零剪辑基础也能出大片？Codex做视频实战：一段提示词，从脚本到成片全自动

第一章 Codex 做视频是什么

很多人听到”Codex 做视频”第一反应是：那不是写代码的工具吗？没错，但 2025 年 OpenAI 重新发布的 Codex 早已不是 2021 年那个辅助补全代码的老工具。它是一个自主运行的 AI 编程 Agent，底层跑的是专门针对软件工程任务强化训练的 codex-1 模型。而”做视频”这件事，正是通过 Skills 机制——给 Codex 配上视频剪辑的操作手册——让它自动完成脚本、分镜、素材生成、剪辑和包装的全流程。

简单来说：你说一句话，Codex 帮你出片。你不需要打开 Premiere，不需要手动调字幕，不需要一个镜头一个镜头地生成再拼接。Codex + Skills 的组合，正在把视频生产从”专业技能”变成”自然语言指令”。

这个趋势的背景是：视频生产的权力结构正在改变。过去，一个能交付完整视频的团队需要编导、剪辑、调色、字幕、动效五个角色。现在，一个懂得配置 Codex Skills 的人，可以撑起全流程。对于内容创作者、自媒体博主、短视频创业者来说，这是降低门槛的最好时机。

第二章 Codex 做视频与传统 AI 视频工具的区别

市面上已经有即梦、可灵、Runway、Sora 等 AI 视频生成工具，为什么还需要 Codex？核心区别在于”生产单元”的不同。

一句话总结：传统 AI 视频工具是”生成器”，Codex 是”制作人”。前者负责把文字或图片变成短视频片段，后者负责编排整个生产流程——它可以调用可灵、Runway、Veo 等模型生成素材，再自动完成剪辑、配音、字幕、合成，输出完整的 60-90 秒成品视频。两者是工具和工作流的关系，不是竞争关系。

第三章 环境准备

在开始用 Codex 做视频之前，需要准备好以下环境。整个过程大约 15-20 分钟。

3.1 Node.js 22+（必须）

Codex CLI 依赖 Node.js 22 及以上版本。很多人第一步就卡在这里——装了 Codex 却运行不了，根源就是 Node.js 版本太低。

# 检查 Node.js 版本
node --version
# 如果输出 v22.x.x 或更高，则符合要求

# macOS 安装
brew install node@22

# Windows 安装
# 前往 nodejs.org 下载 LTS 版本安装包

# Linux 安装
curl -fsSL https://deb.nodesource.com/setup_22.x | sudo -E bash -
sudo apt-get install -y nodejs

3.2 FFmpeg（必须）

FFmpeg 是视频处理的核心工具，渲染视频依赖它做最终合成。没装会卡在最后一步。

# macOS
brew install ffmpeg

# Ubuntu / Debian
sudo apt install ffmpeg

# Windows
winget install Gyan.FFmpeg
# 或前往 ffmpeg.org/download.html 下载

3.3 OpenAI API Key

前往 platform.openai.com 生成你的 API Key，然后在终端里安全写入环境变量：

# macOS / Linux
export OPENAI_API_KEY="sk-your-key-here"

# Windows (PowerShell)
$env:OPENAI_API_KEY="sk-your-key-here"

# Windows (永久设置)
# 系统属性 → 环境变量 → 新建

如果你没有 ChatGPT Plus 订阅，也可以免费接入国产模型。魔搭社区（ModelScope）每天提供 2000 次免费 API 调用，支持 GLM-4.6 等模型。在 Codex 配置文件 ~/.codex/config.toml 中配置：

model = "ZhipuAI/GLM-4.6"
model_provider = "modelscope"

[model_providers.modelscope]
name = "Modelscope"
base_url = "https://api-inference.modelscope.cn/v1"
env_key = "MODELSCOPE_API_KEY"

3.4 Git（推荐）

强烈建议在 Git 分支上跑 Codex，把 Codex 的工作放在专门的 feature branch，不要直接在 main 分支上操作。这样可以随时回滚不当修改。

