以前做一条视频，脚本、配音、剪辑、字幕，每一步都要单独学习，光是入门就足以让人放弃。现在，这些工作可以直接交给 Codex。
你只需要给它一篇文章，或者一个明确的主题，再把对应的视频 Skills 交给它，Codex 就可以继续完成口播、声音、时间轴、分镜、字幕、动效和成片。你不需要先学会剪辑，也不需要看懂代码，只要能把自己想要的视频说清楚，就可以开始。
这篇文章就把整套流程从头跑一遍：先做一条不出镜的文章视频，再介绍真人口播的剪辑方法。第一次接触视频，也可以照着跑出自己的第一版。
整个流程可以简单理解为：
文章或主题 → 口播稿 → 配音 → 时间轴 → 分镜 → HyperFrames → 检查成片
先把视频 Skills 交给 Codex
Skill 可以理解成一份给 Codex 看的工作说明书。它告诉 Codex，遇到口播、配音、分镜或者剪辑任务时，应该调用什么工具、按照什么顺序完成，以及最后检查哪些问题。
安装时不需要自己研究一堆命令。直接把对应的 GitHub 仓库链接交给 Codex，让它先阅读项目说明，再完成安装和环境检查即可。
这套流程里，HyperFrames 已经提供了几种不同的分工：/faceless-explainer 负责把文章或主题整理成不出镜讲解，/hyperframes-creative 负责口播节奏和分镜，/media-use 管理图片、声音和字幕，/hyperframes-animation 负责画面变化。通常你只需要告诉 Codex“使用 /hyperframes 做这条视频”，它就可以继续选择需要的部分。
如果需要额外的视觉风格，也可以再加入其他 Skills。比如想做拼贴式知识视频，可以参考 HyperFrames Community Skills 里的 vox-explainer；想做手写或绘制出现的效果，可以使用 p5-paint-animation；想做产品介绍、界面演示和宣传片，可以参考 video-shotcraft。
这些都是扩展项，第一条视频不用全部安装。
新建一个文件夹，例如 codex-video，在 Codex 里打开它。把文章、图片以及后面生成的音频都放进去，再把 HyperFrames 的仓库交给 Codex，让它完成准备工作。接下来，你只需要一步一步确认结果。
第一步：把文章或主题变成口播稿
口播稿是整条视频的骨架。画面再漂亮，如果开头没有抓住人，后面的内容也很难被看完。
如果你只有一个主题，可以直接让 Codex 写。例如：
我要做一条 60 秒竖版视频，主题是“第一次用 Codex 做视频”。
观众只会使用 Codex，没有写过口播稿，也没有剪过视频。
开头先告诉他最终能做出什么，再讲清楚：生成口播、选择声音、用 HyperFrames 做画面、检查成片。
每句话尽量能直接念出来，不写书面化小标题，不堆概念。
结尾让他先用一个主题跑通第一条视频。
现在只交付口播稿，暂时不要做分镜和视频。
主题越具体，口播越容易写。与其说“做 AI 视频”，不如直接限定成“把一篇工具测评做成 60 秒竖版讲解”，这样 Codex 才知道哪些内容应该留下。
如果已经有文章，就把文章保存成 article.md，然后让 Codex 改成适合说出口的版本：
请读取 article.md，把它改成一条 90 秒口播稿。
保留文章的核心判断和最有用的案例，不要逐段缩写全文。
开头先说读者能得到什么，中间只保留三步方法，每一步都用能听懂的句子讲。
文章里的链接、脚注和排版符号不要读出来。
请把最后需要我核对的事实单独列出来。
先只生成 narration.md。
如果文章存在明显的翻译腔、机械排比或者过于书面的句子，可以把 humanizer-zh 交给 Codex，让它在不改变事实和个人判断的情况下进一步调整。
不过改完以后最好自己读一遍。很多文字看起来没有问题，但真正念出来时，嘴巴会告诉你哪里不自然。
如果你只有素材，还没有想好口播和画面，也可以直接从 HyperFrames 的 /faceless-explainer 开始，让它根据主题、文章或者笔记整理讲解方向、旁白和分镜。
无论选择哪种方式，口播最好遵循一个简单结构：
钩子 → 问题 → 方法 → 下一步
比如这篇教程的开头可以直接说：
