR：¥0.40/小时，一个月总共花了不到 20 块
- Codex：OpenAI Pro 套餐
- Claude Code：Anthropic Max 套餐
大头是 Codex 和 Claude Code 的订阅费。如果你已经在为 AI 工具付费，增量成本很低——ASR 和生图加起来一个月不到 100 块。
HeyGen 是唯一按用量线性增长的开销。做得越多花得越多，但单条成本可控：2 分钟视频的数字人部分大约 2 美元（Avatar III），不用数字人就是零。
如果你想吃上这口饭，你需要满足两个前提：
1. 你有内容能力。AI 做的是生产环节——配音、渲染、字幕、封面。选题判断、内容质量、平台感觉，这些 AI 帮不了你。你得知道什么值得做、做出来的东西观众想不想看。当然这个也很简单，抄！。
2. 你愿意花时间调 Skill。这套系统不是装上就能用的 SaaS。每个 Skill 都是我根据自己的内容类型、平台策略和审美偏好一轮一轮调出来的。你拿去可以跑，但要做成你自己的风格，得改。
下一篇，开源所有 Skill 的源码和设计思路。目前已经开源了一部分了，地址见评论区。
同样，我和泊舟@bozhou_ai && Rachel @Zesee 也建立了一个AI自媒体自媒体交流群，入群门槛99。但这并不是要割韭菜，我的全部心得，我打磨了几十个小时的Skill，都开源了，大家随便用，核心技术和知识都免费的。
关于群聊，大家都知道：免费群其实是最贵的，各种各样的人、满天飞的广告，会非常牵扯注意力。所以付费是最容易能够筛选出一个基础的交流环境的方式了
如果你已经被知识付费割怕了、被割了太多遍，我能理解。但我不是来做你第 N 个付费群的。只是为了筛选出一个交流环境，我也不会保证交付什么，大家自由交流，互相学习，一起进步。
有意向的，直接加我助理的微信：Lhr-Rison ，备注 AI自媒体。(还希望开门见山，大家不要找他闲聊QAQ，他还是在读研究生，科研压力也山大)
## 相关链接
- [雪踏乌云](https://x.com/Pluvio9yte)
- [@Pluvio9yte](https://x.com/Pluvio9yte)
- [66K](https://x.com/Pluvio9yte/status/2081580929492131947/analytics)
- [Jul 26](https://x.com/Pluvio9yte/status/2081328645524668636)
- [21K](https://x.com/Pluvio9yte/status/2081328645524668636/analytics)
- [@bozhou_ai](https://x.com/@bozhou_ai)
- [@Zesee](https://x.com/@Zesee)
- [Upgrade to Premium](https://x.com/i/premium_sign_up)
- [11:22 AM · Jul 27, 2026](https://x.com/Pluvio9yte/status/2081580929492131947)
- [66K Views](https://x.com/Pluvio9yte/status/2081580929492131947/analytics)
- [View quotes](https://x.com/Pluvio9yte/status/2081580929492131947/quotes)
---
*导出时间: 2026/7/27 23:52:03*