第四章 Codex CLI 安装与初始化

环境准备好后，安装 Codex 只需要一条命令：

# 全局安装 Codex CLI
npm install -g @openai/codex

# 验证安装
codex --version

你可以通过三种方式使用 Codex：ChatGPT 网页端、Codex CLI（命令行 Agent）、Codex 桌面 App。对于做视频来说，CLI 版本功能最完整。

4.1 启动 Codex

# 进入你的项目目录
cd /your/video-project

# 启动 Codex
codex

启动后你会看到一个交互式终端界面（TUI）。直接用中文或英文输入你想做的事，Codex 会提出方案，等你审批之后执行。

4.2 模型选择

使用 /model 命令切换模型。有两类可选：GPT-5 是通用模型，知识面广；GPT-5-Codex 是编程专用模型，为编程和任务处理做了优化。每个模型还有三个推理深度档位：low 响应最快但推理较弱，high 推理最好但速度最慢，medium 是平衡选择，日常推荐。

4.3 权限模式

使用 /approvals 命令调整运行权限：

• Suggest（只读模式）：所有修改操作都需要人工审核，最安全
• Auto Edit（自动模式）：文件读写自动完成，仅敏感操作需审核
• Full Access（全自动模式）：无需审核，自动执行命令和修改文件，适合在隔离分支使用

4.4 常用命令速查

• /init — 让 Codex 通读当前文件夹，生成 AGENTS.md
• /compact — 压缩对话上下文，降低 Token 消耗
• /new — 新开对话，清除历史记录
• /skills — 列出所有已安装的 Skills
• /mcp — 列出所有已安装的 MCP 工具
• $skill_name — 直接指定使用某个 Skill

第五章 AGENTS.md：让 Codex 理解你的视频项目

AGENTS.md 是 Codex 工作流中的核心文件。它相当于给 Codex 写一份”项目说明书”——告诉它这个项目的代码规范、测试要求、不能碰哪些文件。Codex 每次执行任务都会先读这个文件，这是让 Codex 稳定输出的核心机制。

很多人发现 Codex 生成质量不稳定，根源就是没有写 AGENTS.md。一个好的 AGENTS.md 应该包含以下内容：

# AGENTS.md - 视频项目说明

## 项目概述
这是一个使用 Codex + Skills 进行视频生产的自动化项目。

## 技术栈
- 视频渲染: HyperFrames (HTML/CSS/JS → MP4)
- 后期处理: FFmpeg
- AI 素材生成: 即梦 Seedance 2.0 / Runway Gen-4
- TTS 语音: Piper TTS (本地) / OpenAI TTS

## 代码规范
- 所有视频场景文件放在 scenes/ 目录
- 输出文件放在 output/ 目录
- 每个场景文件使用 HTML 格式，分辨率 1920×1080
- 文件命名: scene-01.html, scene-02.html ...

## 注意事项
- 不要修改 output/ 目录下的已生成文件
- 每次 FFmpeg 合成后运行 ffprobe 验证输出
- 字幕文件必须使用 UTF-8 编码
- 视频时长超过 60 秒时需要分段渲染再拼接

AGENTS.md 越具体越好。你可以把团队的风格偏好、常用的提示词模板、踩过的坑都写进去。Codex 会把这些信息作为上下文，在后续所有对话中遵循。

第六章 六大视频 Skills 逐一拆解

Codex Skills 的本质是一个 SKILL.md 文件，里面写满了针对某个特定任务的操作规范、工具用法、踩坑提示。你把它放到 ~/.agents/skills/ 目录里，Codex 执行相关任务时就会自动读取并遵守。以下是目前最常用的六个视频 Skills：

6.1 HyperFrames：推文一键生成动效视频

HyperFrames 是 HeyGen 在 2026 年 4 月开源的 HTML 视频渲染框架，Apache 2.0 协议，没有渲染配额限制。它做了一件反直觉的事：把视频帧变成网页。你用 HTML、CSS、JavaScript 写场景，HyperFrames 用浏览器引擎 + FFmpeg 把它渲染成 MP4。