“装好 Codex 不知道干什么？你可以先用它做一条视频。给它一篇文章，它能继续处理口播、声音、字幕和画面。今天先跑通最短的一条流程。”
第二步：确定最终声音
口播定稿以后，再决定由谁来念。
第一次做视频，普通 TTS 已经足够。你可以使用已有的文字转语音功能，也可以把开源的 edge-tts 交给 Codex，让它完成安装、选择中文声音并生成音频和字幕。
建议先生成十几秒测试音频，确认声音、语速和停顿，再生成全文。普通 TTS 的优势就是快，特别适合先验证内容和画面流程。
如果以后想长期使用自己的声音，可以考虑 CosyVoice。它可以根据一段参考录音生成具有相近说话人特征的新口播。
这里需要准备三个文件：
reference.wav：本人或已经获得授权的参考录音；reference.txt：参考录音实际说出的完整文字；narration.md：这次视频的新口播。
参考文本必须和录音完全对应。录音也尽量保持安静、清晰、自然，背景音乐、回声和很重的降噪都会影响效果。
安装 CosyVoice 时，直接把官方仓库交给 Codex：
请帮我安装 CosyVoice：
https://github.com/QwenAudio/CosyVoice
请先阅读官方 README，再检查当前电脑环境并完成安装。
安装好后只生成一条短测试音频，不要直接生成整篇口播。
安装完成后先听测试音频。正式生成时，也不要一次把整篇文章全部塞进去，而是按语义拆成几段，每段先试听，确认专有名词、英文和数字的读法，再合成最终音频。
如果暂时不需要复刻声音，可以直接跳过 CosyVoice。后面的 HyperFrames 只需要最终音频，不关心声音来自哪一种 TTS。
第三步：让画面跟着最终声音走
现在应该已经有两个核心文件：narration.md 和 final.wav。
从这一刻开始，final.wav 才是视频真正的时间尺。
先根据最终音频建立时间轴，再生成字幕。口播稿决定字幕写什么，音频转写决定字幕什么时候出现。
不要按照字数平均分配时间。同样是十个字，有的半秒就能说完，有的中间可能停两次，所以字幕、关键词和镜头都应该跟着真实声音走。
可以直接告诉 Codex：
请以 final.wav 为准建立时间轴。
用 narration.md 核对字幕文字，用音频转写结果取得每句话的真实开始和结束时间。
输出 captions.srt 和 timing.json。
如果口播稿与实际声音不一致，请列出差异，不要自行猜测。
这样做的好处是，后面即使修改画面，也不会因为重新估算时间而反复返工。
第四步：根据口播制作分镜
分镜其实不用学太多专业术语。把口播切成 4～8 段，每段只回答一个问题：
观众听到这句话的时候，画面上最应该看到什么？
文章里已经存在的截图、照片、图表或者角色卡，优先使用。先让观众看清整体，再放大正在讲的部分。没有素材的地方，可以用关键词、步骤卡、对比、时间线和简单信息图补充。
让 Codex 根据口播和时间轴生成分镜：
请根据 narration.md、timing.json 和 assets 文件夹制作分镜表。
每个镜头写清楚：
对应口播、开始时间、结束时间、主要画面、需要的素材、字幕位置。
原文已有图片必须安排实际展示；
缺少素材的地方先标记，不要用无关图片填满。
如果不知道动效应该怎么做，可以参考 HyperFrames Launches 里的完整项目，或者使用 video-shotcraft 里的镜头配方。
第一条视频不要追求每秒都有复杂动画。先把信息讲清楚，再用一两个简单动效增强节奏。
第五步：让 HyperFrames 做出第一版
现在已经有了口播、最终声音、字幕时间和分镜，可以正式交给 HyperFrames：
使用 /hyperframes，把当前项目做成一条 9:16 竖版讲解视频。
请读取 narration.md、final.wav、captions.srt、timing.json、storyboard.md 和 assets 文件夹。
画面跟随真实音频时间，字幕不要挡住主要内容。
优先使用 assets 里的原图和角色卡，缺少素材的镜头用简洁的信息图。
先完成前 15 秒样片并打开预览，我确认方向后再继续全片。
这里特别建议先做 15 秒样片，不要直接渲染整条视频。
看这 15 秒，重点检查三个问题：开头够不够快，字幕是否清楚，画面有没有真正解释口播。