这对 Codex 特别重要——LLM 在训练数据里看过海量 HTML，写 HTML 对它来说远比写 React+Remotion 更自然、更准确。

# 克隆 HyperFrames
git clone https://github.com/HeyGen-Official/HyperFrames.git
cd HyperFrames && npm install

# 在 Codex 里直接提需求
codex
> 帮我用 HyperFrames 制作一个30秒产品介绍视频，
> 主色调蓝白，带文字动画和产品截图入场效果

# 渲染成片
npx hyperframes render videos/product-intro

6.2 video-use：让 Codex 自动剪真人素材

由 browser-use 出品，解决真人录制视频的后期问题。你把原始素材扔到一个文件夹里，告诉 Codex 你想要什么效果，最后得到 final.mp4。它能做的事包括：自动删除停顿词（嗯、啊、口误）、自动字幕（2 词大写块，风格可定制）、自动调色（暖色电影感或中性对比）、每个剪辑点 30ms 淡入淡出防止爆音。

核心逻辑值得学习：它先分析语音转录稿，找出静音间隔和发言边界来决定剪切点——transcript 是表面，音频是主导，画面跟着走。

6.3 Remotion Skills：用 React 批量制作模板视频

Remotion 是用 React 写视频的框架，已有 39K+ GitHub Stars，每月 90 万次安装。它的核心优势是把视频生产接入软件工程工作流：代码即视频，版本可控，可测试，可批量渲染。Remotion 专门出了 29 个 Agent Skills 规则文件，覆盖 3D 动画、音频处理、字幕、图表、过渡效果等场景。

适合场景：数据视频（把 CSV/JSON 数据渲染成动态图表视频）、固定栏目（周报、产品更新的模板化视频）、批量个性化内容。

6.4 Generative Media Skills：调用 AI 模型生成素材

如果前三个 Skills 处理的是”怎么把素材变成视频”，Generative Media Skills 解决的是”怎么生成素材”。它封装了调用主流 AI 生成模型的操作规范——文生图、文生视频、文生音频——以及如何把生成结果无缝接入视频渲染流水线。

6.5 videocut-skills：中文创作者专用剪辑 Skill

专门为中文内容生态设计的视频剪辑 Skill，覆盖三个场景：中文字幕处理（适配普通话、粤语等多种发音风格）、竖屏短视频（适配抖音、视频号比例和节奏）、口播内容的精剪逻辑。英文 Skill 对中文语境的处理往往不够准确——停顿识别误判、字幕断句不符合中文阅读习惯，这个 Skill 在这些点上做了针对性优化。

6.6 seedance2-skill：为即梦 Seedance 写专业提示词

即梦的 Seedance 2.0 是字节跳动的多模态 AI 视频生成模型，支持文字、图片、视频、音频多种输入。但大多数人不知道怎么写出高质量的生成 Prompt。seedance2-skill 把 Seedance 的镜头语言、运镜规范、参考素材引用方式、逐秒分镜格式——全部写进 SKILL.md 里。你只需要告诉 Codex 你想拍什么场景，Skill 让 Codex 自动输出符合 Seedance 要求的专业 Prompt。

第七章 第一个视频：15 分钟从文字到 MP4

让我们用一个完整案例来走通全流程。目标：制作一个 30 秒的产品介绍视频，主色调蓝白，带文字动画和产品截图入场效果。

7.1 创建项目结构

mkdir my-first-video && cd my-first-video
git init

# 创建 AGENTS.md
cat > AGENTS.md << 'EOF'
# 项目说明
使用 HyperFrames 制作产品介绍视频
- 场景文件放在 scenes/ 目录
- 输出文件放在 output/ 目录
- 分辨率 1920×1080，30fps
- 主色调：#0066CC（蓝）和 #FFFFFF（白）
EOF

mkdir scenes output

7.2 安装 HyperFrames

git clone https://github.com/HeyGen-Official/HyperFrames.git
cd HyperFrames && npm install && cd ..