如果方向正确，再继续生成全片。
之后修改时，也不要只说“高级一点”“好看一点”。最好告诉 Codex 具体位置，例如：
“第 6 秒的标题太小。”
“这张截图至少停留 3 秒。”
“字幕挡住了人物。”
“第一个镜头进入太慢。”
这种反馈会比抽象的审美要求更容易执行。
最终确认以后，再让 Codex 渲染：
把当前确认的版本渲染成 final.mp4。
完成后检查文件能否正常播放，并检查声音、字幕和画面是否完整。
预览页面能打开，只能说明项目可以运行。真正完成的标准是 final.mp4 已经生成，并且你从头到尾看过一遍，确认声音没有截断、字幕没有错位、图片没有被错误裁切。
HyperFrames 和 Remotion 怎么选？
两者都可以把文字、声音、图片和时间轴做成视频，但适合的工作方式不同。
HyperFrames 更像是根据这一期内容重新组织画面，适合快速做文章视频、知识视频和解释型内容。
Remotion 更适合先做一套固定栏目模板，然后每一期往固定位置填内容。
如果想走 Remotion 路线，可以把 Remotion Agent Skills 交给 Codex，让它完成安装，然后使用 /remotion-create 创建视频、/remotion-studio 预览、/remotion-render 渲染。
上游生成的 narration.md、final.wav、字幕、时间轴和图片都可以继续使用，不需要重新做一遍。
我的建议是：第一条先用 HyperFrames 跑通。连续做了几期以后，如果发现镜头结构已经稳定，再让 Codex 把它整理成 Remotion 的固定栏目。
如果你拍了真人口播，再加入 video-use
前面的流程完全可以不出镜。等你开始拍真人口播时，可以把 narration.md 放在相机旁边，按段拍摄。说错了就停一下，从这句话重新说，不需要每次从头开始。
video-use 更适合处理已经拍好的真人素材。它可以先转写视频，找出每段说了什么，再整理重复、停顿、说错和重新开始的部分，最后再进入剪辑。
安装时直接让 Codex 阅读仓库：
请帮我安装 https://github.com/browser-use/video-use。
先阅读 install.md，完成依赖、FFmpeg 和 Codex Skill 注册。
安装后先不要转写任何视频，等我把素材放进文件夹。
拍摄完成后，把原视频放进单独的素材文件夹：
请使用 video-use 处理这个文件夹里的真人口播。
先盘点素材并转写，找出重复、停顿、说错和重新开始的位置。
先给我一份剪辑方案，列出准备保留和删除的片段；我确认后再剪。
定稿后添加中文字幕，并在讲到步骤时使用 assets 里的对应图片补充画面。
最后输出预览版，检查无误后再输出 final.mp4。
这样，真人口播的流程就是：
口播稿 → 真人拍摄 → video-use 整理有效片段 → 字幕和补充画面 → 成片
HyperFrames 和 video-use 也可以组合起来：video-use 负责把真人口播剪顺，HyperFrames 再负责标题、步骤卡、截图演示、片头片尾等信息画面。
最后，把一条视频变成一套内容系统
真正有价值的并不是用 Codex 做出一条视频，而是让同一套流程可以持续生产。
比如你可以固定做一个主题：每周拆一个 AI 工具、每次解决一个办公问题，或者每期解释一个行业案例。内容对象越明确，后面越容易形成固定结构。
整个循环其实很简单：
目标用户的问题 → 选择具体主题 → 写口播 → 做视频 → 看评论和完播反馈 → 决定下一条
获客的钩子也应该落在具体结果上。
“我用 AI 做了一条视频”，只能证明你会使用工具。
“我把一篇 3000 字的工具测评，做成一条 60 秒的新手教程”，才会让真正需要这件事的人停下来。
所以第一阶段不要急着搭一套复杂的自动化系统。先选一个你能够连续讲十期的主题，用 Codex 跑通第一条：
口播定稿 → 声音生成 → 时间轴对齐 → 分镜 → HyperFrames 出片 → 检查成片
第二条开始复用文件结构，第三条开始保留固定片头、字幕样式和镜头结构。
做到这一步，Codex 才真正从“帮你做过一条视频”，变成一个可以持续帮你生产内容的工作流。