7.3 向 Codex 描述需求

codex
> 帮我用 HyperFrames 制作一个30秒产品介绍视频。
> 产品名称：AI助手Pro
> 主色调蓝白，带文字动画和产品截图入场效果。
> 视频结构：
> 1. 0-5秒：品牌Logo入场动画
> 2. 5-15秒：三个核心功能展示，每个3秒
> 3. 15-25秒：用户评价滚动展示
> 4. 25-30秒：CTA行动号召画面
> 请生成所有场景的HTML文件并渲染。

7.4 Codex 执行流程

Codex 收到指令后，会自动执行以下步骤：

• 读取 AGENTS.md 了解项目规范
• 加载 HyperFrames Skill 了解渲染流程
• 生成 4 个 HTML 场景文件（scene-01 到 scene-04）
• 每个场景包含 CSS 动画、文字过渡、产品截图布局
• 调用 npx hyperframes render 逐帧渲染
• 使用 FFmpeg 拼接 4 个场景为最终 MP4
• 运行 ffprobe 验证输出文件

整个过程约 5-15 分钟（取决于视频复杂度和机器性能），完成后输出文件在 output/product-intro.mp4。

第八章 提示词技巧：如何向 Codex 描述视频需求

向 Codex 描述视频需求时，结构化的提示词能大幅提高成片质量。以下是经过验证的提示词框架：

8.1 视频描述万能公式

[视频类型] + [时长] + [目标受众] + [视觉风格] + [内容结构] + [技术参数]

8.2 实例对比

差的提示词：

帮我做一个产品视频

好的提示词：

帮我制作一个 45 秒的动画解说视频，主题是"为什么天空是蓝色的"，
目标受众是初中生。使用 Animated Explainer 流水线，
配中文旁白，风格清晰易懂。视频结构：
1. 开场提问（5秒）
2. 光的散射原理动画演示（20秒）
3. 实验模拟（15秒）
4. 总结回顾（5秒）
分辨率 1920×1080，30fps，输出 MP4。

8.3 分镜描述技巧

当需要 Codex 调用 AI 生成视频素材时（如即梦 Seedance），分镜描述要遵循"场景 + 动作 + 镜头"公式：

# 分镜描述示例
镜头1（0-3秒）：
  场景：教室全景，阳光从窗外照入
  动作：一只猫跳上了书桌
  镜头：中景，固定机位

镜头2（3-6秒）：
  场景：书桌近景，书本和笔筒
  动作：猫好奇地嗅了嗅笔筒
  镜头：特写，缓慢推进

关键原则：每个镜头控制在 3-5 秒，镜头之间的动作要衔接，人物动作不要太快（否则生成视频会模糊），画面中有文字时背景尽量简单。

第九章 三种典型工作流实战

9.1 推文转视频

工具组合：HyperFrames

把文章或产品介绍文字发给 Codex，说明风格，Codex 生成 HTML 场景文件，HyperFrames 渲染成动效 MP4。适合内容创作者把图文内容快速视频化。

codex
> 把以下文章转成一个60秒的短视频：
> [粘贴文章内容]
> 风格：科技感，深色背景配霓虹色文字
> 使用 HyperFrames 渲染
> 自动提取3个关键观点作为分镜

9.2 真人口播精剪

工具组合：video-use + HyperFrames

video-use 负责粗剪（删停顿、加字幕、调色），HyperFrames 负责生成片头、转场动画、结尾 CTA 屏。适合知识博主、自媒体口播内容。

codex
> 帮我处理 raw/ 目录下的口播素材：
> 1. 使用 video-use 删除停顿和口误
> 2. 自动生成中文字幕，白字黑边，36px
> 3. 调色：暖色电影感
> 4. 使用 HyperFrames 生成3秒片头动画
> 5. 使用 HyperFrames 生成结尾CTA画面
> 6. 最终合成为一条完整视频

9.3 AI 短剧与广告

工具组合：seedance2-skill + 即梦 + video-use

先用 seedance2-skill 让 Codex 写分镜 Prompt，即梦生成 AI 视频素材，video-use 把素材剪辑合成。适合 AI 短片导演、广告创作者。

codex
> 帮我制作一个15秒的AI短剧片段：
> 故事：一个女孩在雨中奔跑，寻找避雨的地方
> 1. 使用 seedance2-skill 为每个镜头生成专业Prompt
> 2. 每个镜头3-5秒，共4个镜头
> 3. 人物设定：20岁女孩，白色T恤，黑色长发
> 4. 风格：电影质感，青橙色调
> 5. 生成Prompt后，我会手动在即梦中生成素材
> 6. 素材生成后，使用 video-use 拼接合成

第十章 OpenMontage：端到端视频生产系统

如果说六个 Skills 是单点工具，OpenMontage 就是把它们整合成一个完整工厂。这是 Calesthio AI Labs 开源的全球首个 Agentic 视频生产系统，GitHub 地址 github.com/calesthio/OpenMontage，MIT 许可证。

它的核心思路：把 Claude Code、Cursor、Codex、Copilot 等 AI 编程助手直接当成视频制作的"编导"——你用自然语言描述需求，AI 自动完成调研、脚本、分镜、素材生成、配音、剪辑、合成的全流程。系统内置 12 条生产流水线、52 个制作工具、500+ Agent 技能，支持 14 家视频生成提供商。

10.1 三步安装

# 前置依赖检查
python3 --version  # 需要 3.10+
node --version     # 需要 18+
ffmpeg -version    # 视频处理核心

# 克隆并初始化
git clone https://github.com/calesthio/OpenMontage.git
cd OpenMontage
make setup  # 自动配置所有免费工具，约2-5分钟

10.2 零 API Key 也能出片

OpenMontage 采用"零 API Key 也能跑"的设计——所有提供商都是可选的，不填则自动降级到免费替代。不填任何 API Key 时，以下免费工具自动启用：Piper TTS（本地语音合成）、Pexels + Pixabay（免费图库）、Wikimedia + NASA + Archive.org（档案素材）、Remotion + HyperFrames（本地渲染）、FFmpeg（编码混音调色字幕）。

10.3 12 条流水线选型

10.4 使用示例

# 在 AI 编程助手中打开 OpenMontage 项目目录
cd OpenMontage
codex

# 直接用自然语言描述需求
> 帮我做一个45秒的动画解说视频，主题是"为什么天空是蓝色的"，
> 使用 Animated Explainer 流水线，配中文旁白，风格清晰易懂。

AI 会自动执行标准生产流程：research → proposal → script → scene_plan → assets → edit → compose。整个过程约 5-20 分钟，完成后输出 MP4 到 output/ 目录。

第十一章 成本分析与预算控制

用 Codex 做视频，成本主要来自三部分：AI 模型调用（生成素材）、TTS 语音合成、渲染计算。OpenMontage 有内置预算上限机制，防止 Agent 无限调用 API。

11.1 典型成本参考

11.2 预算控制配置

# .env 或项目配置文件中
budget:
  total_cap: 10.00        # 默认 $10 上限
  confirm_threshold: 0.50 # 单次操作超过 $0.50 需确认
  mode: cap               # cap=硬性停止 / warn=仅提醒 / observe=仅记录

11.3 省钱策略

• 优先使用免费图库：Pexels 和 Pixabay 的免费 Key 强烈建议申请，能大幅提升素材质量且完全免费
• 本地 GPU 生成：如果有显卡（12GB+ 显存），可使用 WAN 2.1、Hunyuan、CogVideo 等本地模型，零 API 成本
• 分镜先做静态图：在 Midjourney/DALL-E 上迭代静态图比直接生成视频便宜 10 倍，满意后再转成视频
• 批量生成分摊成本：一次任务生成多个视频变体，分摊 API 调用开销

第十二章 进阶：自定义 Skills 和风格手册

12.1 自定义视觉风格

在 styles/ 目录添加 YAML 风格文件，AI 会在生成时参考：

# styles/my-brand.yaml
name: "MyBrand"
color_palette:
  primary: "#FF6B35"
  secondary: "#004E89"
motion_style: "smooth, minimal"
typography:
  font: "Inter"
  weight: "600"
tone: "professional, warm"

使用时在提示词里说明："使用 my-brand 风格"，Codex 就会自动应用这些视觉规范。

12.2 添加自定义技能

在 skills/ 目录添加 Markdown 文件，扩展 AI 的领域知识：

# skills/chinese-short-video.md

## 中文短视频创作规范

- 前3秒必须出现核心信息（吸引留存）
- 字幕字号不小于36px，白字黑边
- BGM音量控制在旁白的30-40%
- 结尾必须有明确的行动号召
- 竖屏视频比例9:16，横屏16:9
- 每个镜头不超过5秒，保持节奏感

12.3 Skill 安装路径

Codex Skills 存放在 ~/.agents/skills/ 目录下，每个 Skill 一个子目录。注意：这跟 Claude Code 的 ~/.claude/skills/ 不同——放错路径 Codex 就看不到。使用 /skills 命令可以列出所有已安装的 Skills，用 $ 加 Skill 名可以直接指定使用。

第十三章 十大避坑指南

• Node.js 版本必须 22+：很多人第一步就卡在这里，装了 Codex 却运行不了。用 node --version 验证。
• 必须安装 FFmpeg：渲染视频依赖 FFmpeg 做最终合成，没装会卡在最后一步且报错信息不直观。
• 先在 Git 分支上跑 Codex：把 Codex 的工作放在专门的 feature branch，不要直接在 main 分支操作，方便回滚。
• AGENTS.md 越具体越好：Codex 生成质量不稳定的根源往往是没有写好 AGENTS.md。把项目规范、风格偏好、踩过的坑都写进去。
• 不要只让 Codex 做修改，让它同时跑验证：每次任务结束，提示它运行 ffprobe 验证、字幕对齐检查等，及早发现问题。
• 镜头内人物动作不能太快：使用 Seedance 等 AI 视频生成时，转身、走路等快速动作会导致画面模糊。
• 画面中有文字时背景尽量简单：否则 AI 生成的视频会把文字"吃掉"，看不清。
• 分镜之间留过渡余量：每个镜头开头和结尾留 1-2 帧余量，拼接时不容易丢动作。
• 尽量用同一工具完成同一条视频：不同工具的画风、质感、运动方式可能差很多，混用容易出现"风格割裂"。
• 预算上限一定要设：不设上限的话，Agent 可能无限调用付费 API，账单失控。

第十四章 总结与下一步行动

Codex 做视频的核心价值不在于替代某个单一工具，而在于把分散的视频生产环节——脚本、分镜、素材生成、配音、剪辑、合成——整合成一条可以用自然语言驱动的流水线。你不需要成为全栈工程师，只需要学会一件事：用语言描述你想要的结果，然后让工具帮你翻译成执行。

入门路径建议

• 第 1 天：安装 Node.js 22+、FFmpeg、Codex CLI，配置 API Key
• 第 2 天：用 HyperFrames 做出第一个 30 秒视频，感受全流程
• 第 3 天：安装 OpenMontage，用 Animated Explainer 流水线做一个科普视频
• 第 5 天：尝试 video-use 处理真人素材，体验自动剪辑
• 第 7 天：组合 seedance2-skill + 即梦，制作第一条 AI 短剧片段

适用人群

• 想要批量产出营销视频的自媒体创作者
• 需要高效制作宣传短片的品牌营销人员
• 想要降低剪辑人工成本的短视频工作室
• 探索 AI 视频创作可能性的内容创作者
• 有一定技术基础、愿意配置环境的进阶玩家

Codex + Skills 的组合，正在把视频生产从"专业技能"变成"自然语言指令"。对于内容创作者来说，门槛降低的窗口期不会永远敞开——现在就是入场的最好时机。不需要成为全栈工程师，只需要学会用语言描述你想要的结果，剩下的交给 Codex。